The long road ahead: navigating obstacles and building bridges for clinical integration of artificial intelligence technologies
Notice bibliographique
Résumé
Abstract: Artificial intelligence (AI) holds immense promise for transforming healthcare, yet its real-world implementation faces significant obstacles. This comprehensive review synthesizes findings from over 40 peer-reviewed articles supplemented by reports from key institutions, to provide a thorough assessment of the challenges impeding AI integration in clinical settings and propose practical solutions. The paper identifies several major barriers: limited access to diverse, high-quality datasets, which hinders the development of robust, generalizable AI models; the “black box” nature of many AI systems, which impedes clinician trust and adoption; lack of clear legal and regulatory frameworks, raising liability concerns and safety issues; difficulties in adapting existing clinical workflows to incorporate AI tools, which can be disruptive and time-consuming; and challenges in protecting sensitive patient data while enabling AI development. To address these complex issues, the paper proposes a range of strategies, including standardizing data capture and labelling practices across healthcare institutions, developing explainable AI techniques tailored to clinical contexts, establishing clear regulatory guidelines for AI in healthcare, engaging healthcare professionals in AI development and implementation processes, and implementing robust data governance and cybersecurity measures. The review emphasizes the critical need for a multidisciplinary approach, involving close collaboration between AI developers, clinicians, policymakers, and patients. It highlights successful case studies where AI has been effectively integrated into clinical practice. However, the authors argue that while AI has the potential to be a powerful tool in the medical arsenal, it should be viewed as a complement to, rather than a replacement for, human clinical expertise. This approach paves the way for a future where AI meaningfully contributes to advancing healthcare while maintaining the highest standards of patient safety and ethical practice.
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 | 0,007 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».