Connecting artificial intelligence and primary care challenges: findings from a multi stakeholder collaborative consultation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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 healthcare 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-centred 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.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle