Artificial Intelligence in Primary Care: Perceptions and Applications in Medical Clinic Operations (Preprint)
Notice bibliographique
Résumé
BACKGROUND Artificial intelligence (AI) is poised to enhance primary care operations by automating administrative tasks and streamlining workflows, yet adoption in clinics remains limited and uneven. OBJECTIVE To characterize medical clinic personnel’s perceptions of integrating AI—particularly ChatGPT—into routine operations and to map the current evidence base relevant to primary care. METHODS We used a mixed-methods design comprising a scoping literature review, an online survey informed by Canada Health Infoway resources, and semi-structured interviews to capture local context. Quantitative data were summarized descriptively; qualitative data underwent thematic analysis to identify perceived opportunities, barriers, and readiness. RESULTS The scoping review identified 21 publications across 14 countries. Most were narrative reviews or conceptual commentaries emphasizing opportunities for AI scribes, chatbots, and real-time analytics, alongside concerns about ethics, professional identity, and training needs. Empirical studies (surveys and mixed-methods approach) reflected cautious optimism toward adoption. Locally, same sizes for survey (n=15) and interview (n=5) respondents reported high awareness and interest but limited operational use; at the time of data collection, two clinics reported routine use of ChatGPT. Interviews underscored demand for AI-enabled automation (e.g., documentation, triage, patient messaging) and noted active efforts to secure implementation funding. Across sources, anticipated benefits centered on efficiency (time savings, documentation accuracy), while adoption hinged on trust, perceived value, and organizational readiness, which corresponded with global findings of the literature of AI in primary. CONCLUSIONS Primary care medical clinics view AI mostly as ChatGPT application (not LLMs). The clinic operators’ perceptions are promising for near-term efficiency gains in low-risk administrative workflows, but real-world use remains nascent. Implementation efforts should prioritize governance, training, and evaluation frameworks that track time, accuracy, and user experience, while addressing ethical and workforce considerations to support sustainable adoption. CLINICALTRIAL Not applicable.
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 | 0,011 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».