FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare
Pourquoi ce travail est-il dans la base ?
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.
Scores machine (provisoires)
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
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.
- Écart entre enseignants
- 0,360 · la distance entre les deux têtes enseignantes sur ce seul travail
- Statut de validation
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 découle
Résumé
Despite major advances in artificial intelligence (AI) research for healthcare, the deployment and adoption of AI technologies remain limited in clinical practice. This paper describes the FUTURE-AI framework, which provides guidance for the development and deployment of trustworthy AI tools in healthcare. The FUTURE-AI Consortium was founded in 2021 and comprises 117 interdisciplinary experts from 50 countries representing all continents, including AI scientists, clinical researchers, biomedical ethicists, and social scientists. Over a two year period, the FUTURE-AI guideline was established through consensus based on six guiding principles—fairness, universality, traceability, usability, robustness, and explainability. To operationalise trustworthy AI in healthcare, a set of 30 best practices were defined, addressing technical, clinical, socioethical, and legal dimensions. The recommendations cover the entire lifecycle of healthcare AI, from design, development, and validation to regulation, deployment, and monitoring.
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.
La notice
- Revue
- BMJ
- Thématique
- Artificial Intelligence in Healthcare and Education
- Domaine
- Medicine
- Établissements canadiens
- —
- Organismes subventionnaires
- National Institute of Biomedical Imaging and BioengineeringFogarty International CenterNational Heart, Lung, and Blood InstituteInstituto de Salud Carlos IIIMedical Research CouncilInstitute for Information and Communications Technology PromotionNatural Sciences and Engineering Research Council of CanadaCentre National de la Recherche ScientifiqueCancer Research UKWellcome TrustKWF KankerbestrijdingNational Health and Medical Research CouncilMinistério da Ciência, Tecnologia e InovaçãoConselho Nacional de Desenvolvimento Científico e TecnológicoNational Natural Science Foundation of ChinaEuropean Regional Development FundEuropean CommissionHORIZON EUROPE Framework ProgrammeNederlandse Organisatie voor Wetenschappelijk OnderzoekAgence Nationale de la RechercheAgencia Nacional de Investigación y DesarrolloAgency for Science, Technology and ResearchGordon and Betty Moore FoundationMinisterio de Ciencia, Innovación y UniversidadesNational Institutes of HealthH2020 HealthRoyal Academy of EngineeringNational Institute for Health and Care Research
- Mots-clés
- TrustworthinessGuidelineComputer scienceHealth careArtificial intelligenceConsensus conferenceComputer securityMedicinePolitical scienceLibrary sciencePathologyLaw
- Résumé présent dans OpenAlex
- oui