Abstract
Med den stigende integration af kunstig intelligens (AI) i sundhedsforskningen er der behov for at udvide de nuværende kvalitetsvurderingsværktøjer for at sikre en helhedsorienteret vurdering af metodisk kvalitet. Traditionelle værktøjer som CASP og JBI er nyttige, men adresserer sjældent AI-specifikke udfordringer.
AI-applikationer i sundhed indebærer særlige vurderingspunkter, herunder valg af modeltype og læringsmetode, vurdering af præstation, bias i træningsdata samt spørgsmål om datasikkerhed, etik og klinisk relevans. Disse områder kræver særlig opmærksomhed for at sikre metodisk pålidelighed og etisk forsvarlighed.
De vedhæftede spørgsmål kan anvendes som supplement til kvalitetsvurdering af videnskabelige artikler, der omhandler AI, og dækker centrale områder som modeltype, generaliserbarhed, bias, etik, datasikkerhed og implementering.
AI-applikationer i sundhed indebærer særlige vurderingspunkter, herunder valg af modeltype og læringsmetode, vurdering af præstation, bias i træningsdata samt spørgsmål om datasikkerhed, etik og klinisk relevans. Disse områder kræver særlig opmærksomhed for at sikre metodisk pålidelighed og etisk forsvarlighed.
De vedhæftede spørgsmål kan anvendes som supplement til kvalitetsvurdering af videnskabelige artikler, der omhandler AI, og dækker centrale områder som modeltype, generaliserbarhed, bias, etik, datasikkerhed og implementering.
| Original language | Danish |
|---|---|
| Publication date | 1 Nov 2024 |
| Publication status | Published - 1 Nov 2024 |
Cite this
- APA
- Author
- BIBTEX
- Harvard
- Standard
- RIS
- Vancouver