Expectations of Intensive Care Physicians Regarding an AI-Based Decision Support System for Weaning From Continuous Renal Replacement Therapy: Predevelopment Survey Study
Notice bibliographique
Résumé
Background: Critically ill patients in intensive care units (ICUs) require continuous monitoring, generating vast amounts of data. Clinical decision support systems (CDSS) leveraging artificial intelligence (AI) technologies have shown promise in improving diagnostic, prognostic, and therapeutic decision-making. However, these models are rarely implemented in clinical practice. Objective: The aim of this study was to survey ICU physicians to understand their expectations, opinions, and level of knowledge regarding a proposed AI-based CDSS for continuous renal replacement therapy (CRRT) weaning, a clinical decision-making process that is still complex and lacking in guidelines. This will be used to guide the development of an AI-based CDSS on which our team is working to ensure user-centered design and successful integration into clinical practice. Methods: A prospective cross-sectional survey of French-speaking physicians with clinical activity in intensive care was conducted between December 2023 and April 2024. The questionnaire consisted of 20 questions structured around 4 axes: overview of the problem and current practices concerning weaning from CRRT, opinion on AI-based CDSS, implementation in daily clinical practice, real-life operation and willingness to adopt the CDSS in everyday practice. Statistical analyses included Wilcoxon rank sum tests for quantitative variables and χ2 or Fisher exact tests for qualitative variables, with multivariate analyses performed using ordinal logistic regression. Results: A total of 171 complete responses were received. Physicians expressed an interest in a CDSS for CRRT weaning, with 70.2% (120/171) viewing AI-based CDSS favorably. Opinions were split regarding the difficulty of the weaning decision itself, with 46.2% (79/171) disagreeing that it is challenging, while 31.6% (54/171) agreed. However, 66.1% (113/171) of respondents supported the value of an AI-based CDSS to assist them in this decision, with younger physicians showing stronger support (81.8%, 27/33 vs 62.3%; 86/138; P=.01). Most respondents (163/171, 95.3%) emphasized the importance of understanding the criteria used by the model to make its predictions. Conclusions: Our findings highlight an optimistic attitude among ICU physicians toward AI-based CDSS for CRRT weaning, emphasizing the need for transparency, integration into existing workflows, and alignment with clinicians' decision-making processes. Actionable recommendations include incorporating key variables such as urine output and biological parameters, defining probability thresholds for recommendations and ensuring model transparency to facilitate the successful adoption and integration into clinical practice. The methodology of this survey may help the development of further predevelopment studies accompanying AI-based CDSS projects.
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 | 0,004 | 0,012 |
| 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 | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».