Defining change: Exploring expert views about the regulatory challenges in adaptive artificial intelligence for healthcare
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Continuously learning or adaptive artificial intelligence (AI) applications for screening, diagnostic and other clinical services are yet to be widely deployed. This is partly due to existing device regulation mechanisms that are not fit for purpose regarding the adaptive features of AI. This study aims to identify the challenges in and opportunities for the regulation of adaptive features of AI. We performed in-depth qualitative, semi-structured interviews with a diverse group of 72 experts in high-income countries (Australia, Canada, New Zealand, US, and UK) who are involved in the development, acquisition, deployment and regulation of healthcare AI systems. Our findings revealed perceived challenges in the regulation of adaptive features of machine learning (ML) systems. These challenges include the complexity of AI applications as products subject to regulation; lack of accepted definitions of adaptive changes; diverse approaches to defining significant adaptive change; and lack of clarity about regulation of adaptive change. Our findings reflect potentially competing interests among different stakeholders and diversity of approaches from regulatory bodies and legislators in different jurisdictions across the globe. In addition, our findings highlight the complex regulatory implications of adaptive AI that differ from traditional medical products, drugs or devices. The perceived regulatory challenges raised by adaptive features of AI applications require high-level coordination within a complex regulatory ecosystem that consists of medical device regulators, professional accreditation agencies, professional medical organisations, and healthcare service providers. Regulatory approaches should complement existing safety protocols with new governance mechanisms that specifically take into account the variety of roles and responsibilities that will be required to monitor, evaluate and oversee adaptive changes.
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.
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 | 0,001 | 0,001 |
| 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 découle