Ethical Challenges in the Integration of Artificial Intelligence in Palliative Care
Notice bibliographique
Résumé
The integration of artificial intelligence (AI) into palliative care offers the possibility of improved patient outcomes through enhanced decision-making, personalized care, and reduced healthcare provider burden. However, the use of AI in this sensitive area presents significant ethical challenges which require serious consideration to ensure that technology serves the best interests of patients without compromising their rights or well-being. This narrative review explores the key ethical issues associated with AI in palliative care, with a focus on low-resource settings where these challenges are often intensified. The review examines essential ethical principles such as autonomy, beneficence , non-maleficence, and justice, and identifies critical concerns including data privacy, informed consent , algorithmic bias, and the risk of depersonalizing care. It also highlights the unique difficulties faced in low-resource environments, where the lack of infrastructure and regulatory frameworks can exacerbate these ethical risks. To address these challenges, the review offers actionable recommendations, such as developing context-specific guidelines, promoting transparency and accountability through explainable AI (XAI), and conducting regular ethical audits. Interdisciplinary collaboration is emphasized to ensure that AI systems are ethically designed and implemented, respecting cultural contexts and upholding patient dignity. This study contributes to the ongoing discourse on ethical AI integration in healthcare, indicating the need for careful consideration of ethical principles to ensure that AI enhances rather than undermines the compassionate care at the heart of palliative care. These findings serve as a foundation for future research and policy development in this emerging field.
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 | 0,117 | 0,165 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,033 |
| Communication savante | 0,013 | 0,013 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,011 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».