Role of pandemic in driving adoption of artificial intelligence in healthcare industry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The global population continues to be affected by the ongoing coronavirus pandemic, resulting in a gradual depletion of the limited healthcare resources. In order to fully realize the potential benefits of clinical artificial intelligence (AI), it is necessary to ensure its widespread adoption and use. The current body of research investigates the inclination to use clinical Artificial Intelligence & Machine Learning using a comprehensive survey and identifies the factors that influence its adoption. This study examines the United States and Canada, two North American nations, using a sample size of 1068 individuals. The findings indicate that participants have a significant aversion towards artificial intelligence (AI). In a hypothetical scenario including pre-hospital triage for the coronavirus, just one out of ten individuals expressed a preference for clinical AI and machine learning over clinicians. The level of trust individuals place in clinical AI & ML, together with their level of receptiveness, are two crucial factors that impact the extent to which these technologies are embraced. Our study indicates that individuals who lack social ties and suffer sentiments of mistrust and neglect from human physicians are more likely to adopt clinical AI & ML. These findings indicate that widespread acceptance of clinical AI and machine learning may need individuals to reduce their emotional attachment to humans and demonstrate less reliance on human physicians. Based on our findings, we recommend that prioritizing the establishment of trust, rather than diminishing confidence in physicians, should be the primary focus in any law regarding the use of clinical AI & ML. Keywords: Healthcare, Artificial Intelligence, Machine Learning, Healthcare, Pandemic.
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.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle