Exploring the Factors Influencing AI Integration in Clinical Diagnostic Decision-Making
Notice bibliographique
Résumé
This study aimed to explore the key factors influencing the integration of artificial intelligence (AI) into clinical diagnostic decision-making from the perspective of healthcare professionals. This research employed a qualitative design based on semi-structured interviews with 23 healthcare professionals in Canada, including physicians, radiologists, clinical informaticians, nurse practitioners, and administrators. Participants were selected through purposive sampling to ensure diverse perspectives, and data collection continued until theoretical saturation was achieved. Interviews were transcribed verbatim and analyzed thematically using NVivo software, with codes and themes developed iteratively through inductive analysis and constant comparison. Four major themes emerged from the data: (1) technological infrastructure and readiness, (2) human and professional factors, (3) organizational culture and leadership, and (4) perceived value and impact of AI. Participants reported that outdated systems, poor interoperability, and insufficient technical support limited integration. Attitudes toward AI varied, with concerns about trust, autonomy, and training gaps. Organizational barriers included lack of leadership strategy and unclear implementation policies. While AI was recognized for enhancing diagnostic accuracy and efficiency, concerns about alert fatigue, liability, and ethical issues were prevalent. Patient trust, professional identity, and collaborative workflows also influenced AI adoption outcomes. Integrating AI into clinical diagnostics is a complex, multidimensional process shaped by technological, professional, organizational, and ethical factors. Beyond technical improvements, successful implementation requires a holistic, sociotechnical approach that addresses infrastructure, education, workflow design, and patient-clinician communication. Institutional strategies should prioritize clinician engagement, interdisciplinary collaboration, and transparent governance to foster responsible and effective AI adoption in healthcare settings.
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 | 0,057 | 0,159 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,001 | 0,006 |
| 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 ».