Responsible artificial intelligence in clinical decision support systems requires good science: Lessons learned from an international roundtable discussion (Preprint)
Notice bibliographique
Résumé
UNSTRUCTURED In healthcare, where increasing efficiency is essential to the demand of scale, there is immense opportunity to incorporate advances in artificial intelligence (AI). However, particularly in healthcare, these technologies must be designed to be both effective and ethical. Our objective in a multidisciplinary international roundtable discussion (Canada, United States, United Kingdom), was to identify concepts, perspectives, and considerations for AI systems in healthcare settings that are designed, developed, and deployed with good intention to empower patients and healthcare providers in a safe, trustworthy, and ethical way. We refer to this notion as responsible AI (RAI). First, we discuss the role and opportunity of AI to support collaborative healthcare (clinicians and patients working together) and increase specialist capacity. Second, we outline risks and ramifications of poorly implemented AI including bias, implications of predictors to support diagnosis, and privacy and security considerations. Third, we discuss how these risks can be mitigated through conducting “good science” by addressing biases such as representative data, probing annotation bias, and the role of the biostatistician. We also outline the need to evaluate fit for purpose through transdisciplinary collaboration to address: explainability, fairness, interpretability, transparency, as well as the role of standards, auditing, and regulatory considerations. Finally, we detail four criteria outlining determinants, considerations and rationale for developing RAI. These determinants and considerations are meant to position new AI-powered healthcare technologies primed for responsible design supporting acceptability, appropriateness, feasibility, and adoption. Future directions should expand on additional factors and monitor responsible AI implementation success to validate these criteria.
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 | 0,214 | 0,144 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,022 |
| Communication savante | 0,037 | 0,029 |
| Science ouverte | 0,006 | 0,012 |
| Intégrité de la recherche | 0,036 | 0,046 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».