Connecting Artificial Intelligence and Primary Care Challenges: Findings from a Multi-Stakeholder Collaborative Consultation
Notice bibliographique
Résumé
ABSTRACT Despite widespread advancements in and envisioned uses for artificial intelligence (AI), few examples of successfully implemented AI innovations exist in primary care (PC) settings. Objectives To identify priority areas for AI and PC in Ontario, Canada. Methods A collaborative consultation event engaged multiple stakeholders in a nominal group technique process to generate, discuss, and rank ideas for how AI can support Ontario PC. Results The consultation process produced nine ranked priorities: 1) preventative care and risk profiling, 2) patient self-management of condition(s), 3) management and synthesis of information, 4) improved communication between PC and AI stakeholders, 5) data sharing and interoperability, 6-tie) clinical decision support, 6-tie) administrative staff support, 8) practitioner clerical and routine task support, and 9) increased mental health care capacity and support. Themes emerging from small group discussions about barriers, implementation issues, and resources needed to support the priorities included: equity and the digital divide; system capacity and culture; data availability and quality; legal and ethical issues; user-centered design; patient-centredness; and proper evaluation of AI-driven tool implementation. Discussion Findings provide guidance for future work on AI and PC. There are immediate opportunities to use existing resources to develop and test AI for priority areas at the patient, provider, and system level. For larger-scale, sustainable innovations, there is a need for longer-term projects that lay foundations around data and interdisciplinary work. Conclusion Study findings can be used to inform future research and development of AI for PC, and to guide resource planning and allocation. SUMMARY What is already known? – The field of artificial intelligence and primary care is underdeveloped. What does this paper add? – An environmental scan without geographic location restriction identified 110 artificial intelligence-driven tools with potential relevance to primary care that existed around the time of the study. – A multi-stakeholder consultation session identified nine priorities to guide future work on artificial intelligence and primary care in Ontario, Canada. – Priorities for artificial intelligence and primary care include provider, patient, and system level uses as well as foundational areas related to data and interdisciplinary communication.
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 | 0,066 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,040 | 0,017 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,004 | 0,022 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».