Data sharing for responsible artificial intelligence in dentistry: a narrative review of legal frameworks and privacy-preserving techniques
Notice bibliographique
Résumé
OBJECTIVES: Data sharing is essential for ensuring research reproducibility and for developing generalizable artificial intelligence (AI) systems, but it demands robust safeguards for patient privacy. This narrative review aims to guide dental clinicians and researchers in sharing patient data responsibly while preserving confidentiality. DATA: Dental patient data include radiographs, (cone beam) CTs, photographs, intraoral scans, tabular data, and electronic health records. These datasets are often heterogeneous, distributed across institutions, and subject to strict privacy regulations. Handling and sharing such sensitive data requires secure, privacy-preserving techniques to ensure compliance with legal and ethical standards. SOURCES: PubMed, Embase, Scopus, arXiv and Google Scholar were searched using keywords related to dentistry, data sharing, AI, and privacy-preserving techniques. Given the limited number of results relevant to dentistry, the search was extended to medicine. In parallel, we reviewed applicable regulatory frameworks such as the European Union (EU) General Data Protection Regulation (GDPR), Health Insurance Portability and Accountability Act (HIPAA), EU AI Act, and European Health Data Space (EHDS). STUDY SELECTION: We selected studies addressing data sharing in dentistry/medicine, de-identification, privacy-preserving techniques, and/or federated learning, as well as applicable regulatory frameworks. Most of the articles were peer-reviewed, but authoritative grey literature was included as well. CONCLUSIONS: This review summarized legal and technical aspects of dental data sharing to enable compliant multi-institutional collaboration. Beyond AI in dentistry, which was primarily emphasized, responsible data sharing is integral to FAIR practice and strengthens transparency and reproducibility across dental and medical research. CLINICAL SIGNIFICANCE: This review provides regulation-aligned guidance on de-identifying and sharing dental data, enabling compliant multi-institutional collaboration while protecting privacy. By promoting responsible AI development and reproducible research, it translates into more reliable care and greater patient trust in everyday clinical practice.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».