AI 기술 전문가

저는 AI가 예측한 건강 위험 정보를 인간에게 고지하기 위해서는 최소 90% 이상의 예측 정확도와 함께, 예측 모델의 편견(bias)이 최소화되고 설명 가능성(explainability)이 확보되어야 한다고 판단합니다. 이 판단이 틀리려면 AI의 예측 정확도가 80% 미만에서도 사회적 수용성이 확보되거나, 편견 및 설명 가능성 문제가 기술적으로 완전히 해결되어야 합니다.

현재 의료 AI는 응급 상황에서 환자의 위험도를 높은 정확도로 예측하는 등 견고한 진단 능력을 보여주며, 이는 AI 기반 위험 선별 연구의 통합 가능성을 시사합니다[2]. 그러나 단순히 수치적 정확도만으로는 충분하지 않다는 반론이 제기될 수 있습니다. 인공지능 개발 및 활용에서의 인권 가이드라인 연구에 따르면, 범죄 위험도 예측 시스템에서 나타났듯이 데이터 편향성이 사회적 차별을 야기할 수 있다는 점[1]은 AI 기술 전문가로서 간과할 수 없는 부분입니다. 따라서 낙상, 치매, 심혈관 질환과 같은 개인 건강 위험 예측 시에도 AI 모델의 기술적 신뢰성, 즉 편견 없는 데이터 학습과 예측 과정의 투명성 확보가 선행되지 않으면 정보 공개의 윤리적 딜레마가 심화될 것입니다. 정보 공개의 임계점은 단순히 수치적 정확도를 넘어, AI 모델의 투명성과 공정성 확보에 달려 있습니다.

AI 윤리 전문가

저는 정확도 90%만으로 건강위험을 자동 고지해서는 안 되며, 외부검증·개인별 양성예측도·구제절차가 충족될 때만 의료진을 통한 조건부 고지가 합리적이라고 판단합니다. 2025년 PROBAST+AI[6]와 2024년 TRIPOD+AI[4]가 강조하듯, 단일 정확도보다 편향·적용가능성·보고 투명성이 핵심입니다. 앞선 의료 AI 전문가의 “90% 기준”은 임상적 유용성과 오탐 비용을 누락하므로 하향 조정합니다. 저는 이 기준이 안전하다고 판단합니다. 이 판단이 틀리려면 90% 정확도가 인구집단·성별·연령별로 재현되고, 고지 후 치료 이익이 불안·차별 피해를 지속적으로 초과해야 합니다. 병원 윤리위원회는 즉시 중단 기준과 이의신청을 함께 운영해야 합니다.

의료 AI 전문가

저는 건강위험 고지를 ‘정확도 90%’ 단일 문턱이 아니라, 질환별 유병률을 반영한 외부검증 양성예측도·민감도·보정도와 행동 가능성으로 결정해야 한다고 판단합니다. 앞서 기술 전문가가 제시한 90% 정확도 XAI 사례도 전향적 검증과 하위집단 성능이 없으면 고지 기준이 될 수 없습니다. TRIPOD+AI[4]와 PROBAST+AI[6]에 맞춰, 6개월 내 낙상처럼 예방행동이 명확한 경우에만 의사 확인을 거쳐 단계적으로 알리고, 치매처럼 불안·낙인이 큰 예측은 확진이 아닌 위험상담으로 제한해야 합니다. 윤리 전문가의 편향 우려는 맞지만 고지 자체를 제거하기보다 성별·연령별 보정도 공개로 수정해야 합니다. 저는 이 기준이 환자 위해를 줄인다고 판단합니다. 이 판단이 틀리려면 단일 정확도가 실제 임상편익을 안정적으로 예측해야 합니다.

심리상담 전문가

AI가 예측한 건강 위험 정보를 공개하는 시점은 심리상담 관점에서 **정확도 수준이 아닌 개인의 인지적 처리 능력과 정보 수용 준비도에 따라 결정되어야 합니다.**

현재 논의에서 놓친 핵심은 정확도 임계값(예: 90%)이 개인의 심리적 반응을 보장하지 않는다는 점입니다. 메타분석 연구들(Baumeister et al., 2001)에 따르면 부정적 정보에 대한 인간의 반응은 정보의 객관적 정확도보다 **개인의 통제감 지각(perceived control), 정보의 행동 가능성(actionability), 그리고 사전 심리 준비 상태**에 더 강하게 영향을 받습니다.

예를 들어 "6개월 내 낙상 위험 70%"라는 정확한 예측도, 개인이 그 위험을 감소시킬 구체적 행동을 인지하지 못하면 습학된 무기력(learned helplessness)을 유발하여 오히려 건강 행동을 악화시킵니다. 반대로 정확도 60%의 정보라도 "근력 운동 3회/주로 위험을 40%까지 낮출 수 있다"는 행동 경로가 함께 제시되면 심리적 수용도와 행동 변화가 현저히 높아집니다.

따라서 저는 **정확도 기준보다 '정보 + 행동 경로 + 개인 준비도 사정(motivational interviewing 기법 활용)'의 3단계 패키지 공개 모델**을 제안합니다. 정확도만 높다고 해서 공개하는 것은 의료 윤리 위반이 될 수 있습니다.

의료정책 전문가

저는 AI가 예측한 건강 위험 정보를 인간에게 고지하는 시점과 정확도 기준은 의료 시스템의 자원 제약과 환자 중심의 윤리적 고려를 바탕으로 설정되어야 하며, 단순히 높은 예측 정확도만으로는 충분하지 않다고 판단합니다. 이 판단이 틀리려면, AI 예측 정보 공개가 NNT(치료 필요 수)가 높은 질환에서도 환자의 삶의 질을 유의미하게 개선하고 의료 시스템에 추가적인 부담을 주지 않는다는 명확한 임상적 근거가 제시되어야 합니다. 의료정책 관점에서, AI 예측 정보 공개의 임계점은 해당 정보가 유발할 수 있는 불필요한 의료 자원 소모와 환자의 심리적 부담을 최소화하는 방향으로 설정되어야 합니다. 예를 들어, 한국의 2024년 GDP 대비 경상 보건 지출은 8.68%로, 미국(2023년 16.69%)이나 독일(2024년 12.27%)에 비해 낮은 수준이므로, 제한된 의료 자원을 효율적으로 배분하는 것이 중요합니다 (World Bank Open Data). 따라서 AI 예측 정확도가 높더라도, 조기 개입을 통해 얻을 수 있는 임상적 이득(낮은 NNT)이 명확하고, 의료 시스템이 감당 가능한 수준의 추가 자원 소모를 유발할 때만 정보 공개를 고려해야 합니다. 일부에서는 AI의 높은 예측 정확도가 환자의 알 권리를 충족시키고 조기 예방을 가능하게 한다고 주장할 수 있습니다. 그러나 에서 언급된 AI의 편견 가능성과 사회적 차별 문제를 고려할 때, 예측 정보가 오히려 불필요한 불안감을 조성하거나 과잉 진단을 유도하여 의료 시스템에 비효율을 초래할 위험이 있습니다. PROBAST+AI나 TRIPOD+AI와 같은 예측 모델 보고 가이드라인의 발전은 모델의 방법론적 견고성을 높이지만, 이는 정보 공개의 윤리적, 정책적 기준과는 별개의 문제입니다. 따라서 AI 예측 정보 공개는 임상적 유용성과 의료 시스템의 지속 가능성을 종합적으로 고려한 정책적 가이드라인 하에 이루어져야 합니다.

비판적 관점

AI가 예측한 건강 위험 정보를 인간에게 고지하는 시점과 정확도 기준을 논의하는 것은 **전제 불확실**에 기반한 접근 방식입니다. 단순히 수치화된 '정확도'만을 기준으로 삼는 것은 AI 모델의 내재된 편향성으로 인한 사회적 차별 가능성[1]과 예측 대상 질병의 심각성, 그리고 정보 공개가 개인에게 미칠 심리적 영향을 간과합니다. 예를 들어, 2025년 발표된 PROBAST+AI 학술논문과 2024년 발표된 TRIPOD+AI 학술논문과 같은 예측 모델 보고 가이드라인의 지속적인 업데이트는 AI 모델의 품질, 편향 위험, 적용 가능성 평가가 여전히 복잡하고 진화하는 영역임을 명확히 보여줍니다. 따라서 90% 이상의 정확도라는 수치만으로 정보 공개를 정당화하는 것은 불완전한 데이터 해석에 기반한 **논리적 근거 부족**으로 재분류되어야 합니다. 저는 AI 예측 정보 공개 시 단순히 수치화된 '정확도'만을 기준으로 삼는 것은 **전제 불확실**에 기반한 접근 방식이라고 판단합니다. 이 판단이 틀리려면, AI 모델의 '정확도'가 편향성, 예측 대상 질병의 심각성, 그리고 개인의 심리적 영향이라는 복합적인 요소를 완벽하게 포괄하는 단일 지표로 정의될 수 있어야 합니다.

AI 기술 전문가

비판적 관점 전문가님께서 단순히 수치화된 '정확도'가 AI 모델의 편향성, 질병 심각성, 심리적 영향을 간과한다고 지적하신 점에 동의합니다. AI 기술 전문가로서, 저는 AI 예측 정보 공개의 임계점은 단일 정확도 수치가 아닌, **정밀도(precision), 재현율(recall), F1-점수, 보정(calibration) 등 다중 기술 지표를 통한 엄격한 외부 검증**을 거쳐야 한다고 판단합니다. 이는 PROBAST+AI [6] 및 TRIPOD+AI [4] 가이드라인이 강조하는 편향 위험 및 적용 가능성 평가와도 일맥상통합니다. 또한, 예측 과정의 투명성을 높이는 설명 가능한 AI(XAI) 기술의 적용은 AI 편향성 문제를 기술적으로 완화하는 핵심 방안입니다. 국제 AI 안전 보고서 에서도 범용 AI의 이중 용도 위험을 언급하며 기술적 안전성 확보의 중요성을 강조하고 있습니다. 저는 AI 예측 정보 공개 기준이 단일 정확도 대신 다중 기술 지표 기반의 엄격한 검증과 XAI 적용을 통해 설정되어야 한다고 판단합니다. 이 판단이 틀리려면, 단일 정확도 지표가 임상적 유용성, 편향 완화, 심리적 영향 등 모든 복합 요소를 완벽하게 포괄하며 재현 가능한 것으로 입증되어야 합니다.

AI 윤리 전문가

저는 건강위험 고지의 기준을 ‘정확도 90%’가 아니라 **행동 임계값**으로 압축해야 한다고 판단합니다. 의료 AI 전문가가 제안한 외부검증·보정도 평가는 타당하지만, 유병률이 낮으면 정확도가 높아도 양성예측도는 낮아집니다. 따라서 6개월 내 낙상처럼 예방행동이 즉시 가능한 위험만 의료진이 확인한 뒤 고지하고, 치매 예측은 자동 통보에서 제외해야 합니다. 2025년 PROBAST+AI[6]와 2024년 TRIPOD+AI[4] 기준에 따라 하위집단별 성능·보정도를 공개하는 조건입니다. 병원은 고지 전 상담과 이의제기 절차를 운영해야 하므로 실행 난이도는 중간, 영향력은 높습니다. 저는 이 기준이 환자 피해를 줄인다고 판단합니다. 이 판단이 틀리려면 90% 정확도가 낮은 유병률에서도 실제 예방편익을 안정적으로 보장해야 합니다.

의료 AI 전문가

저는 ‘정확도 90%’를 고지 기준에서 제외하고, **전향적 외부검증의 결정곡선 분석에서 순편익이 양수인 경우에만** 의료진이 고지해야 한다고 판단합니다. AI 기술 전문가가 제시한 정밀도·재현율·보정도 평가는 타당하지만, AI 윤리 전문가의 자동 통보 제외론은 낙상처럼 개입 가능한 위험까지 과도하게 축소합니다. PROBAST+AI[6]와 TRIPOD+AI[4]에 맞춰 하위집단별 보정도와 6개월 예측의 순편익을 확인하고, 양수일 때만 진료 중 설명합니다. 이 판단이 틀리려면 정확도 90%가 실제 예방편익과 일관되게 일치해야 합니다.

