Advancing Healthcare AI Governance: A Comprehensive Maturity Model Based on Systematic Review
Notice bibliographique
Résumé
Abstract Artificial Intelligence (AI) deployment in healthcare is accelerating, yet comprehensive governance frameworks remain fragmented and often assume extensive resources. Through a systematic review of 22 frameworks published between 2019-2024, we identified seven critical domains of healthcare AI governance: organizational structure, problem formulation, external product evaluation, algorithm development, model evaluation, deployment integration, and monitoring maintenance. While existing frameworks provide valuable guidance, they frequently target only large academic medical centers, creating barriers for smaller healthcare organizations. To address this gap, we propose the Healthcare AI governance Readiness Assessment (HAIRA), a five-level maturity model that provides actionable governance pathways based on organizational resources and capabilities. HAIRA spans from Level 1 (Initial / Ad Hoc) suitable for small practices to Level 5 (Leading) for major academic centers, with specific benchmarks across all seven governance domains. This tiered approach enables healthcare organizations to assess their current AI governance capabilities and establish appropriate advancement targets. Our framework addresses a critical need for adaptive governance strategies that can support AI-enabled healthcare value across diverse settings and ensures that AI implementation delivers tangible benefits to healthcare systems of varying sizes and resource levels.
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 | 0,181 | 0,348 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,012 |
| Bibliométrie | 0,041 | 0,025 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,015 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».