Ethical Challenges and Opportunities of AI in End-of-Life Palliative Care: Integrative Review
Notice bibliographique
Résumé
BACKGROUND: Artificial intelligence (AI) is increasingly integrated into palliative medicine, offering opportunities to improve quality, efficiency, and patient-centeredness in end-of-life care. However, its use raises complex ethical issues, including privacy, equity, dehumanization, and decision-making dilemmas. OBJECTIVE: We aim to critically analyze the main ethical implications of AI in end-of-life palliative care and examine the benefits and risks. We propose strategies for ethical and responsible implementation. METHODS: We conducted an integrative review of studies published from 2020 to 2025 in English, Portuguese, and Spanish, identified through systematic searches in PubMed, Scopus, and Google Scholar. Inclusion criteria were studies addressing AI in palliative medicine focusing on ethical implications or patient experience. Two reviewers independently performed study selection and data extraction, resolving discrepancies by consensus. The quality of the papers was assessed using the Critical Appraisal Skills Programme checklist and the Hawker et al tool. RESULTS: Six key themes emerged: (1) practical applications of AI, (2) communication and AI tools, (3) patient experience and humanization, (4) ethical implications, (5) quality of life perspectives, and (6) challenges and limitations. While AI shows promise for improving efficiency and personalization, consolidated real-world examples of efficiency and equity remain scarce. Key risks include algorithmic bias, cultural insensitivity, and the potential for reduced patient autonomy. CONCLUSIONS: AI can transform palliative care, but implementation must be patient-centered and ethically grounded. Robust policies are needed to ensure equity, privacy, and humanization. Future research should address data diversity, social determinants, and culturally sensitive approaches.
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 | 0,009 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,009 |
| 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 ».