Professional implications of introducing artificial intelligence in healthcare: an evaluation using radiation medicine as a testing ground
Notice bibliographique
Résumé
Abstract Aim This study will evaluate radiation medicine professionals’ perceptions of clinical and professional risks and benefits, and the evolving roles and responsibilities with artificial intelligence (AI). Methods Radiation oncologists (ROs), medical physicists (MPs), treatment planners (TP-RTTs) and treatment delivery radiation therapists (TD-RTTs) at a cancer centre in preliminary stages of implementing an AI-enabled treatment planning system were invited to participate in uniprofessional focus groups. Semi-structured scripts addressed the perceptions of AI, including thoughts regarding changing roles and competencies. Sessions were audiorecorded, transcribed and coded thematically through consensus-building. Results A total of 24 participants (four ROs, five MPs, seven TP-RTTs and eight TD-RTTs) were engaged in four focus groups of 58 minutes average duration (range 54–61 minutes). Emergent themes addressed AI’s impact on quality of care, changing professional tasks and changing competency requirements. Time-consuming repetitive tasks such as delineating targets, generating treatment plans and quality assurance were thought conducive to offloading to AI. Outcomes data and adaptive planning would be incorporated into clinical decision-making. Changing workload would necessitate changing skills, prioritising plan evaluation over generation and increasing interprofessional communication. All groups discussed AI reducing the need for TP-RTTs, though displacement was thought more likely than replacement. Conclusions It is important to consider how professionals perceive AI to be proactive in informing change, as gains in quality and efficiency will require new workflows, skills and education.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».