Use, knowledge and perception of large language models in clinical practice: a cross-sectional mixed-methods survey among clinicians in Switzerland
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: Large language model (LLM)-based tools offer potential for clinical practice but raise concerns regarding output accuracy, patient safety and data security. We aimed to assess Swiss clinicians' use, knowledge and perception of LLMs and identify associated factors. METHODS: An anonymous online survey was distributed via 34 medical societies in Switzerland. The primary outcome was frequent use of LLMs (at least weekly use). The secondary outcome was higher knowledge regarding LLMs (score above the median in an 11-item test). Qualitative analysis explored clinicians' perceptions of LLM-related opportunities and risks. RESULTS: Among 685 participants (response rate 29.0%), 225 (32.8%) reported frequent use of LLMs, 25 (3.6%) reported having used a specific medical LLM and 42 (6%) reported the availability of workplace LLM guidelines. The median knowledge test score was 6 points (IQR 4-8 points). Multivariable analysis showed that younger age, male sex and research activity were significantly associated with frequent use and higher knowledge. Qualitative analysis identified administrative support, analytical assistance and access to information as key opportunities. The main risks identified were declining clinical skills, poor output quality and legal or ethical concerns. DISCUSSION: The study highlights a notable adoption of LLMs among Swiss clinicians, particularly among younger, male and research-active individuals. However, the limited availability of workplace guidelines raises concerns about safe and effective use. CONCLUSION: The gap between widespread LLM use and the scarcity of workplace guidelines underscores the need for accessible educational resources and clinical guidelines to mitigate potential risks and promote informed use.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle