A Mixed Methods Comparison of Artificial Intelligence-Powered Clinical Decision Support System Interfaces for Multiple Criteria Decision Making in Antidepressant Selection
Notice bibliographique
Résumé
Abstract BACKGROUND Artificial intelligence-powered clinical decision support systems (AI-CDSS) have recently become foci of research. When clinicians face decisions about treatment selection, they must contemplate multiple criteria simultaneously. The relative importance of these criteria often depends on the clinical scenario, as well as clinician and patient preferences. It remains unclear how AI-CDSS can optimally assist clinicians in making these complex decisions. In this work we explore clinician reactions to different presentations of AI results in the context of multiple criteria decision-making during treatment selection for major depressive disorder. METHODS We developed an online platform for depression treatment selection to test three interfaces. In the probabilities alone (PA) interface, we presented probabilities of remission and three common side effects for five antidepressants. In the clinician-determined weights (CDW) interface, participants assigned weights to each of the outcomes and obtained a score for each treatment. In the expert-derived weights interface (EDW), outcomes were weighted based on expert opinion. Each participant completed three clinical scenarios, and each scenario was randomly paired with one interface. We collected participants’ impressions of the interfaces via questionnaires and written and verbal feedback. RESULTS Twenty-two physicians completed the study. Participants felt that the CDW interface was most clinically useful (H=10.29, p<0.01) and more frequently reported that it had an impact on their decision making (PA: in 55.5% of experienced scenarios, CDW: in 59.1%, EDW: in 36.6%). Clinicians most often chose a treatment different from their original choice after reading the clinical scenario in the CDW interface (PA: 26.3%, CDW: 33.3%, EDW: 15.8%). CONCLUSION Clinicians found a decision support interface where they could set the weights for different potential outcomes most useful for multi-criteria decision making. Allowing clinicians to weigh outcomes based on their expertise and the clinical scenario may be a key feature of a future clinically useful multi-criteria AI-CDSS.
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 | 0,045 | 0,149 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».