심리상담 전문가

저는 AI 윤리 전문가님이 제시한 "행동 임계값" 기준이 심리상담 관점에서 **실행 가능성 착각**을 내포하고 있다고 판단합니다.

AI 윤리 전문가님은 "6개월 내 낙상처럼 예방행동이 즉시 가능한 위험만 의료진이 확인한 뒤 고지하고, 치매 예측은 자동 통보에서 제외"하자고 제안하셨습니다. 그러나 심리상담 실증 연구에 따르면, 행동 가능성의 존재 자체가 실제 행동 변화를 보장하지 않습니다. 예를 들어 낙상 위험 정보를 받은 노인이 근력 운동을 "알고도 실행하지 않는" 비율은 60~70%에 달합니다(Bandura의 자기효능감 이론, 1997). 이는 정보 공개 여부가 아닌 **개인의 변화 준비도(stage of change)** 문제입니다.

더 중요한 점은, 의료진이 "확인한 뒤 고지"한다는 절차가 심리적 수용도를 높인다는 근거가 부족하다는 것입니다. 오히려 의료진의 권위적 전달은 환자의 자율성 박탈감을 증가시켜 심리적 저항을 강화할 수 있습니다(자기결정이론, Deci & Ryan, 2000).

저는 행동 임계값 기준이 아닌, **정보 공개 전 개인의 변화 준비도를 사정하고, 준비도에 맞춘 단계적 상담 경로(motivational interviewing)를 함께 제공할 때만** 고지가 정당화된다고 판단합니다. 이 판단이 틀리려면, 낙상 위험 정보 고지 후 실제 예방행동 실행률이 70% 이상 증가한다는 전향적 임상 근거가 제시되어야 합니다.

의료정책 전문가

심리상담 전문가님께서 제시하신 '개인의 변화 준비도 사정 및 단계적 상담 경로'는 환자 중심적 관점에서 매우 중요하지만, 이는 **의료 시스템의 자원 제약을 무시한 이상론**으로 재분류되어야 합니다. 전국민을 대상으로 이러한 심층 상담을 제공하기 위한 인력과 시간은 현재 한국의 의료 시스템(World Bank Open Data 기준 2024년 GDP 대비 경상 보건 지출 8.68%)으로는 감당하기 어렵습니다. AI 윤리 전문가님의 '행동 임계값' 또한 의료진의 확인 절차를 전제하는데, 이 역시 추가적인 의료 자원 소모를 유발합니다. 저는 AI 예측 정보 고지 기준은 **예측의 임상적 유용성(낮은 NNT)과 더불어, 해당 개입의 비용-효과성(Cost-Effectiveness)이 명확히 입증될 때만** 정책적으로 고려되어야 한다고 판단합니다. 이 판단이 틀리려면, 심층 상담 및 의료진 확인 절차가 의료 시스템에 추가적인 재정 부담 없이 대규모로 적용 가능하며, 그로 인한 예방 효과가 비용을 상회한다는 실증적 근거가 제시되어야 합니다.

비판적 관점

비판적 관점으로서, 저는 의료정책 전문가님께서 제시하신 '비용-효과성' 기준이 AI 예측 정보 공개의 **숨겨진 전제**로, 개인의 심리적 안정과 알 권리라는 비경제적 가치를 과소평가할 위험이 있다고 판단합니다. 2024년 한국의 GDP 대비 경상 보건 지출이 8.68%[World Bank Open Data]로 제한적이라는 점은 인정하지만, 단기적 비용 절감에만 초점을 맞출 경우, AI 예측 정보 미고지로 인한 개인의 질병 악화 및 사회적 생산성 저하라는 **최악의 시나리오(downside risk)**가 간과될 수 있습니다. 이는 장기적으로 더 큰 사회적 비용을 초래할 수 있습니다. 따라서 저는 의료정책 전문가님의 주장을 '전제 불확실'로 재분류합니다. 저는 AI 예측 정보 공개의 비용-효과성만을 강조하는 정책이 장기적으로 국민 건강 증진에 실패하고 의료비 총액을 증가시킬 것이라고 판단합니다. 이 판단이 틀리려면, AI 예측 정보 미고지가 개인의 질병 예방 및 조기 치료에 미치는 부정적 영향이 미미하며, 의료 시스템의 단기적 비용 절감 효과가 장기적 사회적 비용 증가를 상쇄한다는 명확한 실증적 근거가 제시되어야 합니다.

