Ethical issues raised by artificial intelligence and big data in population health: a scoping review
Notice bibliographique
Résumé
Introduction: Artificial intelligence systems (AIS) powered by big data (BD) are more and more common in the healthcare sector and many anticipate that they will have a substantial effect on population health. Facing the disruptive potential of these transformations, there is a need to keep the pace with the ethical reflection accompanying the uses of AIS and the BD systems enabling such innovations. Methods: To carry out this task, we conducted a scoping review of the ethical issues of AIS and BD, in population health, based on 243 scholarly articles. Results: Our results show the explosion of publications on the subject in recent years. Our qualitative analysis of this literature highlights the potential issues of AIS and BD on the three components of population health: (1) the health outcomes and their distribution in the population and between populations; (2) the patterns of health determinants; (3) the policies and interventions developed to connect the previous components. Discussion: Our conclusions show the uncertainty of the positive outcomes of these technologies and their potential for unequal distribution. Authors consider that AIS and BD will affect determinants of health either in their understanding and by transforming the structure of these determinants. At last, this review points that the policies and interventions developed to attain population health goals will have to answer to numerous ethical expectations. This review offers a comprehensive mapping of ethical issues raised by the uses of AIS in the global field of population health.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,002 |
| 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 ».