R-AI-diographers: a European survey on perceived impact of AI on professional identity, careers, and radiographers’ roles
Notice bibliographique
Résumé
OBJECTIVES: Radiographers use advanced medical imaging and radiotherapy (MIRT) equipment. They are also a digitally mature and digitally resilient workforce in healthcare. Artificial intelligence is already changing their clinical practice and roles in data acquisition, post-processing, and workflow management. It is therefore vital to understand the impact of AI on the careers, roles and professional identity of radiographers, as key stakeholders of the digital transformation of healthcare within the medical imaging ecosystem. METHODS: A European radiographer survey, endorsed by the European Federation of Radiographer Societies (EFRS), was distributed online. It was piloted with twelve radiographers and translated into eight languages. Although this study included both qualitative and quantitative results, this paper emphasises the quantitative aspect. RESULTS: A total of 2206 European radiographers have responded from 37 different countries. Despite some concerns around workforce deskilling, future professional identity, and job prospects, participants showed overall optimistic views about the use of AI in healthcare. This was particularly strong for those with prior AI education (mean: 2.15 vs. 1.89; p-value: < 0.001), hands-on experience with AI (correlation: 0.047; p-value: 0.038), from countries with higher digital literacy (mean: 2.00 vs.1.93; p-value: 0.027) and a higher academic level of radiography education (mean: 3.28 vs. 3.15; p-value: 0.002). Men appeared slightly more enthused about the development of technological skills and women about the honing of patient-centred care skills. Finally, interprofessional collaboration was seen as essential not only for the seamless clinical integration of AI but also for supporting patient benefit. CONCLUSION: While AI implementation advances, AI education needs to keep at pace to ensure acceptability, trust, and safe use of this technology by healthcare professionals, minimising their concerns around professional role changes and enabling them to see the opportunities of service transformation. CRITICAL RELEVANCE STATEMENT: This paper aims to map out the perceived impact of AI on the professional identity and careers of European radiographers. KEY POINTS: AI is impacting radiographers' clinical practice and changing their professional identity. Despite increasing AI awareness, AI education is still lacking across Europe. AI education is key for AI acceptability and trust by radiographers, which facilitates AI implementation and service transformation.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».