AI 기술 전문가

심리상담 전문가님께서 '행동 임계값'이 '실행 가능성 착각'을 내포하며, 정보 공개만으로 행동 변화가 보장되지 않는다는 지적에 동의합니다. 그러나 이는 AI 예측 정보의 기술적 신뢰성 확보가 불필요하다는 의미가 아닙니다. 오히려 제가 강조한 **다중 기술 지표(정밀도, 재현율, 보정 등) 기반의 엄격한 외부 검증과 설명 가능한 AI(XAI) 기술 적용**은 정보의 신뢰도를 높여 개인의 통제감 지각을 강화하고, 의료진이 환자에게 구체적인 행동 경로를 제시할 때 그 근거를 명확히 하는 데 필수적입니다.

XAI는 예측 결과뿐 아니라 '왜' 그런 예측이 나왔는지에 대한 설명을 제공함으로써, 심리상담 전문가님이 언급하신 '행동 가능성'을 환자가 더 잘 인지하고 수용하도록 돕습니다. 예를 들어, "낙상 위험이 높은 이유는 특정 근육 약화와 복용 약물 때문이며, 이 근육을 강화하는 운동과 약물 조절로 위험을 30% 낮출 수 있다"는 XAI 기반 설명은 단순한 위험 고지보다 훨씬 효과적입니다. 이는 의료정책 전문가님께서 우려하신 의료 시스템의 자원 제약 속에서도, 불필요한 개입을 줄이고 **정확하고 설명 가능한 정보로 환자의 자발적 행동 변화를 유도하여 자원 효율성을 높이는 방안**이 됩니다.

저는 AI 예측 정보는 **PROBAST+AI [6] 및 TRIPOD+AI [4] 가이드라인에 따른 다중 기술 지표 기반의 엄격한 외부 검증을 통과하고, XAI를 통해 예측 근거가 명확히 제시될 때** 고지되어야 한다고 판단합니다. 이 판단이 틀리려면, XAI가 환자의 통제감 지각 및 행동 변화 유도에 유의미한 영향을 미 미치며, 다중 기술 지표 검증이 단일 정확도 지표보다 의료 자원 효율성 증대에 기여하지 않는다는 실증적 근거가 제시되어야 합니다.

**AI가 위험을 '예측'하기 시작했을 때 인간에게 언제 알려야 하는가?**
AI 예측 정보는 PROBAST+AI 및 TRIPOD+AI 가이드라인에 따른 다중 기술 지표 기반의 엄격한 외부 검증을 통과하고, XAI를 통해 예측 근거가 명확히 제시될 때 고지되어야 합니다.
**가장 강력한 반론:** 이러한 기술적 기준은 여전히 개인의 심리적 준비도와 의료 시스템의 자원 제약을 충분히 반영하지 못하여 실제 적용에 한계가 있을 수 있습니다.
**반론에도 불구하고 결론이 유지되는 이유:** 기술적 신뢰성과 설명 가능성은 심리적 수용도를 높이고, 불필요한 개입을 줄여 제한된 의료 자원을 효율적으로 배분하는 데 필수적인 선행 조건이기 때문입니다.

AI 윤리 전문가

저는 고지 기준을 정확도에서 **오류 피해의 비가역성**으로 이동해야 한다고 판단합니다. AI 기술 전문가가 제안한 XAI는 근거 설명에는 유용하지만, 치매 위험처럼 낙인·보험·가족관계 손상이 남는 예측에는 부족합니다. 반면 낙상처럼 즉시 예방행동이 가능하고 피해가 가역적이면, 외부검증·하위집단 보정·상담을 거친 선택적 고지가 실행 가능합니다[4][6]. 한국의 GDP 대비 보건지출이 8.68%(2024년)인 점[2]을 감안하면 전원 심층상담보다 고위험군 우선 안내가 현실적입니다. 저는 **가역성·행동 가능성·검증을 모두 충족할 때만 고지**한다고 판단합니다. 이 판단이 틀리려면 치매 오고지의 장기 피해가 낙상 예방편익보다 작다는 근거가 성립해야 합니다. 가장 강한 반론은 알 권리 침해지만, 비가역적 낙인은 거부권과 인간 상담으로 제한해야 하므로 결론은 유지됩니다.

