A participatory approach to deploy responsible artificial intelligence for diabetes prediction and prevention
Notice bibliographique
Résumé
Artificial intelligence (AI) technologies have the potential to improve healthcare and public health. Although there has been success in AI for research uses, little progress has been made in implementing health-related AI technologies in health systems. Responsible AI for health systems requires engagement and co-design with health system partners, policymakers, and the community. Deploying responsible AI requires engaging stakeholders, particularly those affected by the technology. This commentary presents the importance of participatory approaches for responsible AI implementation. In this commentary, we discuss the planned use of participatory approaches to responsibly deploying validated machine learning models, with a specific case example of diabetes prediction models that can address the challenge of preventing and managing diabetes in a health system.. The participatory methods engage policy-, provider-, and community-level actors to deploy and implement the AI diabetes tools, inform how AI is implemented in health settings, and overcome common deployment barriers. The future of AI in health settings rests on fine-tuning these practices to enable trust, acceptability, and oversight of these technologies to be deeply established in health systems.
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 | 0,165 | 0,177 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,015 | 0,038 |
| Communication savante | 0,010 | 0,013 |
| Science ouverte | 0,005 | 0,018 |
| Intégrité de la recherche | 0,012 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».