089 Levers and limitations of artificial intelligence (AI) to support the assessment and implementation of shared decision making (SDM): perspectives of key stakeholders
Notice bibliographique
Résumé
Introduction Artificial intelligence (AI) is a promising avenue to advance the assessment and implementation of SDM. We explored stakeholder perspectives on the potential of AI to facilitate the implementation of SDM, focusing specifically on the assessment of SDM in healthcare professionals’ practice. Methods Our environmental scan combined a web-based survey and targeted semi-structured interviews with key stakeholders. Participants included AI or SDM researchers and patient partners from our networks and from post-2015 studies using observer-rated instruments. The survey explored participants’ research experience, perceptions of levers and barriers for AI to support SDM assessment and implementation, and challenges in developing an AI system for consultation assessment. We then conducted semi-structured videoconference interviews with a subset of 6–10 participants who were purposively selected. Data analysis included descriptive statistics for quantitative results and thematic qualitative analyses for qualitative results, by two researchers based on the Consolidated Framework for Implementation Research. Results (preliminary) To date, we have recruited 22 participants from seven countries - seven AI experts and 14 SDM experts, five of whom were practicing clinicians, and 10 owned observer-rated consultation datasets in different clinical settings. Levers in AI included developing decision aids or personalized information for patients to facilitate decision-making, and facilitating training in SDM through assessment in real or simulated consultations. Barriers cited included ethical concerns about privacy and confidentiality, reliability and transparency of AI systems, and reduced understanding of the complexity of human interaction. Barriers to implementation included cost, time, social acceptance of AI and data quality issues for AI training. Discussion Most participants considered the use of AI for SDM assessment feasible. Half of the dataset owners indicated that they would make data available for AI if ethical and administrative concerns were addressed. Conclusion(s) These findings will help inform future research agendas for AI-assisted SDM assessment and implementation.
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 | 0,067 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,013 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».