Ethical and legal considerations of artificial intelligence applications in psychiatric violence risk assessment: A scoping review protocol
Notice bibliographique
Résumé
Violence risk assessment is a critical component of psychiatric practice, with significant clinical, ethical, and legal implications. Psychiatric patients at high risk of violence often face interventions including restraints, intramuscular injections, and involuntary hospitalization. Agitated and aggressive behaviours from patients have been linked to high hospital costs due to increased length of stay, readmissions, increased medication use, staff injury, and need for high acuity monitoring. Traditional risk assessment tools can be time intensive and have poor generalizability to civil populations. Recent advances in artificial intelligence (AI) have the potential for enhancing the precision of violence risk assessments. Although AI can address the technical issues of risk assessment, its implementation will raise new ethical and legal challenges. In psychiatry, AI-assisted violence risk assessment intersects with mental health law, particularly criteria for preventive detention and the ethical boundaries of AI-driven decisions. There have been some early concerns about racial bias, lack of transparency, accountability, and disruption to current practices in psychiatric care. To our knowledge, there have been no efforts to synthesize the ethical and legal implications for this particular use case. To address these gaps, we conducted a scoping review to map the literature on the ethical and legal considerations of AI in violence risk assessment in acute psychiatry.
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 | 0,078 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,025 | 0,016 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,004 |
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 ».