Using artificial intelligence based language interpretation in non-urgent paediatric emergency consultations: a clinical performance test and legal evaluation
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the accuracy of Google Translate (GT) in translating low-acuity paediatric emergency consultations involving respiratory symptoms and fever, and to examine legal and policy implications of using AI-based language interpretation in healthcare. METHODS: Based on the methodology used for conducting language performance testing routinely at the Interpreter Services Department of the Hospital for Sick Children, clinical performance testing was completed using a paediatric emergency scenario (child with respiratory illness and fever) on five languages: Spanish, French, Urdu, Arabic, and Mandarin. The study focused on GT's translation accuracy and a legal and policy evaluation regarding AI-based interpretation in healthcare was conducted by legal scholars. RESULTS: GT demonstrated strong translation performance, with accuracy rates from 83.5% in Urdu to 95.4% in French. Challenges included dialect sensitivity and pronoun misinterpretations. Legal evaluation indicated inconsistent access to language interpretation services across healthcare jurisdictions and potential risks involving data privacy, consent, and malpractice when using AI-based translation tools. CONCLUSIONS: Google Translate can effectively support communication in specific non-critical paediatric emergency scenarios. However, its use necessitates careful monitoring, understanding of its limitations, and attention to dialect and literal translation risks along with equity considerations. Establishing legal and policy frameworks for language interpretation in healthcare is crucial, alongside addressing funding and data security concerns, to optimize the use of AI-based translation tools in healthcare contexts.
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 | 0,018 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 ».