White Coat Oversight of Black-Box Algorithms: Ethical Challenges in the Application of Artificial Intelligence in Healthcare
Notice bibliographique
Résumé
Artificial intelligence (AI) is rapidly influencing the future of healthcare by increasing diagnostic accuracy, supporting personalised treatments, and improving system efficiency. This paper examines the ethical and regulatory issues that arise from incorporating AI into medical practice. Drawing on the evolution of AI from early systems such as MYCIN to more recent applications such as convolutional neural networks in imaging, the discussion highlights the importance of ethical oversight from the outset of development. Central themes include the necessity for transparency, strong data protection measures, algorithmic fairness, and responsible deployment. Explainable AI (XAI) technologies, international regulatory responses such as the European Union's AI Act, and inclusive design strategies are explored as key tools for ensuring equity in care delivery. Risks, including data misuse, embedded bias in training sets, and inappropriate reliance on opaque systems, are analysed with real-world examples. Ultimately, the paper calls for interdisciplinary cooperation among healthcare providers, developers, and regulators to create systems that enhance patient outcomes while remaining aligned with ethical and societal values.
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 | 0,171 | 0,226 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,058 |
| Communication savante | 0,019 | 0,017 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,013 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».