Digital health competences and AI beliefs as conditions for the practice of evidence-based medicine: a study of prospective physicians in Canada
Notice bibliographique
Résumé
Background The practice of evidence-based medicine (EBM) has become pivotal in enhancing medical care and patient outcomes. With the diffusion of innovation in healthcare organizations, EBM can be expected to depend on medical professionals’ competences with digital health (dHealth) and artificial intelligence (AI) technologies.Objective We aim to investigate the effect of dHealth competences and perceptions of AI on the adoption of EBM among prospective physicians. By focusing on dHealth and AI technologies, the study seeks to inform the redesign of medical curricula to better prepare students for the demands of evidence-based medical practice.Methods A cross-sectional survey was administered online to students at the University of Montreal’s medical school, which has approximately 1,400 enrolled students. The survey included questions on students’ dHealth competences, perceptions of AI, and their practice of EBM. Using structural equation modeling (SEM), we analyzed data from 177 respondents to test our research model.Results Our analysis indicates that medical students possess foundational knowledge competences of dHealth technologies and perceive AI to play an important role in the future of medicine. Yet, their experiential competences with dHealth technologies are limited. Our findings reveal that experiential dHealth competences are significantly related to the practice of EBM (β = 0.42, p < 0.001), as well as students’ perceptions of the role of AI in the future of medicine (β = 0.39, p < 0.001), which, in turn, also affect EBM (β = 0.19, p < 0.05).Conclusions The study underscores the necessity of enhancing students’ competences related to dHealth and considering their perceptions of the role of AI in the medical profession. In particular, the low levels of experiential dHealth competences highlight a promising starting point for training future physicians while simultaneously strengthening their practice of EBM. Accordingly, we suggest revising medical curricula to focus on providing students with practical experiences with dHealth and AI technologies.
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 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 | 0,001 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».