Les projets de la
cohorte 2026.

SHARPEN offre aux étudiants des patients standardisés virtuels pour s’exercer à des conversations cliniques, avec interaction en temps réel, rétroaction immédiate et divers scénarios.

L’équipe a présenté cette plateforme comme un moyen de rendre la pratique clinique plus accessible. GI-Consent et VSP-QAT, décrits séparément ci-dessous, étudient respectivement l’apprentissage des étudiants et les critères d’évaluation de l’expérience avec un patient virtuel.

Grand Demo Day 2026, diapositives 13–19, 32

La pratique avec un patient virtuel fondé sur l’IA aide-t-elle les étudiants à expliquer le consentement éclairé? GI-Consent a comparé cette pratique au jeu de rôle avec un pair.

Onze étudiants se sont exercés avec des patients virtuels fondés sur l’IA et onze avec des pairs. La présentation n’a relevé aucune différence statistiquement significative entre les groupes quant à la qualité du consentement (p = 0,27), à la communication (p > 0,05) ou à la confiance (p = 0,80). Cette petite comparaison ne permet pas de conclure à une équivalence.

Grand Demo Day 2026, diapositives 20–22

Un patient virtuel doit faire plus que converser. VSP-QAT évalue l’exactitude clinique, le réalisme, la communication, la cohérence et la valeur pédagogique.

L’équipe a créé un outil d’évaluation et proposé une étude à l’aveugle de vidéos mettant en scène des patients virtuels de qualité élevée ou faible. Le protocole prévoit 12 étudiants volontaires, quatre vidéos et dix évaluateurs à l’aveugle. La prochaine étape décrite est une étude pilote.

Grand Demo Day 2026, diapositives 23–31

Tipoca compare l’enregistrement d’une intervention clinique à une procédure normalisée. Un modèle vision-langage évalue chaque étape et aide les formateurs à examiner la performance d’un étudiant.

L’équipe a présenté un prototype fonctionnel avec des annotations horodatées et un rapport modifiable. Le développement comprenait le pipeline d’évaluation, l’architecture de l’application et son interface. Les essais ont révélé des variations dans les réponses du modèle. Les prochaines étapes prévues : un pipeline de maintenance et de déploiement, puis la mise en production.

Grand Demo Day 2026, diapositives 33–45

Ce projet évalue si les modèles vision-langage peuvent comprendre des interventions cliniques et évaluer la performance à partir d’une vidéo, au-delà de la reconnaissance d’images médicales fixes.

La présentation utilise les vidéos NurViD pour évaluer la classification des interventions et des étapes, et les vidéos AIxSuture pour mesurer les compétences en suture et les scores de grilles. Les résultats varient selon les modèles et les tâches; certaines interventions et étapes sont souvent confondues. Le projet examine la contribution fiable de ces modèles à la formation clinique.

Grand Demo Day 2026, diapositives 46–58

Sharpen Box enregistre une rencontre clinique pour permettre une évaluation assistée par l’IA. Les formateurs peuvent examiner les suggestions et approuver les points à travailler ensuite.

La démonstration relie un dispositif d’enregistrement, une application de transfert vidéo et une interface d’évaluation. Elle vise une rétroaction personnalisée et rapide, le suivi des progrès et une réduction du travail administratif des formateurs. Une étude distincte du PAS évalue l’exactitude des évaluations et l’expérience des apprenants et des établissements.

Grand Demo Day 2026, diapositives 59–66

L’étude PAS cherche à déterminer si un évaluateur d’IA peut obtenir des résultats comparables à ceux d’un examinateur humain et soutenir l’évaluation formative continue en médecine.

La présentation vise à valider l’exactitude, à mesurer la progression des apprenants et à évaluer la valeur institutionnelle. Elle décrit une comparaison au moyen de mesures de performance clinique, de communication et d’acceptation technologique. L’intégration à SHARPEN et à un réseau d’évaluation élargi sont des pistes futures.

Grand Demo Day 2026, diapositives 68–75

EMBER examine l’épuisement professionnel chez les candidats canadiens aux études de médecine et le rôle possible de la résilience psychologique dans leur expérience de candidature.

Le sondage porte sur la démographie, les études, les activités parascolaires et la résilience. Le recrutement est prévu auprès d’associations de pré-médecine, de groupes universitaires et sur les réseaux sociaux. La présentation décrit la conception, le recrutement et l’analyse prévue; elle ne présente pas de résultats nationaux définitifs.

Grand Demo Day 2026, diapositives 78–96

Why Learn étudie le lien entre la littératie en IA et la volonté des étudiants d’utiliser l’IA en santé et en innovation.

