Patients over Process: Stratifying Risk in the Design, Development, and Deployment of Artificial Intelligence in Healthcare
Notice bibliographique
Résumé
The global focus on artificial intelligence (AI) in healthcare and medicine is on the rise. Despite remarkable progress in integrating AI into clinical workflows, gaps in regulation remain a prevalent issue within healthcare systems. Effective regulation of artificial intelligence in clinical practice is essential for managing medico-legal risk and ensuring patient safety. Numerous studies highlight the significant potential for medico-legal risk and the need for clear guidelines on the ethical and safe use of AI in clinical practice. Although there are various concerns that these guidelines must address, our work focused on researching best practices regarding patient-centered factors like patient autonomy, trust and transparency, privacy and security, equity and fairness, and ensuring human oversight. While challenges in AI workflow integration arise from many factors, including human interactions and system inadequacies, the focus on individuals rather than the system has fostered an unsuitable culture for enhancing patient-centered care. Key focus areas include risk stratification strategies and increasing transparency within this inherently complex system, as they play a crucial role in guiding clinical decisions in patient management. Proper integration of AI regulatory frameworks into clinical practice is essential for addressing gaps in the design, development, deployment, and long-term monitoring of AI solutions. Globally, the regulation of AI in clinical practice is continually evolving as governments and legal systems adapt to the rapid advances in AI as a medical device (AIaMD). In Canada, a strategic path forward prioritizes federal and provincial regulations; however, at this stage, they remain fragmented. We advocate for the establishment of uniform guidelines that address the risks, benefits, opportunities, and best practices as AI technologies are integrated into the clinical workflow. Achieving a national standard with clear guidance on the ethical and safe use of AI in clinical practice is recommended to move forward.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».