Attitudes Toward Artificial Intelligence Among Dermatologists in Morocco: A National Survey
Notice bibliographique
Résumé
Background Artificial intelligence (AI) is a hot topic, and the use of AI in our day-to-day lives has increased exponentially. AI is becoming increasingly important in dermatology, with studies reporting accuracy matching or exceeding that of dermatologists in the diagnosis of skin lesions from clinical and dermoscopic images. However, little is known about the attitudes of dermatologists in Morocco toward AI. Objective The purpose of this cross-sectional study was to evaluate the attitudes of dermatologists in Morocco toward AI. Methods An online survey was distributed through Google Forms (Google LLC) to dermatologists in Morocco and was open from January to June 2021. Statistical analysis of the data collected was performed using Jamovi software. Any association for which the P value was <.05 was considered statistically significant. Results In total, 183 surveys were completed and analyzed. Overall, 79.8% of respondents were female, and the median age was 35 years (IQR 25-74 years). A total of 30.6% stated that they were not aware of AI, and 34.4% had a basic knowledge of AI technologies. Only 7.7% of the respondents strongly agreed that the human dermatologist will be replaced by AI in the foreseeable future. Of the entire group, 61.8% agreed or strongly agreed that AI will improve dermatology, and 70% thought that AI should be part of medical training. In addition, only 32.2% reported having read publications about AI. Female dermatologists showed more fear pertaining to the use of AI within dermatology (P=.01); this group also suggested that AI has a very strong potential in the detection of skin diseases using dermoscopic images (P=.03). Conclusions Our results demonstrate an overall optimistic attitude toward AI among dermatologists in Morocco. The majority of respondents believed that it will improve diagnostic capabilities. Conflict of Interest None declared.
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 | 0,001 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».