Provider Attitudes and Perceptions on Using Artificial Intelligence in Colonoscopy: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Background and Aims: Colonoscopy is the gold standard screening modality for colorectal cancer; however, it is operator-dependent and reliant on exam quality. Incorporating artificial intelligence (AI) into colonoscopy may improve adenoma detection and clinical outcomes, but this is a sociotechnical challenge that requires effective human-AI teaming incorporating provider attitudes. Methods: We conducted a systematic review of studies evaluating attitudes and perspectives of providers toward AI-assisted colonoscopy. Participant responses to outcome questions of interest were combined across the studies to calculate pooled proportion (Pp) and 95% confidence interval (CI). Top-ranked perceived advantages and disadvantages in each study were defined as the items that >50% of the study participants voted for. Results: Out of 2044 abstracts screened, 13 studies were included representing 1538 providers who were mostly gastroenterologists or trainees and 25%-100% had direct experience using AI in a clinical setting. Overall, a large majority were interested in using AI (Pp = 80%, 95% CI 70%-89%, n = 8 studies) and believed it can improve adenoma or polyp detection rate (Pp = 74%, 95% CI 68%-80%, n = 4 studies). Among 5 studies addressing financial implications, about half were concerned about the cost of using AI (52%, 95% CI 24%-79%). An average of 38% of respondents (95% CI 9%-73%) from 4 studies raised concern regarding accountability for misdiagnosis. High number of false positives and an absence of clinical guidelines were top-ranked perceived disadvantages in 2 studies. Conclusion: Most gastroenterology providers expressed interest in using AI systems with colonoscopy and believed it can improve adenoma detection rate. Cost, high number of false positives, and lack of professional society guidelines were among top perceived concerns.
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 | 0,020 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,022 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».