Ethical Considerations for Machine Learning Research Using Free-Text Electronic Medical Records: Challenges, Evidence, and Best Practices
Notice bibliographique
Résumé
The increasing availability of free-text components in electronic medical records (EMRs) offers unprecedented opportunities for machine learning research, enabling improved disease phenotyping, risk prediction, and patient stratification. However, the use of narrative clinical data raises distinct ethical challenges that are not fully addressed by conventional frameworks for structured data. We conducted a narrative review synthesizing conceptual and empirical literature on ethical issues in free-text EMR research, focusing on privacy, fairness, autonomy, interpretability, and governance. We examined technical methods, including de-identification, differential privacy, bias mitigation, and explainable AI, alongside normative approaches, such as participatory design, dynamic consent models, and multi-stakeholder governance. Our analysis highlights persistent risks, including re-identification, algorithmic bias, and inequitable access, as well as limitations in current regulatory guidance across jurisdictions. We propose ethics-by-design principles that integrate ethical reflection into all stages of machine learning research, emphasize relational accountability to patients and stakeholders, and support global harmonization in governance and stewardship. Implementing these principles can enhance transparency, trust, and social value while maintaining scientific rigor. Ethical integration is therefore not optional but essential to ensure that machine learning research using free-text EMRs aligns with both clinical relevance and societal expectations.
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 | 0,562 | 0,714 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,008 | 0,044 |
| Communication savante | 0,025 | 0,030 |
| Science ouverte | 0,006 | 0,016 |
| Intégrité de la recherche | 0,011 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».