Toward responsible AI governance: Balancing multi-stakeholder perspectives on AI in healthcare
Notice bibliographique
Résumé
INTRODUCTION: The rapid integration of artificial intelligence (AI) into healthcare presents significant governance challenges, requiring balanced approaches that safeguard safety, efficacy, equity, and trust (SEET). This study proposes a cognitive framework to guide AI governance, addressing tradeoffs between speed, scope, and capability. OBJECTIVE: To develop a structured governance model that harmonizes stakeholder perspectives, focusing on multi-dimensional challenges and ethical principles essential for AI in healthcare. METHODS: A multidisciplinary team convened at the Blueprints for Trust conference, organized by the American Medical Informatics Association (AMIA), and the Division of Clinical Informatics at Beth Israel Deaconess Medical Center. Following extensive discussions with 190 participants across sectors, three governance models were identified to address specific domains: (1) Clinical Decision Support (CDS), (2) Real-World Evidence (RWE), (3) Consumer Health (CH). RESULTS: Three governance models emerged, tailored to CDS, RWE, and CH domains. Key recommendations include establishing a Health AI Consumer Consortium for patient-centered oversight, initiating voluntary accreditation and certification frameworks, and piloting risk-level-based standards. These models balance rapid adaptation with SEET-focused safeguards through transparency, inclusivity, and ongoing learning. CONCLUSION: A proactive, constraint-based governance framework is critical for responsible AI integration in healthcare. This structured, multi-stakeholder approach provides a roadmap for ethical, transparent governance that can evolve with technological advancements, enhancing trust and safety in healthcare AI applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,103 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,029 |
| Communication savante | 0,025 | 0,019 |
| Science ouverte | 0,005 | 0,015 |
| Intégrité de la recherche | 0,012 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».