Radiology Staff Experiences With Integrating Artificial Intelligence Into Radiology Practice in a Swedish Hospital: Qualitative Case Study
Notice bibliographique
Résumé
Background: The integration of artificial intelligence (AI) in radiology has advanced significantly, but research on how it affects the daily work of radiology staff is limited. Objective: This study aimed to explore the experiences of radiology staff on the integration of an AI application in a radiology department in Sweden. This understanding is essential for developing strategies to address potential challenges in AI integration and optimize the use of AI applications in radiology practice. Methods: This qualitative case study was conducted in a single radiology department with 40 employees in 1 hospital in southwestern Sweden. The study concerned the integration of an AI-powered medical imaging software designed to assist radiologists in analyzing and interpreting medical images. Using a qualitative design, interviews were conducted with 7 radiologists (physicians), 4 radiologic technologists, and 1 physician assistant. Their experience within radiology varied between 13 months and 38 years. The data were analyzed using qualitative content analysis. Results: Participants cited numerous strengths and advantages of significant value in integrating AI into radiology practice. Numerous challenges were also revealed in terms of difficulties associated with choosing, acquiring, and deploying the AI application and operational issues in radiology practice. They discussed experiences with diverse strategies to facilitate the integration of AI in radiology and to address various challenges and problems. Conclusions: The findings illustrate how AI integration was experienced in 1 hospital. While not generalizable, the study provides insights that may be useful for similar settings. Radiology staff believed AI integration enhanced decision-making and quality of care, but they encountered challenges from preadoption to routine use of AI in radiology practice. Strategies such as internal training and workflow adaptation facilitated the successful integration of AI in radiology.
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 | 0,019 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,011 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».