EmpAIth Assurance Framework (EAF™) (Clinician-Led Governance Model for Behavioral-Health Artificial Intelligence)
Langue d'origine: Anglais
Pays
États-Unis d'Amérique
Couverture
Internationale
Nombre de sites
1
Organisation principale
Partenaires de mise en œuvre
N/A
Domaine de santé
Santé mentale
Soins de santé primaires
Promotion de la santé
Autres
Services
Télésanté
Préparation et réponse aux situations d'urgence
Technologies
Autre
Intelligence artificielle
Normes
XDS - Cross-Entreprise Document Sharing
ATNA - Audit Trail and Node Authentification
SNOMED
PII
CDA - Architecture de documents cliniques
HL7 v3
ISO 3166
ICD-11
Outils
N/A
Sources de financement
Fonds privés
Modèle économique
Autres
Frais d'utilisation / paiement à l'utilisation
Monétisation des données
Financeurs
N/A
Résumé
L'EmpAIth Assurance Framework (EAF™) est un modèle de gouvernance approuvé par l'IRB qui établit des normes cliniques, éthiques et réglementaires mesurables pour les systèmes d'intelligence artificielle dans le domaine de la santé comportementale. Développé sous la supervision du WCG IRB (Protocole CC-2025-001), l'EAF™ offre une rubrique structurée et une méthodologie d'audit pour évaluer les outils d'IA utilisés en santé mentale et en soutien psychosocial. Il s'aligne sur les exigences en matière d'éthique professionnelle et de protection des données, en intégrant les lignes directrices du NIST AI RMF (2023) et de l'EU AI Act (2024) à travers dix domaines de gouvernance auditables, tels que la validité clinique, les biais et l'équité, la détection et la réponse aux crises, ainsi que la vie privée et la confidentialité.
En introduisant une surveillance par des cliniciens agréés, l'EAF™ favorise une conception digne de confiance et humaine dans la boucle, améliorant la sécurité des utilisateurs, la réactivité culturelle et la préparation à la réglementation. Il est adapté à l'adoption par les ministères de la santé, les institutions de recherche et les développeurs à la recherche de technologies numériques de santé mentale fiables et validées par des cliniciens. Le cadre vise à mettre à l'échelle un modèle de gouvernance de l'IA dirigé par les cliniciens et approuvé par les IRB, qui met l'accent sur la sécurité, la transparence et la responsabilité dans les technologies de santé comportementale, tout en formant les examinateurs cliniques à l'échelle mondiale et en alignant les politiques sur l'éthique de l'IA et les normes de santé numérique de l'OMS. Les populations cibles comprennent les professionnels de la santé, les adultes, les adolescents et les enfants.
Mots-clés
Santé mentale
Intelligence artificielle
Santé du nouveau-né
Initiatives en matière de santé numérique
Solutions de santé numérique
Publications
EmpAIth Assurance Framework (EAF™) : Un modèle de gouvernance dirigé par les cliniciens pour l'IA dans le domaine de la santé comportementale.Insights - Leçons apprises
Défis
• Absence de cadres d'audit de l'IA de niveau clinique : au moment de la mise en œuvre, il existait peu d'outils de gouvernance normalisés ou validés pour l'IA appliquée à la santé comportementale, ce qui a posé des difficultés pour l'analyse comparative et l'alignement sur les attentes réglementaires mondiales. • Variabilité technique entre les systèmes d'IA : les outils d'IA appliqués à la santé comportementale varient considérablement en termes d'architecture, de sources de données et de maturité des modèles, ce qui a nécessité une logique de notation adaptable et des processus d'évaluation flexibles. • Connaissance limitée de la gouvernance de l'IA par les parties prenantes : De nombreux cliniciens, administrateurs et décideurs n'avaient qu'une expérience limitée des processus structurés d'audit de l'IA, ce qui a nécessité des explications supplémentaires, des formations et un renforcement des capacités. • Évolution du paysage réglementaire : les changements rapides au sein du NIST, de la loi européenne sur l'IA et des recommandations de l'OMS ont nécessité des mises à jour continues afin de maintenir le cadre en conformité avec les normes les plus récentes. • Sensibilité des données relatives à la santé mentale : les données psychologiques et comportementales présentent des risques éthiques accrus, ce qui nécessite des mesures rigoureuses de protection de la vie privée, de la sécurité et de la confidentialité lors de la validation.
Culture numérique
Autre (Défis techniques)
Confidentialité et sécurité des données
Obstacles politiques, réglementaires et de conformité
Recommandations
Facteurs d'influence positifs : • La supervision par le comité d'éthique (IRB) et la méthodologie structurée (WCG IRB CC-2025-001) ont renforcé la confiance, la transparence et l'adhésion parmi les premiers utilisateurs. • Le développement mené par des cliniciens a renforcé la confiance des utilisateurs, garantissant que les critères étaient alignés sur les besoins réels en matière de soins et de sécurité. • Une documentation transparente et des pratiques scientifiques ouvertes (DOI Zenodo) ont accéléré l'examen externe et la citation, favorisant ainsi l'évolutivité et la reproductibilité. • L'alignement sur les normes internationales (NIST AI RMF, Loi européenne sur l'IA, principes directeurs de l'OMS) a facilité une intégration rapide dans l'ensemble des écosystèmes de santé. Recommandations : • Investir dans le renforcement des capacités des cliniciens et des parties prenantes afin de garantir une adoption sûre et éclairée des systèmes d'IA dans le domaine de la santé mentale et comportementale. • Maintenir un processus de gouvernance mis à jour en continu afin de rester en phase avec l'évolution des réglementations internationales et des attentes en matière de sécurité. • Appliquer l'EAF™ comme outil d'audit réutilisable pour les hôpitaux, les programmes de santé numérique et les organisations mondiales de santé afin de renforcer l'assurance qualité. • Promouvoir les pratiques scientifiques ouvertes en associant chaque audit à une documentation transparente, une méthodologie reproductible et des documents complémentaires accessibles au public. • Donner la priorité aux systèmes d'IA à haut risque (santé comportementale, détection des crises, populations vulnérables) afin de maximiser l'impact immédiat sur la sécurité.
Recommandations
Projets utilisant des services similaires
Projets axés sur des sujets similaires
Projects with similar insights
Des questions supplémentaires?
iDHA (ID du projet)
ykjoan
Liens du projet
https://empaith.comOrigine de l'information
Rapport de publication
Lien de la source de données
https://doi.org/10.5281/zenodo.17489429Ajouté à la plateforme le
2025-11-13
Éditeurs du projet
Dernière mise à jour par
Alexis Baudin on 2025-11-19
Nombre de vues
55
Classifications de l'OMS




