Multinational attitudes towards AI in healthcare and diagnostics among hospital patients
Notice bibliographique
Résumé
Abstract The successful implementation of artificial intelligence (AI) in healthcare is dependent upon the acceptance of this technology by key stakeholders, particularly patients, who are the primary beneficiaries of AI-driven outcomes. This international, multicenter, cross-sectional study assessed the attitudes of hospital patients towards AI in healthcare across 43 countries. A total of 13806 patients at 74 hospitals were surveyed between February and November 2023, with 64.8% from the Global North and 35.2% from the Global South. The findings indicate a predominantly favorable general view of AI in healthcare, with 57.6% of respondents expressing a positive attitude. However, attitudes exhibited notable variation based on demographic characteristics, health status, and technological literacy. Female respondents and those with poorer health status exhibited fewer positive attitudes towards AI use in medicine. Conversely, higher levels of AI knowledge and frequent use of technology devices were associated with more positive attitudes. It is noteworthy that less than half of the participants expressed positive attitudes regarding all items pertaining to trust in AI. The lowest level of trust was observed for the accuracy of AI in providing information regarding treatment responses. Patients exhibited a strong preference for explainable AI and physician-led decision-making, even if it meant slightly compromised accuracy. This large-scale, multinational study provides a comprehensive perspective on patient attitudes towards AI in healthcare across six continents. Findings suggest a need for tailored AI implementation strategies that consider patient demographics, health status, and preferences for explainable AI and physician oversight. All study data has been made publicly available to encourage replication and further investigation.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».