Attitudes and Perception of Artificial Intelligence in Hypertension: Cross-Sectional Survey Among Patients and Clinicians
Notice bibliographique
Résumé
Background: Artificial intelligence clinical decision-support systems (AI-CDSS) show promise for improving blood pressure control, but limited data exist on clinicians' and patients' perceptions. This study explores both groups' views on the use of AI-CDSS in hypertension management. Methods: We conducted a cross-sectional survey (Aug 2024–Mar 2025) of primary and secondary care clinicians in Ireland, distributed through Nephrology, Hypertension, and General Practice Societies. A parallel patient survey was conducted via hypertension clinics and community networks. Surveys were designed using the Value-Based Adoption Model (perceived risks and benefits) and refined through a Public and Patient Involvement event. Responses were collected using a 5-point Likert scale. Results: 201 clinicians and 304 patients completed surveys. Most clinicians, 84 (42%) were aged 30–39 and most patients, 192 (64%) were ≥60 years. Basic AI understanding was reported by 164 clinicians (83%) and 206 patients (67%). Willingness to use AI-CDSS was high: 138 clinicians (71%) said they would use it, and 223 patients (75%) were comfortable with their doctor using it. The leading concern among clinicians was legal liability: 148 (77%) were worried about responsibility if AI caused harm. For patients, it was lack of regulation, cited by 172 (60%). The most unanimous response was to decision conflict: 290 patients (97%) said they would follow their doctor’s recommendation over AI’s. Conclusion: Both clinicians and patients are open to AI-CDSS use in hypertension. Patients emphasised the need for stronger regulation and clinicians highlighted liability concerns. Responses strongly affirm that AI must support, not replace clinician judgment. Funding: Government Support – Non-U.S.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».