Human-Centered Artificial Intelligence Framework for Overdose Mortality Surveillance, New York City, 2022‒2023.

چکیده اصلی

Objectives. To develop and evaluate human-centered artificial intelligence (AI) models that identify suspected overdose deaths using narrative reports from medicolegal death investigations and describe ethical considerations for using AI in overdose surveillance. Methods. We trained AI models using 2022-2023 data from the New York City Office of Chief Medical Examiner (OCME). Narrative death investigation reports (n = 9263) were analyzed using a 2-step pipeline that first extracted textual evidence for 18 expert-defined indicators of overdose and then predicted overdose using 2 large language model families: LLaMA-8B-Instruct and ClinicalModernBERT. Domain experts provided feedback throughout model development, and safeguards were implemented to protect confidentiality and evaluate algorithmic bias. Results. The LLaMA-8B-Instruct model achieved 88% positive predictive value (PPV), 92% sensitivity, 84% negative predictive value (NPV), 76% specificity, and 85% macro-F1. The ClinicalModernBERT model achieved 83% PPV, 92% sensitivity, 82% NPV, 67% specificity, and 81% macro-F1. Both AI models outperformed OCME's existing surveillance tool and conventional logistic regression approaches. Conclusions. Human-centered AI may support timely and accurate overdose surveillance, but responsible implementation requires expert oversight, a privacy-compliant infrastructure, and ongoing evaluation of potential bias. (Am J Public Health. 2026;116(10):1565-1574. https://doi.org/10.2105/AJPH.2026.308698).

ترجمه فارسی چکیده

هدف: توسعه و ارزیابی مدل‌های هوش مصنوعی متمرکز بر انسان برای شناسایی مرگ‌های مشکوک ناشی از تجاوز با استفاده از گزارش‌های داستانی تحقیقات پزشکی قانونی و توصیف considerations اخلاقی استفاده از هوش مصنوعی در نظارت بر تجاوز. روش‌ها: ما مدل‌های هوش مصنوعی را با استفاده از داده‌های ۲۰۲۲-۲۰۲۳ از دفتر پزشک قانونی ارشد شهر نیویورک (OCME) آموزش دادیم. گزارش‌های تحقیقاتی مرگ (n = 9263) با استفاده از یک خط لوله دو مرحله‌ای تحلیل شدند که ابتدا شواهد متنی برای ۱۸ نشانگر تعریف شده توسط متخصصان تجاوز را استخراج کرد و سپس تجاوز را با استفاده از دو خانواده مدل زبان بزرگ پیش‌بینی کرد: LLaMA-8B-Instruct و ClinicalModernBERT. متخصصان حوزه در طول توسعه مدل بازخورد دادند و محافظت‌هایی برای حفظ محرمانگی و ارزیابی سوگیری الگوریتمی پیاده‌سازی شد. نتایج: مدل LLaMA-8B-Instruct با ۸۸٪ ارزش پیش‌بینی مثبت (PPV)، ۹۲٪ حساسیت، ۸۴٪ ارزش پیش‌بینی منفی (NPV)، ۷۶٪ ویژگی‌های منفی و ۸۵٪ macro-F1 عملکرد خوبی داشت. مدل ClinicalModernBERT با ۸۳٪ PPV، ۹۲٪ حساسیت، ۸۲٪ NPV، ۶۷٪ ویژگی‌های منفی و ۸۱٪ macro-F1 عملکرد خوبی داشت. هر دو مدل هوش مصنوعی از ابزار نظارت موجود OCME و رویکردهای رگرسیون لجستیک متداول برتر بودند. نتیجه‌گیری: هوش مصنوعی متمرکز بر انسان ممکن است نظارت بر تجاوز را به موقع و دقیق پشتیبانی کند، اما پیاده‌سازی مسئولانه نیازمند نظارت متخصص، زیرساخت‌های رعایت حریم خصوصی و ارزیابی مداوم سوگیری‌های بالقوه است.

متن کامل اصلی