本文探讨了机器学习人工智能系统在公共部门决策的应用场景中的评估与解释的问题，提出了多种解决策略以促进AI/ML技术在公共领域的更广泛采用。

Sep, 2018

本研究设计了一个可视化面板来监测和预防肥胖症，并通过UPHO系统结合机器学习和语义学来解释、推理和预测其发病机制，证明了贫困、缺乏体育锻炼、教育和失业是TN孟菲斯肥胖预测最重要的自变量之一。该系统的扩展功能增强了交互信息可视化，对提高医生、研究人员和卫生官员的患者和社区水平的决策提供帮助。

Jul, 2022

本研究通过15个半结构化的专家面谈，研究了数据网格概念的动机因素、相关挑战、最佳实践、商业影响和潜在典型。研究结果表明，企业专家在向联邦治理的转变、数据产品的开发、提供和维护的责任转移、数据产品模型等方面存在困难。因此，作者得到了多个最佳实践，并建议组织采用数据面料元素、观察数据产品的使用、在早期阶段取得快速成功、优先考虑小型专业团队，并提供了两个详细建议的典型。研究结果综合了业内专家的见解，并为研究人员和专业人士提供了采用数据网格的成功指南。

Feb, 2023

多学科合作的人工智能（AI）工具在医疗保健领域的发展是一个跨学科的努力，需要数据科学家、临床医生、患者和其他学科共同参与。通过对大型研究合作中13个半结构化访谈的归纳主题分析，我们的发现表明多学科合作严重影响着工作实践。参与者面临学习其他学科术语的挑战，需要调整用于与临床或患者交流的工具。大型健康数据集也对工作实践提出了一定的限制。我们确定会议是促进学科交流、知识交流和共同创造的关键平台。最后，我们讨论了数据科学和协作工具的设计影响，并提出了未来研究的建议。

Nov, 2023

为了解决人工智能系统解释信息与受影响利益相关者信息需求之间的差距，本研究通过两个算法决策场景中受访者的采访研究，提出了“XAI初学者问题库”，总结了信息需求的类别和挑战，并影响了受访者对系统风险和好处的感知.

Jan, 2024

人工智能分析在健康信息学中的应用迅速增长，并侧重于管理慢性健康状况，如糖尿病、肥胖等，面临着各种挑战，特别是在无药物干预方面由于个体情况的差异。这些差异导致了以用户为中心的研究方法，并涉及各种研究问题。本论文通过最近和当前的研究工作提供例子，并总结我们认为的下一步和一些待解决的研究问题。

Jan, 2024

利用新的数据来源和人工智能方法，研究街景图像及其对社区健康结果的影响，发现数据的健壮性和模型规范性对有效分配干预措施至关重要。

Feb, 2024

使用人工智能（AI）指导患者护理或操作过程的影响是AI模型输出、基于该输出的决策制定协议以及参与方采取必要后续行动的相互作用。斯坦福医疗保健的数据科学团队开发了一种“公平、有用和可靠AI模型（FURM）”的机制，通过进行伦理审查来识别潜在的价值不匹配，通过模拟估计有用性，通过财务预测评估可持续性，以及通过分析来确定IT的可行性，设计部署策略，并推荐前瞻性的监测和评估计划，从而实现在部署之前估计其影响效果，以及在实时研究其影响效果。我们报道了对六个AI模型指导解决方案进行的FURM评估，以评估其潜在采用性的过程，涵盖临床和操作设置，每年可能影响数十个到数万个患者。我们描述了评估过程，总结了这六个评估，并分享了我们的框架，以使他人能够进行类似的评估。在我们评估的六个方案中，有两个已进入规划和实施阶段。我们的创新贡献，包括模拟估计的有用性、量化可持续性的财务预测以及进行伦理评估的过程，以及底层方法和开源工具，可供其他医疗保健系统进行可行的候选AI解决方案评估。

Feb, 2024

以非专家的公众参与为基础，通过收集使用案例、评估风险、揭示AI发展的张力等方式，引入了Particip-AI框架以实现对AI的民主治理和风险评估，研究发现参与者的回应强调了个人生活和社会应用，显示了多样化的危害与专家评估的互补价值，还发现不发展使用案例的感知影响了参与者是否认为AI使用案例应该开发，并凸显了普通用户对技术解决主义的担忧。

Mar, 2024

本研究解决了数字健康应用中人工智能整合不足的问题，提出了一种基于人工智能和强化学习的平台，以实现针对供应链、患者管理和能力建设的适应性干预。研究表明，该平台通过实时监测和实验优化的个性化推荐，能够显著提升健康系统的绩效，尤其在资源匮乏的环境中具有更为显著的潜在影响。

Sep, 2024