Notice bibliographique
Résumé
While artificial intelligence (AI) has the potential to improve healthcare delivery and outcomes for all individuals, including women, there are several areas where gender disparities persist, and AI may be involved in mitigating or exacerbating them. Amid the ever-increasing pervasiveness of AI in the health sector, it is imperative to examine how AI intersects with gender disparities in health outcomes globally, especially in the early adopter countries. Gender disparities in health outcomes are a crucial concern that gets manifested in differences in health status, access to healthcare, and health-related experiences between men and women. Gender disparities in health outcomes highlight unequal distributions of health resources, opportunities, and risks based on gender. This study looked at how investments in healthcare that uses AI affect the health outcomes of women in early adopter countries (the United States, the United Kingdom, Canada, France, Germany, China, Japan, and Israel) between 2014 and 2023. Multivariate analysis of variance (MANOVA) was used to assess the cumulative effect of AI investments on health outcomes of women. The study found that the F-value (4.139) is low and not statistically significant (p = 0.376), highlighting the fact that even in early adopter countries, investments in biotechnology, pharmaceuticals, and healthcare AI do not have a statistically substantial bearing on the overall health outcomes for women, making gender disparity in the countries. These findings show that in order to guarantee quantifiable and significant gains in health outcomes, AI investments in healthcare must take a more focused and evidence-based approach.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».