Perspectives of Healthcare Providers to Inform the Design of an AI-Enhanced Social Robot in the Pediatric Emergency Department
Notice bibliographique
Résumé
Children commonly experience pain and distress in healthcare settings related to medical procedures such as blood tests and intravenous insertions (IVIs). Inadequately addressed pain and distress can result in both short- and long-term negative consequences. The use of socially assistive robotics (SARs) to reduce procedure-related distress and pain in children's healthcare settings has shown promise; however, the current options lack autonomous adaptability. This study presents a descriptive qualitative needs assessment of healthcare providers (HCPs) in two Canadian pediatric emergency departments (ED) to inform the design an artificial intelligence (AI)-enhanced social robot to be used as a distraction tool in the ED to facilitate IVIs. Semi-structured virtual individual and focus group interviews were conducted with eleven HCPs. Four main themes were identified: (1) common challenges during IVIs (i.e., child distress and resource limitations), (2) available tools for pain and distress management during IVIs (i.e., pharmacological and non-pharmacological), (3) response to SAR appearance and functionality (i.e., personalized emotional support, adaptive distraction based on child's preferences, and positive reinforcement), and (4) anticipated benefits and challenges of SAR in the ED (i.e., ensuring developmentally appropriate interactions and space limitations). HCPs perceive AI-enhanced social robots as a promising tool for distraction during IVIs in the ED.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».