Bridging accountability and innovation: key findings from the Health AI Systems Thinking for Community (HASTC) workshop
Notice bibliographique
Résumé
Artificial intelligence (AI) is transforming healthcare, but its rapid deployment raises concerns about equity, transparency, and accountability. Without proper oversight, these systems can reinforce biases, disproportionately affecting marginalized communities. Current regulations and policies fail to fully address these risks, making proactive safeguards essential to prevent systemic health inequities. To address these challenges, we organized the Health AI Systems Thinking for Community (HASTC) workshop at the University of Toronto (October 2024). This cross-disciplinary workshop convened 66 participants from post-secondary, healthcare, and nonprofit sectors to collaboratively discuss the management of AI harm in healthcare. Participants, guided by mentors, analyzed real-world cases of algorithmic bias, privacy risks, and unintended consequences of AI-assisted decision-making. Semi-structured discussions within groups focused on accountability, transparency, and fairness. Through structured discussions, participants identified worst-case scenarios and proposed safeguards at different levels, with implications toward government regulations, institutional policies, and healthcare practices. Key findings emphasized the need for adaptive, context-specific regulations and discussions to ensure responsible AI use in healthcare. There is a need for ongoing dialogue and reflection. By integrating community-driven advocacy and interactive learning, HASTC highlights the importance of creating AI systems that are fair, accountable, and transparent, to benefit all patients, not just a privileged few.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».