Ecolonical Notes Series: Data, Innovation & Policy

There is a newer version of the record available.

Published July 15, 2023 | Version v1
Other Open

AI in Healthcare: Transformative Innovations, Trends, and Ethical Considerations (2014 - 2023)

Authors/Creators

Description

This note synthesises key developments in the use of artificial intelligence (AI) in healthcare over the 2014–2023 period, with emphasis on clinical applications and governance constraints. It reviews advances in machine learning for diagnosis and prognosis, predictive analytics for personalised medicine, natural language processing for clinical text mining, and computer vision for medical imaging. The discussion highlights the statistical and data science foundations required for robust development and evaluation, including external validation, calibration, subgroup assessment, and monitoring for dataset shift.


Methodologically, the synthesis is informed by a structured search in the Web of Science Core Collection (conducted 21 May 2023), targeting English-language review articles (publication years 2020–2023) and complemented by foundational works widely cited in the field.


Findings indicate that AI systems can improve diagnostic precision and operational efficiency when embedded within accountable clinical workflows. However, adoption is constrained by persistent challenges related to explainability, interoperability, bias, privacy protection, and institutional governance. The note concludes that AI should be treated as clinical augmentation under human oversight, with transparent governance and rigorous evaluation as prerequisites for sustainable deployment.

Keywords: artificial intelligence in healthcare; machine learning; predictive analytics; natural language processing; medical imaging; health data governance.

Abstract (French)

Cette note propose une synthèse structurée des évolutions majeures de l’intelligence artificielle (IA) en santé sur la période 2014–2023, en articulant applications cliniques et contraintes de gouvernance. Elle examine les avancées en apprentissage automatique pour le diagnostic et le pronostic, en analytique prédictive pour la médecine personnalisée, en traitement automatique du langage naturel pour l’extraction d’informations à partir des dossiers cliniques, ainsi qu’en vision par ordinateur pour l’imagerie médicale. L’analyse met en évidence les fondements statistiques et de science des données nécessaires à la robustesse des modèles (validation externe, calibration, analyses par sous-groupes, surveillance des dérives de données).

Sur le plan méthodologique, la synthèse s’appuie sur une requête structurée dans Web of Science Core Collection (21 mai 2023) visant des articles de revue en anglais (années 2020–2023), complétée par des travaux de référence largement cités.


Les résultats suggèrent que l’IA peut renforcer la précision diagnostique et l’efficacité opérationnelle lorsqu’elle est intégrée à des processus cliniques responsables. Toutefois, la généralisation des usages demeure limitée par l’explicabilité, l’interopérabilité, les biais, la protection des données et les exigences de gouvernance. La note conclut que l’IA doit être envisagée comme un outil d’augmentation clinique sous supervision humaine, conditionnée par une évaluation rigoureuse et une gouvernance transparente.

Mots-clés : intelligence artificielle en santé; apprentissage automatique; analytique prédictive; TALN; imagerie médicale; gouvernance des données de santé.

Abstract (Spanish)

Esta nota ofrece una síntesis estructurada de los principales avances del uso de la inteligencia artificial (IA) en salud durante 2014–2023, con énfasis en aplicaciones clínicas y requisitos de gobernanza. Se revisan progresos en aprendizaje automático para diagnóstico y pronóstico, analítica predictiva para medicina personalizada, procesamiento del lenguaje natural para minería de texto clínico y extracción de información, y visión por computador para análisis de imágenes médicas. El texto subraya los fundamentos estadísticos y de ciencia de datos necesarios para el desarrollo y la evaluación robusta de modelos, incluyendo validación externa, calibración, análisis por subgrupos y monitoreo de cambios en los datos (dataset shift).


Metodológicamente, la síntesis se apoya en una búsqueda estructurada en Web of Science Core Collection (21 de mayo de 2023), centrada en artículos de revisión en inglés (años 2020–2023), complementada con literatura fundacional ampliamente citada.


Los hallazgos indican que los sistemas de IA pueden mejorar la precisión diagnóstica y la eficiencia operativa cuando se integran en flujos clínicos con rendición de cuentas. Sin embargo, su adopción sostenible está condicionada por desafíos persistentes de explicabilidad, interoperabilidad, sesgos, privacidad y gobernanza institucional. Se concluye que la IA debe entenderse como una tecnología de augmentación clínica bajo supervisión humana, sustentada en evaluación rigurosa y gobernanza transparente.

Palabras clave: inteligencia artificial en salud; aprendizaje automático; analítica predictiva; procesamiento del lenguaje natural; imágenes médicas; gobernanza de datos de salud.

Files

Ecolonical_Notes__Data__Innovation___Policy__July_2023.pdf

Files (144.5 kB)

Additional details

Related works

Is part of
Other: https://ecolonical.org/ai-in-healthcare/ (URL)
Other: https://ecolonical.org/notes/ (URL)

References

  • Beam, A. L., & Kohane, I. S. (2018). Big data and machine learning in health care. JAMA, 319(13), 1317–1318. https://doi.org/10.1001/jama.2017.18391
  • Chen, J. H., Asch, S. M., & Mathur, M. (2017). Machine learning and prediction in medicine—beyond the peak of inflated expectations. New England Journal of Medicine, 376(26), 2507–2509. https://pubmed.ncbi.nlm.nih.gov/28657867/
  • Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115–118. https://doi.org/10.1038/nature21056
  • Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., … Daly, E. J. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA, 316(22), 2402–2410. https://doi.org/10.1001/jama.2016.17216
  • Liao, K. P., Cai, T., Savova, G. K., Murphy, S. N., & Karlson, E. W. (2015). Development of phenotype algorithms using electronic medical records and incorporating natural language processing. BMJ, 350, h1885. https://doi.org/10.1136/bmj.h1885
  • Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., … Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60–88. https://doi.org/10.1016/j.media.2017.07.005
  • Miotto, R., Wang, F., Wang, S., Jiang, X., & Dudley, J. T. (2017). Deep learning for healthcare: Review, opportunities, and challenges. Briefings in Bioinformatics, 19(6), 1236–1246. https://doi.org/10.1093/bib/bbx044
  • Obermeyer, Z., & Emanuel, E. J. (2016). Predicting the future—big data, machine learning, and clinical medicine. New England Journal of Medicine, 375(13), 1216–1219. https://www.nejm.org/doi/10.1056/NEJMp1606181
  • Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347–1358. https://www.nejm.org/doi/10.1056/NEJMra1814259
  • Rajpurkar, P., Irvin, J., Ball, R. L., Zhu, K., Yang, B., Mehta, H., … Langlotz, C. P. (2018). Deep learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt algorithm to practicing radiologists. PLOS Medicine, 15(11), e1002686. https://doi.org/10.1371/journal.pmed.1002686
  • Saria, S., & Goldenberg, A. (2015). Subtyping: What it is and its role in precision medicine. IEEE Intelligent Systems, 30(4), 70–75. https://doi.org/10.1109/MIS.2015.60