An Approach to Potentially Increasing Adoption of an Artificial Intelligence–Enabled Electronic Medical Record Encounter in Canadian Primary Care: Protocol for a User-Centered Design
Notice bibliographique
Résumé
BACKGROUND: Primary care physicians are at the forefront of the clinical process that can lead to diagnosis, referral, and treatment. With electronic medical records (EMRs) being introduced and, over time, gaining acceptance by primary care users, they have now become a standard part of care. EMRs have the potential to be further optimized with the introduction of artificial intelligence (AI). There has yet to be a widespread exploration of the use of AI in primary health care and how clinicians envision AI use to encourage further uptake. OBJECTIVE: The primary objective of this research is to understand if the user-centered design approach, rooted in contextual design, can lead to an increased likelihood of adoption of an AI-enabled encounter module embedded in a primary care EMR. In this study, we use human factor models and the technology acceptance model to understand the results. METHODS: To accomplish this, a partnership has been established with an industry partner, TELUS Health, to use their EMR, the collaborative health record. The overall intention is to understand how to improve the user experience by using user-centered design to inform how AI should be embedded in an EMR encounter. Given this intention, a user-centered approach will be used to accomplish it. The approach of user-centered design requires qualitative interviewing to gain a clear understanding of users' approaches, intentions, and other key insights to inform the design process. A total of 5 phases have been designed for this study. RESULTS: As of March 2024, a total of 14 primary care clinician participants have been recruited and interviewed. First-cycle coding of all qualitative data results is being conducted to inform redesign considerations. CONCLUSIONS: Some limitations need to be acknowledged related to the approach of this study. There is a lack of market maturity of AI-enabled EMR encounters in primary care, requiring research to take place through scenario-based interviews. However, this participant group will still help inform design considerations for this tool. This study is targeted for completion in the late fall of 2024. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/54365.
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 | 0,162 | 0,144 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,013 | 0,006 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,005 |
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 ».