Democratising artificial intelligence in healthcare: community-driven approaches for ethical solutions
Notice bibliographique
Résumé
The rapid advancement and widespread adoption of artificial intelligence (AI) has ushered in a new era of possibilities in healthcare, ranging from clinical task automation to disease detection. AI algorithms have the potential to analyse medical data, enhance diagnostic accuracy, personalise treatment plans and predict patient outcomes among other possibilities. With a surge in AI's popularity, its developments are outpacing policy and regulatory frameworks, leading to concerns about ethical considerations and collaborative development. Healthcare faces its own ethical challenges, including biased datasets, under-representation and inequitable access to resources, all contributing to mistrust in medical systems. To address these issues in the context of AI healthcare solutions and prevent perpetuating existing inequities, it is crucial to involve communities and stakeholders in the AI lifecycle. This article discusses four community-driven approaches for co-developing ethical AI healthcare solutions, including understanding and prioritising needs, defining a shared language, promoting mutual learning and co-creation, and democratising AI. These approaches emphasise bottom-up decision-making to reflect and centre impacted communities' needs and values. These collaborative approaches provide actionable considerations for creating equitable AI solutions in healthcare, fostering a more just and effective healthcare system that serves patient and community needs.
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 | 0,077 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,014 | 0,070 |
| Communication savante | 0,021 | 0,021 |
| Science ouverte | 0,005 | 0,029 |
| Intégrité de la recherche | 0,014 | 0,015 |
| 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 ».