L’étude vise de 200 à 300 apprenants et étudiants. Le sondage porte sur les connaissances en IA, ses usages en santé, les enjeux éthiques, la formation, la motivation professionnelle et les flux de travail assistés par l’IA. Le lien attendu entre connaissances perçues et volonté d’utilisation est une hypothèse; les résultats ne sont pas encore présentés.

Grand Demo Day 2026, diapositives 97–105

La revue demande si la détection assistée par ordinateur en temps réel améliore la détection des adénomes par les stagiaires, et si cet avantage persiste une fois l’IA retirée.

La recherche prévue couvre dix sources depuis 2017. Deux réviseurs sélectionneront les études et extrairont les caractéristiques des stagiaires, les systèmes d’IA, les résultats de détection et la performance sans IA. L’analyse distinguera la performance assistée du transfert des apprentissages. Aucun résultat combiné n’a été présenté.

Grand Demo Day 2026, diapositives 106–117

Cette étude cherche à savoir si l’aide de l’IA modifie la rétention d’une compétence clinique nouvellement acquise. L’interprétation des gaz sanguins artériels sert de tâche d’apprentissage.

Les novices suivent d’abord une formation normalisée et doivent atteindre un seuil minimal. L’essai proposé les répartit ensuite entre trois groupes : sans IA, avec IA sans restriction ou avec une IA socratique qui guide le raisonnement sans donner le diagnostic. Le critère principal est la performance 24 heures plus tard, sans IA. La charge cognitive, la qualité du raisonnement, la confiance et la confiance envers l’IA sont secondaires.

Grand Demo Day 2026, diapositives 118–130

Mantaculus invite les apprenants à répondre à une question, à évaluer leur confiance et à expliquer leur raisonnement. La rétroaction adaptative et les questions de suivi ciblent les lacunes.

L’étude randomisée proposée compare Mantaculus à l’apprentissage traditionnel auprès d’étudiants adultes en pré-médecine. Un prétest, un post-test et un test différé mesurent la rétention. L’étude demande aussi si les apprenants évaluent mieux leurs propres connaissances. Aucun résultat d’essai n’a été présenté.

Grand Demo Day 2026, diapositives 131–142

Le projet IPCT étudie l’accès aux soins primaires pour les patients ayant des besoins médicaux et sociaux complexes. Il cherche à déterminer qui orienter, si l’affiliation modifie le recours aux soins et si le modèle est avantageux à long terme.

L’équipe a proposé une définition de la complexité fondée sur les données, une comparaison de cohortes appariées selon un ratio de 1:3 et un modèle économique en santé. Les résultats incluent les visites répétées à l’urgence, les hospitalisations et la mortalité. Les données préliminaires de la présentation donnent un contexte; elles ne constituent pas une estimation causale achevée.

Grand Demo Day 2026, diapositives 145–162

GEO-EoE propose une carte de l’incidence régionale de l’œsophagite à éosinophiles au Canada et un modèle pour estimer l’incidence dans les régions sans données.

Le projet étudie des liens possibles avec des facteurs environnementaux et géographiques, dont la qualité de l’air et de l’eau, les allergènes et la proximité de cliniques gastro-intestinales. La présentation décrit la collecte de données, le développement de l’outil, une étude rétrospective des facteurs de risque et la modélisation prédictive. Il s’agit de pistes de recherche, pas de liens établis.

Grand Demo Day 2026, diapositives 163–176

Ce projet demande si les réponses de référence de HealthBench concordent avec les lignes directrices de pratique clinique en gastroentérologie et en hépatologie.

L’approche consiste à constituer un corpus de lignes directrices, à repérer les conversations HealthBench pertinentes, à les associer aux recommandations et à noter leur concordance. Les travaux futurs pourraient créer un nouveau banc d’essai et inclure d’autres spécialités. La présentation ne rapporte pas encore d’analyse complète.

Grand Demo Day 2026, diapositives 177–195

ContextCare utilise l’IA pour transformer l’information complexe d’un congé hospitalier en résumé accessible, avant le départ du patient. Le projet associe le logiciel à une étude sur la communication au congé.

Le flux présenté comprend l’évaluation de la littératie en santé, la simplification du résumé et une vérification par reformulation. D’autres fonctions permettent plusieurs langues, des résumés audio et la révision des renseignements identifiants avant la simplification. L’étude proposée évalue la faisabilité, la compréhension et la rétention; l’accès à domicile et l’intégration clinique sont des pistes futures.

Grand Demo Day 2026, diapositives 196–214