THE INFLUENCE OF ARTIFICIAL INTELLIGENCE ON CLINICAL DECISION MAKING: GERIATRIC REGISTERED NURSES’ PERSPECTIVES
Notice bibliographique
Résumé
Abstract The emergence of ChatGPT highlights the potential of AI applications used in nursing care. AI in the form of machine learning or deep learning provides the ability to scan through clinical data using various algorithms to predict a clinical outcome for a client/patient and influencing clinical decisions. Registered nurses (RNs) are accountable for their decisions when caring for older adults receiving geriatric services and supports. Therefore, we conducted an online survey online cross-sectional survey from April to July 2023 to evaluate community focused RNs knowledge and awareness of the use of AI within their decision-making process. 233 RNs completed the survey. RNs were aware of AI in healthcare (56.7%) and in nursing (30.9%) with less familiarity with machine learning (ML) in geriatric nursing (16.3%). Source of knowledge of AI and ML came from informal sources such as media and social media and from family and friends whereas formal sources were less common. RNs agreed (69.8%) that automated outcomes to help them prioritize older adult clients and target services would be useful. However, 77.9% were concerned with who would be responsible if AI offered incorrect recommendations. Most RNs (90.2%) identified they should have the competency of how AI can improve processes and outcomes. RNs should be consulted if AI had implications on geriatric practice. Future phases of this research will examine how RNs can be better involved in AI that influences their practice and how they might be better prepared to evaluate AI outputs as part of their decision-making process.
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 | 0,021 | 0,041 |
| 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 | 0,002 | 0,006 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| 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 ».