Principles and Practices of Community Engagement in AI for Population Health: Formative Qualitative Study of the AI for Diabetes Prediction and Prevention Project
Notice bibliographique
Résumé
Background: Preventing diabetes is a priority for governments and health systems worldwide. Artificial intelligence (AI) has the potential to inform prevention and planning. However, there is little guidance on how patients, caregivers, and communities are engaged in AI life cycle stages. Objective: This formative qualitative study aimed to identify principles for meaningful community engagement. The goal was to support the responsible use of machine learning models in diabetes prevention and management. Methods: We conducted a literature scan on how AI or digital health initiatives have engaged patients and communities. A participatory workshop was then organized with patients, caregivers, community organizations, clinicians, and policymakers. In the workshop, we identified and ranked guiding principles for community engagement in AI for population health. We also outlined key considerations for implementing these principles. Results: We identified 10 principles for patient and community engagement in AI for health care from 6 papers and developed a conceptual framework for community engagement on AI. A total of 30 workshop participants discussed and ranked the top 6 principles: trust, equity, accountability, transparency, codesign, and value alignment. Participants noted that embedding community engagement in the AI life cycle requires inclusivity and diversity. Additionally, implementers should leverage existing resources and adopt a centralized approach to AI decision-making. Conclusions: Our study offers useful insights for community-focused AI deployment that centers the values of patients and communities. The identified principles can guide meaningful engagement on the use of AI in health systems, while future research can operationalize the conceptual framework.
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 | 0,007 | 0,004 |
| 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 ».