Perspectives of family medicine residents on artificial intelligence for survival estimation in patients with serious illness
Notice bibliographique
Résumé
As technology for artificial intelligence (AI) in medicine has rapidly proliferated, research is needed on how AI should be used in healthcare. Family physicians could deploy AI to predict survival in serious illness which is a particularly difficult task given the breadth of diseases encountered in primary care. Little research exists to inform whether survival estimation tools are welcome in primary care to manage serious illness prognostication. To address this gap, we elicited the perspectives of family medicine residents on the potential use of AI to help them predict survival (i.e., time expected) for their patients with serious illness. Our qualitative study draws on semi-structured interview data from 18 family medicine residents in Canada. We used a pragmatic framework to conduct our analysis, employing principles of constructivist grounded theory. We identified that family medicine residents were receptive to AI survival estimation for serious illness management, particularly for supporting their delivery of expert advice over a broad range of clinical topics. However, caring for patients with serious illness in primary care involves more than survival estimation, with such a tool having likely only limited applicability to end of life. Summarizing these perspectives, we identified four themes: (1) improving patient care with AI, (2) AI with a grain of salt, (3) patient-driven use of AI, and (4) augmenting, not replacing family physicians. Thus, survival estimation with AI for serious illness has potential clinical value in primary care. In addition to survival, pertinent challenges to address with AI include understanding of expected function, maximizing quality of life, and response to interventions, in addition to quantifying survival time. Future prognostication models should consider use of additional patient-centered outcomes and modifying the outcomes predicted based on prediction timepoints. To successfully deploy these technologies in primary care, additional education and role modelling of technology use is needed.
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 | 0,019 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,012 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,006 |
| 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 ».