Investigating the Barriers to Physician Adoption of an Artificial Intelligence- Based Decision Support System in Emergency Care: An Interpretative Qualitative Study
Notice bibliographique
Résumé
The development of artificial intelligence (AI) systems to support diagnostic decision-making is rapidly expanding in health care. However, important challenges remain in executing algorithmic systems at the frontlines of clinical practice. Hence, most often, these systems have not been trained with local data nor do they fit with context-specific patterns of care. This research examines the implementation of an AI-based decision support system (DSS) in the emergency department of a large Academic Health Center (AHC) in Canada, focusing specifically on the question of end-user adoption. Based in an interpretative perspective, the study analyzes the perceptions of healthcare managers, AI developers, physicians and nurses on the DSS, so as to make sense of the main barriers to its adoption by emergency physicians. The study points to the importance of considering interconnections between technical, human and organizational factors to better grasp the unique challenges raised by AI systems in health care. It further emphasizes the need to investigate actors' perceptions of AI in order to develop strategies to adequately test and adapt AI systems, and ensure that they meet the needs of health professionals and patients. This research is particularly relevant at a time when considerable investments are being made to develop and deploy AI-based systems in health care. Empirically probing the conditions under which AI-based systems can effectively be integrated into processes and workflow is essential for maximizing the benefits these investments can bring to the organization and delivery of care.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,009 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».