Patient and clinician perspectives in the use of machine learning and artificial intelligence in the context of acute neurology
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
Abstract Background Clinician perspectives on machine learning and artificial intelligence (ML/AI) vary with discipline. However, fewer studies describe patient perspectives and address medical situations that require rapid decisions with durable consequences for patient outcomes. This study characterized perspectives (qualitatively) and sentiment (quantitatively) regarding the use of ML/AI for patient management in neurological emergencies. Methods We conducted semi-structured interviews with survivors (or their proxy) of intracranial hemorrhage, and clinicians who care for such patients. Interviews were analyzed qualitatively using thematic analysis, and quantitatively using sentiment analysis to assess attitudes using a transformer-based language model with scores from -1 (most negative) to 1 (most positive). Results We enrolled 21 participants (14 patients, 1 proxy, and 6 clinicians) and reached thematic saturation. Help with clinical decision-making was cited as an advantage of ML/AI. Participants noted the importance of considering ML/AI as an adjunct to clinical care, not as a replacement for clinicians. Over-reliance on recommendations, potentially leading to diminution of clinician skill, incorrect ML/AI recommendations, potential liability, and bias were cited as challenges. Clinician and patient education were noted as a potential burden. Median sentiment scores ranged from 0.0 (neutral) to 0.3 (positive). Sentiment varied with question type (P < .001). Questions about clinicians using ML/AI for patient care had the highest sentiment score. Discussion and Conclusion Patients and clinicians expressed mixed views about ML/AI. Potential benefits related to improved decision-making and concerns focused on bias, liability, and the need for further education. Future work should address how best to incorporate ML/AI into education and obviate potential burdens as ML/AI is integrated into clinical 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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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