静态算法、演化中的疫情：理解人类-人工智能风险评估在支持区域药物过量防治中的潜力
人机交互
2025-02-18 v1
摘要
药物过量死亡（包括因处方阿片类药物导致的死亡）是美国乃至全球范围内的紧急公共卫生问题。虽然已开发并部署了人工智能（AI）方法以帮助处方医生评估患者因药物过量可能导致的死亡风险，但尚不清楚公共卫生专家能否利用类似的预测来更有效地制定当地资源配置决策。本文我们评估了AI驱动的药物过量风险评估如何用于 Inform local public health decisions（Inform local public health decisions）的原型系统。来自三个不同规模和地理位置的健康部门专家普遍认可算法风险预测和使用AI增强可视化将数据来源连接起来的潜在益处。然而，他们也关切是否匹配风险预测模型的表述及其 underlying data（底层数据）与其在特定地区不断演变的疫情状况。我们的发现扩展了其他关于公共部门算法系统的研究，并为未来人类-人工智能协作工具在支持当地、随时间变化情境下的决策提供了机遇。
引用
@article{arxiv.2502.10542,
title = {Static Algorithm, Evolving Epidemic: Understanding the Potential of Human-AI Risk Assessment to Support Regional Overdose Prevention},
author = {Venkatesh Sivaraman and Yejun Kwak and Courtney Kuza and Qingnan Yang and Kayleigh Adamson and Katie Suda and Lu Tang and Walid Gellad and Adam Perer},
journal= {arXiv preprint arXiv:2502.10542},
year = {2025}
}
备注
To appear at CSCW 2025