The promises and challenges of clinical AI in community paediatric medicine
Notice bibliographique
Résumé
The widespread adoption of virtual care technologies has quickly reshaped healthcare operations and delivery, particularly in the context of community medicine. In this paper, we use the virtual care landscape as a point of departure to envision the promises and challenges of artificial intelligence (AI) in healthcare. Our analysis is directed towards community care practitioners interested in learning more about how AI can change their practice along with the critical considerations required to integrate AI into their practice. We highlight examples of how AI can enable access to new sources of clinical data while augmenting clinical workflows and healthcare delivery. AI can help optimize how and when care is delivered by community practitioners while also improving practice efficiency, accessibility, and the overall quality of care. Unlike virtual care, however, AI is still missing many of the key enablers required to facilitate adoption into the community care landscape and there are challenges we must consider and resolve for AI to successfully improve healthcare delivery. We discuss several critical considerations, including data governance in the clinic setting, healthcare practitioner education, regulation of AI in healthcare, clinician reimbursement, and access to both technology and the internet.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,048 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,022 |
| Communication savante | 0,020 | 0,022 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,007 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».