Unlocking the Potential: Investigating Dental Practitioners’ Willingness to Embrace Artificial Intelligence in Dental Practice
Notice bibliographique
Résumé
BACKGROUND: Artificial intelligence (AI) holds significant promise for transforming healthcare delivery, including dentistry. However, the successful integration of AI into dental practice necessitates an understanding of dental professionals' perspectives, attitudes, and readiness to adopt AI technology. This study aimed to explore dental professionals' perceptions, attitudes, and practices regarding AI adoption in dentistry. METHODS: This cross-sectional study was conducted among 256 dental professionals using an online questionnaire. Participants were assessed for familiarity with AI technology, perceived barriers to adoption, attitudes towards AI, current usage patterns, and factors influencing adoption decisions. Data are analysed using descriptive statistics, including frequencies, percentages, means, and standard deviations. Inferential statistics, such as chi-square tests and regression analysis, were employed to examine associations between variables and identify predictors of AI adoption in dentistry. RESULTS: The study surveyed 256 dental professionals from various regions across India, primarily aged 30 to 50 years (mean age: 42.6), with a nearly equal gender split (male: 48.4%, female: 51.6%) and high educational attainment (67.8% with master's or doctoral degrees). Private practices were predominant (56.3%). The diagnostic algorithms and treatment planning software were well known (77.3% and 70.3% familiarity, respectively). Technical concerns (average score: 3.82 ± 0.68) were the main barriers to AI adoption, followed by financial considerations (average score: 3.45 ± 0.72), ethical and legal issues (average score: 3.21 ± 0.65), and organizational factors (average score: 3.67 ± 0.71). Despite these concerns, most participants had positive attitudes towards AI (70.3% agreed). Current usage varied, with diagnostic support and administrative tasks being the most common (44.5% and 82.8% usage, respectively). Perceived utility (average score: 4.12 ± 0.75) and ease of use (average score: 3.98 ± 0.69) significantly influenced adoption, as identified by regression analysis (perceived utility: β = 0.342, p < 0.001; ease of use: β = 0.267, p = 0.005). CONCLUSION: This study provides valuable insights into AI adoption in dentistry, highlighting the multifaceted nature of barriers and facilitators that influence dental professionals' adoption decisions. Strategies to promote AI adoption should address practical considerations, ethical concerns, and educational needs to facilitate the integration of AI technology into dental practices.
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 | 0,002 |
| 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 | 0,001 |
| 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 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 ».