Artificial Intelligence (AI) Adoption, Policies, and Goals in Family Medicine: A Survey of Department Chairs
Notice bibliographique
Résumé
Background: Artificial Intelligence (AI) has the potential to reshape family medicine by enhancing clinical, educational, administrative, and research operations. Despite AI9s transformative potential, its adoption is inconsistent, and strategic frameworks remain limited. This study explores current AI adoption, organizational policies, integration priorities, and budget allocations within family medicine departments. Methods: A survey of 218 family medicine department chairs in the US and Canada was conducted via SurveyMonkey from August 13 to September 20, 2024, as part of the Council of Academic Family Medicine (CAFM) Educational Research Alliance (CERA) omnibus project. Survey questions assessed current and planned AI utilization, presence of formal departmental or organizational policies (defined as written guidelines, strategic plans, or frameworks), integration priorities, and budget allocations. Data were analyzed using Chi-square tests, Wilcoxon Rank Sum tests, and Kruskal-Wallis tests, with a primary focus on bivariate comparisons. Results: The survey achieved a 50.9% response rate (111/218). Current AI use was reported by 56.9% (62/109), while 37.6% (41/109) indicated formal organizational policies. Primary goals for AI integration included improving clinical operations (52.3%), administrative streamlining (16.5%), educational applications (11.9%), and research (4.6%). Budget allocations were minimal (median, 0%; mean 2.4%), though departmental budgets likely underestimate actual institutional investment in AI. Departments reporting AI use had significantly more full-time equivalent faculty (median, 40.0 vs 25.5, P = .023). Geographic and chair demographics were not significantly associated with differences in AI adoption. Conclusions: AI integration in family medicine departments is viewed as essential, though current adoption is limited by uncertain strategic planning and minimal departmental budget allocations, potentially reflecting reliance on centralized institutional information technology (IT) investments. While AI is widely viewed as important, structured policy frameworks and implementation strategies are still developing. Further research is essential to guide policy development and strategic investment to ensure AI’s safe, efficient, and effective integration into family medicine.
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 | 0,010 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».