Conflicts and complexities around intellectual property and value sharing of artificial intelligence healthcare solutions in public-private partnerships: A qualitative study
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
Background Public healthcare systems are increasingly relying on artificial intelligence (AI) technologies to meet growing healthcare needs. Because AI technologies are complex and costly to develop, public-private partnerships (PPPs) between digital companies and university hospital centres are being promoted as a key for the successful development and implementation of AI solutions. This article aims to shed light on stakeholders’ perspectives on the intellectual property (IP) and value sharing of AI technologies developed by PPPs and how their practical experiences can affect the success or failure of such PPPs. Methods Semi-structured interviews were conducted with 29 stakeholders concerned with and/or involved in digital health technologies in a large Canadian university hospital centre. Data were collected and analysed through a mixed deductive-inductive approach. Results The analysis revealed three key themes highlighting AI IP issues of concern for PPP stakeholders. First, the collaborations and contributions required from all stakeholders to develop AI technologies of clinical and commercial value are highly complex and often unclear. Second, the lack of institutional and commercial recognition of clinicians’ essential contributions to AI solution development results in competing academic and business imperatives that hinder their engagement in PPPs. Finally, public healthcare systems’ strategic use of AI requires new policies adapted to the digital economy where IP plays a central role in value generation and sharing. Conclusion For PPPs developing AI healthcare technologies to be successful, updated policies clarifying public healthcare systems’ strategic use of AI are required as well as clear value-sharing frameworks between stakeholders.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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