The AI health divide: Three challenges and recommendations to improve design, transparency, and access for low-SES communities.

چکیده اصلی

BackgroundLow socioeconomic status (SES) communities have been historically disadvantaged by food deserts, limited health and digital literacy, and restricted access to healthcare and digital technologies. These factors have increased the prevalence of chronic disease and contributed to reduced engagement with healthcare systems. Alongside this, the rapid increase in popularity of Artificial Intelligence (AI), integration into healthcare systems such as patient portals, symptom checkers, and care coordination platforms has become commonplace. However, the incorporation of AI assumes inflated levels of digital access, literacy, and cognitive capacity, which risks worsening existing inequalities.ObjectiveThis paper examines how AI-enabled digital integration into healthcare systems may inadvertently disadvantage low SES communities, while widening access disparities, exposure, and trust. It then proposes targeted recommendations to improve future AI design and implementation efforts.MethodsThis paper synthesizes evidence regarding social determinants of health, digital health literacy, and trust in AI to develop a set of practical design guidelines that support the needs of low-SES individuals. We draw from literature pertaining to human factors, health equity, digital health, and inclusive design.ResultsThe analysis identifies barriers in which current AI tools and features misalign with low-SES individuals. We contextualize infrastructure gaps, high cognitive and literacy demands, individual differences, and the use behaviors related to the intersection of SES and AI in healthcare.ConclusionThis paper presents design and implementation guidelines to reduce cognitive load, enhance accessibility, and build trust, while ensuring that AI integration in healthcare technologies supports rather than undermines health equity for low SES communities.

ترجمه فارسی چکیده

پس‌زمینه: جوامع با وضعیت اقتصادی-اجتماعی پایین (SES) در گذشته به دلیل فقر غذایی، سواد محدود در سلامت و دیجیتال، و دسترسی محدود به مراقبت‌های سلامت و تکنولوژی‌های دیجیتال آسیب‌پذیر بوده‌اند. این عوامل باعث افزایش شیوع بیماری‌های مزمن و کاهش مشارکت در سیستم‌های مراقبت سلامت شده‌اند. در کنار این، افزایش سریع محبوبیت هوش مصنوعی (AI) و ادغام آن در سیستم‌های مراقبت سلامت مانند درگاه‌های بیمار، چک‌کننده‌های علائم و پلتفرم‌های هماهنگی مراقبت رایج شده است. با این حال، ادغام AI فرض می‌کند سطح دسترسی دیجیتال، سواد و ظرفیت شناختی بالایی که ریسک تشدید نابرابری‌های موجود را به همراه دارد. هدف: این مقاله بررسی می‌کند که چگونه ادغام دیجیتال مبتنی بر AI در سیستم‌های مراقبت سلامت ممکن است به طور غیرمستقیم جوامع با SES پایین را نادیده بگیرد و نابرابری‌های دسترسی، مواجهه و اعتماد را گسترش دهد. سپس توصیه‌های هدفمند برای بهبود تلاش‌های طراحی و پیاده‌سازی آینده AI ارائه می‌دهد. روش‌ها: این مقاله شواهد مربوط به عوامل اجتماعی تعیین‌کننده سلامت، سواد سلامت دیجیتال و اعتماد به AI را برای توسعه مجموعه‌ای از راهنماهای طراحی عملی که نیازهای افراد با SES پایین را پشتیبانی می‌کنند، ترکیب می‌کند. ما از ادبیات مربوط به عوامل انسانی، عدالت سلامت، سلامت دیجیتال و طراحی شامل‌کننده استفاده می‌کنیم. نتایج: تحلیل موانع را که ابزارها و ویژگی‌های فعلی AI با افراد با SES پایین همسو نیستند، شناسایی می‌کند. ما شکاف‌های زیرساختی، درخواست‌های شناختی و سواد بالا، تفاوت‌های فردی و رفتارهای مرتبط با تقاطع SES و AI در مراقبت سلامت را در زمینه قرار می‌دهیم. نتیجه‌گیری: این مقاله راهنماهای طراحی و پیاده‌سازی را برای کاهش بار شناختی، بهبود دسترسی‌پذیری و ساختن اعتماد ارائه می‌دهد، در حالی که تضمین می‌کند که ادغام AI در تکنولوژی‌های مراقبت سلامت از عدالت سلامت برای جوامع با SES پایین حمایت کند، نه اینکه آن را تضعیف کند.

متن کامل اصلی