Adoption of Artificial Intelligence–Enabled Robots in Long-Term Care Homes by Health Care Providers: Scoping Review
Notice bibliographique
Résumé
BACKGROUND: Long-term care (LTC) homes face the challenges of increasing care needs of residents and a shortage of health care providers. Literature suggests that artificial intelligence (AI)-enabled robots may solve such challenges and support person-centered care. There is a dearth of literature exploring the perspectives of health care providers, which are crucial to implementing AI-enabled robots. OBJECTIVE: This scoping review aims to explore this scant body of literature to answer two questions: (1) what barriers do health care providers perceive in adopting AI-enabled robots in LTC homes? (2) What strategies can be taken to overcome these barriers to the adoption of AI-enabled robots in LTC homes? METHODS: We are a team consisting of 3 researchers, 2 health care providers, 2 research trainees, and 1 older adult partner with diverse disciplines in nursing, social work, engineering, and medicine. Referring to the Joanna Briggs Institute methodology, our team searched databases (CINAHL, MEDLINE, PsycINFO, Web of Science, ProQuest, and Google Scholar) for peer-reviewed and gray literature, screened the literature, and extracted the data. We analyzed the data as a team. We compared our findings with the Person-Centered Practice Framework and Consolidated Framework for Implementation Research to further our understanding of the findings. RESULTS: This review includes 33 articles that met the inclusion criteria. We identified three barriers to AI-enabled robot adoption: (1) perceived technical complexity and limitation; (2) negative impact, doubted usefulness, and ethical concerns; and (3) resource limitations. Strategies to mitigate these barriers were also explored: (1) accommodate the various needs of residents and health care providers, (2) increase the understanding of the benefits of using robots, (3) review and overcome the safety issues, and (4) boost interest in the use of robots and provide training. CONCLUSIONS: Previous literature suggested using AI-enabled robots to resolve the challenges of increasing care needs and staff shortages in LTC. Yet, our findings show that health care providers might not use robots because of different considerations. The implication is that the voices of health care providers need to be included in using robots. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-doi:10.1136/bmjopen-2023-075278.
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 | 0,016 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,015 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 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 ».