Integrating equity, diversity and inclusion throughout the lifecycle of AI within healthcare: a scoping review protocol
Notice bibliographique
Résumé
INTRODUCTION: Artificial intelligence (AI) has the potential to improve efficiency and quality of care in healthcare settings. The lack of consideration for equity, diversity and inclusion (EDI) in the lifecycle of AI within healthcare settings may intensify social and health inequities, potentially causing harm to under-represented populations. This article describes the protocol for a scoping review of the literature relating to integration of EDI in the AI interventions within healthcare setting. The objective of the review is to evaluate what has been done on integrating EDI concepts, principles and practices in the lifecycles of AI interventions within healthcare settings. It also aims to explore which EDI concepts, principles and practices have been integrated into the design, development and implementation of AI in healthcare settings. METHOD AND ANALYSIS: The scoping review will be guided by the six-step methodological framework developed by Arksey and O'Malley supplemented by Levac et al, and Joanna Briggs Institute methodological framework for scoping reviews. Relevant literature will be identified by searching seven electronic databases in engineering/computer science and healthcare, and searching the reference lists and citations of studies that meet the inclusion criteria. Studies on AI in any healthcare and geographical settings, that have considered aspects of EDI, published in English and French between 2005 and present will be considered. Two reviewers will independently screen titles, abstracts and full-text articles according to inclusion criteria. We will conduct a thematic analysis and use a narrative description to describe the work. Any disagreements will be resolved through discussion with the third reviewer. Extracted data will be summarised and analysed to address aims of the scoping review. Reporting will follow the Preferred Reporting Items for Systematic Reviews and Meta-analyses Extension for Scoping Reviews. The study began in April 2022 and is expected to end in September 2023. The database initial searches resulted in 5,745 records when piloted in April 2022. ETHICS AND DISSEMINATION: Ethical approval is not required. The study will map the available literature on EDI concepts, principles and practices in AI interventions within healthcare settings, highlight the significance of this context, and offer insights into the best practices for incorporating EDI into AI-based solutions in healthcare settings. The results will be disseminated through open-access peer-reviewed publications, conference presentations, social media and 2-day workshops with relevant stakeholders.
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 | 0,184 | 0,158 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,006 |
| Méta-épidémiologie (sens large) | 0,011 | 0,012 |
| Bibliométrie | 0,020 | 0,017 |
| Études des sciences et des technologies | 0,006 | 0,008 |
| Communication savante | 0,011 | 0,012 |
| Science ouverte | 0,007 | 0,008 |
| Intégrité de la recherche | 0,013 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,048 | 0,015 |
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 ».