Perceptions of Artificial Intelligence Use in Primary Care: A Qualitative Study with Providers and Staff of Ontario Community Health Centres
Notice bibliographique
Résumé
PURPOSE: To understand staff and health care providers' views on potential use of artificial intelligence (AI)-driven tools to help care for patients within a primary care setting. METHODS: We conducted a qualitative descriptive study using individual semistructured interviews. As part of province-wide Learning Health Organization, Community Health Centres (CHCs) are a community-governed, team-based delivery model providing primary care for people who experience marginalization in Ontario, Canada. CHC health care providers and staff were invited to participate. Interviews were audio-recorded and transcribed verbatim. We performed a thematic analysis using a team approach. RESULTS: We interviewed 27 participants across 6 CHCs. Participants lacked in-depth knowledge about AI. Trust was essential to acceptance of AI; people need to be receptive to using AI and feel confident that the information is accurate. We identified internal influences of AI acceptance, including ease of use and complementing clinical judgment rather than replacing it. External influences included privacy, liability, and financial considerations. Participants felt AI could improve patient care and help prevent burnout for providers; however, there were concerns about the impact on the patient-provider relationship. CONCLUSIONS: The information gained in this study can be used for future research, development, and integration of AI technology.
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 | 0,012 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,015 | 0,011 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».