Identifying Barriers and Enablers to the Adoption of AI-Based Triage Tools in Emergency Departments
Notice bibliographique
Résumé
This study aimed to explore the perceived barriers and enablers influencing the adoption of artificial intelligence (AI)-based triage tools in emergency departments (EDs) from the perspective of frontline healthcare professionals. A qualitative research design was employed, utilizing semi-structured interviews with 19 participants—including emergency physicians, triage nurses, department managers, clinical administrators, and health informatics experts—working in emergency departments across Canada. Participants were selected using purposive sampling to ensure diversity in professional roles and institutional settings. Data collection continued until theoretical saturation was reached. Interviews were transcribed verbatim and analyzed using grounded theory methodology. Open, axial, and selective coding were conducted with the assistance of NVivo software to identify emerging themes and construct a conceptual model of AI adoption dynamics. The analysis revealed five core categories shaping AI-based triage adoption: (1) perceived risk and uncertainty, including lack of trust in AI outputs and concerns over legal liability; (2) institutional and organizational readiness, such as infrastructure limitations and workflow misalignment; (3) human capital and knowledge systems, including digital literacy gaps and lack of training; (4) system-level support and governance, highlighting the role of managerial commitment and national policy frameworks; and (5) value proposition and practical benefits, including efficiency gains, clinical decision support, and user-friendly integration. These categories reflected the interplay of technical, organizational, and human factors that either hindered or enabled AI integration in emergency care settings. Adopting AI-based triage tools in emergency departments requires addressing a complex ecosystem of trust, readiness, training, infrastructure, and systemic support. The findings underscore the importance of clinician engagement, targeted education, transparent design, and multi-level policy alignment to ensure effective and sustainable implementation.
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 | 0,035 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».