Regulation of Artificial Intelligence in Healthcare – A Global View
Notice bibliographique
Résumé
As artificial intelligence (AI) becomes a cornerstone of healthcare and medicine, the global focus has shifted from innovation to regulation. Across the world, efforts to regulate AI are rapidly evolving as governments and legal systems struggle to keep pace with the advances and novel applications of AI in healthcare. To support regulators and stakeholders in this task, we have examined and evaluated global AI regulatory frameworks focusing on the efforts of international organizations (WHO, EU) and individual nations (USA, UK, Australia, and Canada) to analyze the progress made in this area. While stakeholders are advancing legislation to guide AI development and deployment, gaps persist in implementation, oversight, and long-term monitoring, especially within the healthcare sector. Despite competing economic and political realities, the dilemma between centralized and decentralized policies continues to define international efforts. However, ethical standards must guide regulation, ensuring flexible yet principled frameworks that strike a balance between autonomy and human oversight. As patient data increasingly fuels AI systems, ensuring data security and patient privacy is paramount. Regulatory fragmentation, medico-legal uncertainty, and a lack of uniform best practices challenge the safe and equitable use of AI technologies. Key concerns include preserving patient autonomy, ensuring transparency, managing bias, securing data, and maintaining human oversight in medical decision-making. We suggest that future regulatory efforts be built on collaboration between stakeholders around the globe and concentrate on providing good governance, enhancing patient safety and ensuring the responsible use of AI in healthcare and medicine.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».