O-052 USING COMPUTER ASSISTED DETECTION TO PROMOTE HEALTH EQUITY THROUGH HIGH-VOLUME IDENTIFICATION OF SILICOSIS AND TUBERCULOSIS IN EX-MINERS: A BIO-ETHICS APPROACH
Notice bibliographique
Résumé
Abstract Introduction In Southern Africa, a powerful legacy of social injustice has been the prevalence of occupational lung disease, particularly silicosis and tuberculosis (TB) in those who worked in South Africa’s gold mines. Although Artificial Intelligence (AI) is being increasingly applied for healthcare purposes, distrust about introducing “disruptive” technologies persists. Intrinsic and contextual factors also influence where and how such innovations are initiated. These require careful scrutiny to ensure that health equity is promoted. Methods We describe and appraise an AI application currently being developed, specifically the use of computer assisted detection (CAD) for TB and/or silicosis on chest x-rays, to support more efficient and equitable adjudication of compensation claims from former miners in southern Africa. Using a bio-ethical lens that considers the principles of beneficence, non-maleficence, autonomy and justice and adds explicability as a core principle, this study focuses on the apprehensions of users and stakeholders. Results Issues of concern include funding a sustainable health service delivery model in which CAD can be incorporated, CAD accuracy, possible biases in training of CAD systems, data privacy, impact on human skill development, transparency and accountability in CAD use, as well as intellectual property ownership. Discussion This paper discusses ways in which each of these potential obstacles to successful use of CAD could be mitigated. Conclusion From the outset, efforts to overcome technical implementation challenges must be considered to ensure ethical use. It is timely to take stock of barriers that might undermine the advancement of AI innovation on behalf of those who have been socially marginalized.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».