Organizational readiness for artificial intelligence in health care: insights for decision-making and practice
Notice bibliographique
Résumé
PURPOSE: Artificial intelligence (AI) raises many expectations regarding its ability to profoundly transform health care delivery. There is an abundant literature on the technical performance of AI applications in many clinical fields (e.g. radiology, ophthalmology). This article aims to bring forward the importance of studying organizational readiness to integrate AI into health care delivery. DESIGN/METHODOLOGY/APPROACH: The reflection is based on our experience in digital health technologies, diffusion of innovations and healthcare organizations and systems. It provides insights into why and how organizational readiness should be carefully considered. FINDINGS: As an important step to ensure successful integration of AI and avoid unnecessary investments and costly failures, better consideration should be given to: (1) Needs and added-value assessment; (2) Workplace readiness: stakeholder acceptance and engagement; (3) Technology-organization alignment assessment and (4) Business plan: financing and investments. In summary, decision-makers and technology promoters should better address the complexity of AI and understand the systemic challenges raised by its implementation in healthcare organizations and systems. ORIGINALITY/VALUE: Few studies have focused on the organizational issues raised by the integration of AI into clinical routine. The current context is marked by a perplexing gap between the willingness of decision-makers and technology promoters to capitalize on AI applications to improve health care delivery and the reality on the ground, where it is difficult to initiate the changes needed to realize their full benefits while avoiding their negative impacts.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».