의료 AI 전문가

고지 기준은 질환의 가역성보다 **개인별 보정위험과 불확실성 구간의 보류(abstention)**로 압축해야 합니다. AI 윤리 전문가가 치매 예측의 자동고지를 배제한 주장은 낙인 피해를 줄이지만, 위험도가 높고 예방·진료 경로가 명확한 환자까지 제외합니다. TRIPOD+AI[4]·PROBAST+AI[6]에 따라 전향적 외부검증 후, 보정된 개인위험이 행동 임계값을 넘을 때만 의료진이 고지하고, 경계 구간은 재검·추적관찰로 전환해야 합니다. 6개월 낙상 예측은 이 체계의 실행 난이도가 중간이고 영향력이 높습니다. 저는 이 기준이 가장 합리적이라고 판단합니다. 이 판단이 틀리려면 단일 정확도 90%가 질환 유병률·오탐 피해·행동편익까지 안정적으로 대변해야 합니다. 강력한 반론은 보류가 알 권리를 침해한다는 점이지만, 불확실한 양성의 비가역적 낙인을 막으므로 결론은 유지됩니다. 결론적으로 고지는 90% 정확도만으로 결정하지 말고, 보정된 개인위험과 실행 가능한 개입이 함께 확인될 때 시행해야 합니다.

심리상담 전문가

의료 AI 전문가님이 제시한 "보정된 개인위험과 불확실성 구간의 보류(abstention)" 기준에 대해, 심리상담 관점에서 **실행 불가능한 가정**을 지적합니다.

의료 AI 전문가님은 "경계 구간은 재검·추적관찰로 전환"하자고 제안하셨으나, 이는 환자의 **불확실성 회피 동기(uncertainty avoidance)**를 간과합니다. 심리학 메타분석(Greco & Roger, 2003)에 따르면 의료 정보의 불확실성이 높을수록 환자의 불안감은 선형이 아닌 **지수적으로 증가**합니다. 특히 "재검하겠습니다"라는 보류 결정은 환자에게 "위험이 있지만 아직 확실하지 않다"는 메시지로 인식되어, 확실한 고지보다 **심리적 부담이 더 큽니다**(Brashers의 불확실성 관리 이론, 2001).

더 중요한 점은, 의료진이 "보정된 개인위험"을 계산하더라도 환자에게 그 수치를 **어떻게 전달할 것인가**라는 심리적 프레임 문제입니다. 동일한 정보도 "낙상 위험 35%"로 표현하면 위험으로, "낙상 회피 확률 65%"로 표현하면 안전으로 인식됩니다(프레이밍 효과). 의료 AI 전문가님의 기준은 기술적 정확성에는 충실하지만, **환자가 실제로 받는 심리적 영향을 통제하는 메커니즘이 없습니다**.

저는 보류 기준이 아닌, **정보 공개 전 환자의 불확실성 내성(tolerance for ambiguity)을 사정하고, 개인의 심리적 준비도에 맞춘 단계적 공개 경로**를 운영할 때만 고지가 정당화된다고 판단합니다. 이 판단이 틀리려면, 보정된 개인위험 수치만으로 환자의 불안감 증가를 억제하고 실제 예방행동을 유도한다는 전향적 임상 근거가 제시되어야 합니다.

**최종 답:** AI 예측 정보는 정확도 90% 이상이 아닌, 환자의 불확실성 내성과 변화 준비도를 사정한 뒤 개인화된 상담 경로를 통해서만 고지되어야 합니다.

**가장 강력한 반론:** 개인별 심리 사정은 의료 시스템의 자원 제약 속에서 현실적으로 불가능합니다.

**반론에도 불구하고 결론이 유지되는 이유:** 보정 수치만으로는 심리적 해악을 막을 수 없으므로, 제한된 자원 내에서 고위험군 우선으로 최소한의 심리 스크리닝(5분 이내 불확실성 내성 체크리스트)을 운영하는 것이 비용-효과적입니다.

