Harmonizing Artificial Intelligence Governance; A Model for Regulating a High-risk Categories and Applications in Clinical Pathology: The Evidence and some Concerns
Notice bibliographique
Résumé
The Canadian healthcare system, grappling with issues like systemic and intelligently established structural anti-black racism, including indigenous nations; even within Pathology and Laboratory Medicine Communities: and deteriorating outcomes, sees potential in AI to address challenges, though concerns exist regarding exacerbating discriminatory practices. In clinical pathology, AI demonstrates superior diagnostic accuracy compared to pathologists in a study, emphasizing its potential to improve healthcare. However, AI governance is crucial to navigating ethical, legal, and societal concerns. The Royal College of Physicians of Canada acknowledges the transformative impact of AI in healthcare but stresses the need for responsible AI tools co-developed by diverse teams. Despite positive attitudes towards AI in healthcare, concerns about patient safety, privacy, and autonomy highlight the necessity for comprehensive education, engagement, and collaboration. Legal concerns, including liability and regulation, pose challenges, emphasizing the need for a robust regulatory framework. AI application in healthcare is categorized as high-risk, demanding stringent regulation to ensure safety, efficacy, and fairness. A parallel is drawn to drug regulation processes, suggesting a similar approach for AI. The lack of transparency in AI-based decision-making raises ethical questions, necessitating measures to address biases and ensure patient privacy. Social accountability is crucial to prevent AI from exacerbating health disparities and harming marginalized communities. In conclusion, while AI offers potential benefits in clinical pathology, a cautious approach with comprehensive governance measures is essential to mitigate risks and ensure ethical AI integration into healthcare.
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 | 0,188 | 0,197 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,008 | 0,067 |
| Communication savante | 0,028 | 0,023 |
| Science ouverte | 0,009 | 0,012 |
| Intégrité de la recherche | 0,012 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».