Cracking the Code: A Scoping Review to Unite Disciplines in Tackling Legal Issues in Health Artificial Intelligence
Notice bibliographique
Résumé
ABSTRACT Objectives The rapid integration of artificial intelligence (AI) in healthcare requires robust legal safeguards to ensure safety, privacy, and non-discrimination, crucial for maintaining trust. Yet, unaddressed differences in disciplinary perspectives and priorities risks impeding effective reform. This study uncovers convergences and divergences in disciplinary comprehension, prioritization, and proposed solutions to legal issues with health-AI, providing law and policymaking guidance. Methods Employing a scoping review methodology, we searched MEDLINE® (Ovid), EMBASE (Ovid), HeinOnline Law Journal Library, Index to Foreign Legal Periodicals (HeinOnline), Index to Legal Periodicals and Books (EBSCOhost), Web of Science (Core Collection), Scopus, and IEEE Xplore, identifying legal issue discussions published, in English or French, from January 2012 to July 2021. Of 18,168 screened studies, 432 were included for data extraction and analysis. We mapped the legal concerns and solutions discussed by authors in medicine, law, nursing, pharmacy, other healthcare professions, public health, computer science, and engineering, revealing where they agree and disagree in their understanding, prioritization, and response to legal concerns. Results Critical disciplinary differences were evident in both the frequency and nature of discussions of legal issues and potential solutions. Notably, innovators in computer science and engineering exhibited minimal engagement with legal issues. Authors in law and medicine frequently contributed but prioritized different legal issues and proposed different solutions. Discussion and Conclusion Differing perspectives regarding law reform priorities and solutions jeopardize the progress of health-AI development. We need inclusive, interdisciplinary dialogues concerning the risks and trade-offs associated with various solutions to ensure optimal law and policy reform. KEY MESSAGES What is already known on this topic There has been no systematic examination of the multidisciplinary literature discussing legal challenges posed by health-AI. Prior efforts have addressed ethical concerns or limited subsets of legal issues or technologies, and therefore do not establish the comprehensive groundwork essential for fostering meaningful cross-disciplinary dialogue on health-AI regulation. What this study adds Our study uncovers a shared interdisciplinary apprehension regarding the effective regulation of health-AI. However, distinct stakeholders such as physicians, innovators, and legal scholars hold divergent perspectives on these issues and their relative significance. Notably, certain critical voices, such as within discussions around informed consent, are conspicuously absent, hindering the prospects of effective reform. How this study might affect research, practice, or policy The findings underscore the imperative for governments to facilitate inclusive dialogue and reconcile disparate disciplinary viewpoints. Effective regulation is pivotal in ensuring the safe and responsible deployment of health-AI for the public good. This study presents essential entry points for the much-needed discourse on this challenge facing governments around the world.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gpt | aucune catégorie Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Revue systématique | high |
| grok | Bibliométrie Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Revue systématique | high |
| opus | Méta-épidémiologie (sens large) Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Revue systématique | medium |
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 validéeÉtiqueté directement par 3 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».