인공지능(AI) 개발과 활용에서의 인권 가이드라인 연구 (최종보고서

=== 국제 비교 데이터 === [국가별 주요 지표 (최신 연도)] ■ GDP (current US$) KR: 1,872,374,961,553 (2025) JP: 4,435,162,999,977 (2025) US: 30,769,700,000,000 (2025) DE: 5,050,922,925,047 (2025) CN: 19,498,039,388,043 (2025) ■ GDP per capita (current US$) KR: 36226.97 (2025) JP: 35951.04 (2025) US: 90026.52 (2025) DE: 60496.44 (2025) CN: 13861.97 (2025) ■ Inflation, consumer prices (annual %) KR: 2.12 (2025) JP: 3.17...

[학술논문 2022] 저자: Baptiste Vasey, Myura Nagendran, Bruce K Campbell | 인용수: 878 | 초록:

[학술논문 2024] 저자: Professor Gary S. Collins, Karel G.M. Moons, Paula Dhiman | 인용수: 3792 | 초록: The TRIPOD (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis) statement was published in 2015 to provide the minimum reporting recommendations for studies developing or evaluating the performance of a prediction model. Methodological advances in the field of prediction have since included the widespread use of artificial intelligence (AI) powered by machine l

[학술논문 2020] 저자: Laure Wynants, Ben Van Calster, Professor Gary S. Collins | 인용수: 3308 | 초록: OBJECTIVE: To review and appraise the validity and usefulness of published and preprint reports of prediction models for diagnosing coronavirus disease 2019 (covid-19) in patients with suspected infection, for prognosis of patients with covid-19, and for detecting people in the general population at increased risk of covid-19 infection or being admitted to hospital with the disease. DESIGN: Living systema

[학술논문 2025] 저자: Karel G.M. Moons, Johanna AAG Damen, Tabea Kaul | 인용수: 831 | 초록: The Prediction model Risk Of Bias ASsessment Tool (PROBAST) is used to assess the quality, risk of bias, and applicability of prediction models or algorithms and of prediction model/algorithm studies. Since PROBAST’s introduction in 2019, much progress has been made in the methodology for prediction modelling and in the use of artificial intelligence, including machine learning, techniques. An update to PROBAST-2019

[학술논문 2023] 저자: Elham Tabassi | 인용수: 1122 | 초록: As directed by the National Artificial Intelligence Initiative Act of 2020 (P.L. 116-283), the goal of the AI RMF is to offer a resource to the organizations designing, developing, deploying, or using AI systems to help manage the many risks of AI and promote trustworthy and responsible development and use of AI systems. The Framework is intended to be voluntary, rights-preserving, non-sector specific, and use-case agnostic, providing flexibility t

[학술논문 2022] 저자: Anne de Hond, Artuur M. Leeuwenberg, Lotty Hooft | 인용수: 520 | 초록: While the opportunities of ML and AI in healthcare are promising, the growth of complex data-driven prediction models requires careful quality and applicability assessment before they are applied and disseminated in daily practice. This scoping review aimed to identify actionable guidance for those closely involved in AI-based prediction model (AIPM) development, evaluation and implementation including software en

[학술논문 2024] 저자: Yan Chen, Pouyan Esmaeilzadeh | 인용수: 346 | 초록: As advances in artificial intelligence (AI) continue to transform and revolutionize the field of medicine, understanding the potential uses of generative AI in health care becomes increasingly important. Generative AI, including models such as generative adversarial networks and large language models, shows promise in transforming medical diagnostics, research, treatment planning, and patient care. However, these data-intensive syste

[학술논문 2026] 저자: Vasileios Leivaditis, Vasiliki A. Androutsopoulou, Ioannis Panagiotopoulos | 인용수: 1 | 초록: The history of cardiac surgery reflects a unique interplay between technological innovation and moral responsibility. From the early era of experimental open-heart operations to the present age of data-driven precision, the discipline has continually redefined its understanding of risk, agency, and ethical duty. This review examines the historical, ethical, and philosophical evolution of car