Patient Perceptions of Artificial Intelligence and Telemedicine in Dermatology: Narrative Review
Notice bibliographique
Résumé
BACKGROUND: Artificial intelligence (AI) and telemedicine have great potential to transform dermatology care delivery, but patient perspectives on these technologies have not been systematically compared. OBJECTIVE: To examine patient perspectives on AI and telemedicine in dermatology to inform implementation strategies as these technologies increasingly converge in clinical practice. METHODS: A comprehensive literature search was conducted using PubMed, Scopus, and Embase databases between August 2024 and October 2024. We identified 48 articles addressing patient perspectives on AI and telemedicine in dermatology, with none directly comparing views on both technologies. RESULTS: Several distinct themes emerged regarding patient perspectives on these technologies: willingness to use, perceived benefits and risks, barriers to implementation, and conditions necessary for successful integration. Findings revealed that patients express hesitancy towards AI-based diagnoses that lack dermatologist involvement, while preferences for teledermatology varied by appointment reason, age, and prior technology exposure. Patients' motivations for AI implementation are connected to AI's potential for quicker diagnoses and improved triage efficiency, while telemedicine addresses logistical challenges such as reduced travel time and improved appointment availability. Both technologies were perceived to improve accessibility and diagnostic efficiency, though patients expressed concerns about AI's limited communication abilities and teledermatology's limits in performing physical examinations. Primary adoption barriers for these modalities included technological limitations and trust concerns, with patients emphasizing the need for dermatologist oversight, transparency, and adequate educational resources for successful integration. CONCLUSIONS: The complementary strengths of AI and teledermatology suggest they could mitigate each other's limitations when integrated-AI potentially enhancing teledermatology's diagnostic accuracy while teledermatology addresses AI's lack of human connection. By thoroughly examining these perspectives, this review may serve as a guide for patient-centered technological integration in the future landscape of accessible dermatologic care.
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».