Notice bibliographique
Résumé
Artificial intelligence (AI) tools are portended to dramatically improve the quality and safety of health care as well as efficiency. AI tools will be used to track patient data, triage care, read medical images, diagnose disease, make treatment decisions, support patients in health promotion, and deliver primary, acute, mental, and long-term care. AI innovations are predicted to not only assist but potentially substitute human caregivers, medical service providers, diagnosticians, and expert decision makers. Yet Canada’s complex ecosystem of governance for health care across multiple levels of government, including direct regulation, self-regulation and tort law/delicts, has not been assessed for its ability to bolster “good” AI innovation and deter “bad” AI-related activities across the health care system. Consequently, pathways to the adoption of promising AI technologies may be hampered by uncertainty as to what current laws require to, for example, comply with health privacy laws and avoid tort liability. Moreover, a number of leading task forces and various scholars have opined that legal and governance structures must be reformed to address concerns such as algorithmic bias. For AI technologies to be adopted into and improve health care, it is important to have both regulatory clarity and evidence on whether and how present laws need to be reformed. Canada faces significant challenges in establishing a clear and coordinated regulatory environment for promising AI technologies given its patchwork of patient safety and privacy laws across provinces and territories and its historical reliance on self-regulation of health care professionals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».