Cracking the code: a scoping review to unite disciplines in tackling legal issues in health artificial intelligence
Pourquoi ce travail est 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.
Notice bibliographique
Résumé
OBJECTIVES: The rapid integration of artificial intelligence (AI) in healthcare requires robust legal safeguards to ensure safety, privacy and non-discrimination, crucial for maintaining trust. Yet, unaddressed differences in disciplinary perspectives and priorities risk impeding effective reform. This study uncovers convergences and divergences in disciplinary comprehension, prioritisation and proposed solutions to legal issues with health-AI, providing law and policymaking guidance. METHODS: Employing a scoping review methodology, we searched MEDLINE (Ovid), EMBASE (Ovid), HeinOnline Law Journal Library, Index to Foreign Legal Periodicals (HeinOnline), Index to Legal Periodicals and Books (EBSCOhost), Web of Science (Core Collection), Scopus and IEEE Xplore, identifying legal issue discussions published, in English or French, from January 2012 to July 2021. Of 18 168 screened studies, 432 were included for data extraction and analysis. We mapped the legal concerns and solutions discussed by authors in medicine, law, nursing, pharmacy, other healthcare professions, public health, computer science and engineering, revealing where they agree and disagree in their understanding, prioritisation and response to legal concerns. RESULTS: Critical disciplinary differences were evident in both the frequency and nature of discussions of legal issues and potential solutions. Notably, innovators in computer science and engineering exhibited minimal engagement with legal issues. Authors in law and medicine frequently contributed but prioritised different legal issues and proposed different solutions. DISCUSSION AND CONCLUSION: Differing perspectives regarding law reform priorities and solutions jeopardise the progress of health AI development. We need inclusive, interdisciplinary dialogues concerning the risks and trade-offs associated with various solutions to ensure optimal law and policy reform.
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.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle