Notice bibliographique
Résumé
Clinical decision support systems are AI-based systems utilizing AI methods to assist the decision making process. In recent years, the use of clinical support systems has grown in popularity. In addition to its significant benefits in improving healthcare efficiency, it also raises several ethical questions. In this research, three case studies of real AI applications in the medical field have been investigated. The first one is PainChek®, an AI pain assessment tool utilized in Australian residential care. It is helpful for people, especially those who are not able to speak, to express their pain levels, but issues such as transparency, security, and accuracy are raised. The second example is IDx-DR, an FDA-approved automated method for identifying retinopathy in diabetic patients. Even while it can lower costs, there are still some issues with data management transparency, possible risks, and consequences on human specialists. The last case study discusses a hospital’s deployment of an AI-assisted end-of-life system. Although the system can boost physicians’ confidence and lower treatment costs by improving resource allocation, its shortcomings include bias and trust. To address those challenges, a framework has been developed for tracking ethical dilemmas that arise when developing machine learning models for medical applications. The framework combines policy regulation with model implementation processes. This framework aims to help the AI-based clinical system become more transparent and responsible, enhancing the effectiveness of clinical treatment as well as minimizing ethical risks.
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 | 0,189 | 0,273 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,028 |
| Communication savante | 0,021 | 0,017 |
| Science ouverte | 0,004 | 0,013 |
| Intégrité de la recherche | 0,017 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».