Assessment of patient and physician sentiment on artificial intelligence use in US healthcare
Notice bibliographique
Résumé
Background Medical applications of artificial intelligence (AI) range from diagnostic support and electronic health record optimization to personalized treatment and administrative automation. Despite these advances, AI integration into healthcare requires the acceptance and trust of clinicians and patients. Understanding their perspectives is critical to guiding effective and ethical AI adoption in medicine. Methods We conducted a nationwide, anonymous, online survey of self-identified physicians and patients in the United States using the Clinician and Patient Experience Registry (CaPER) platform. The survey employed Random Domain Intercept Technology (RDIT) and Random Device Engagement (RDE) to collect nationally-representative online responses while minimizing known survey biases. Respondents were stratified into physicians ( n = 382) or patients ( n = 760), and completed a series of questions assessing demographics, comfort with AI-supported decision-making, trust in AI vs. human clinicians, and perceived impact of AI on the physician-patient relationship. Data were analyzed descriptively and comparatively, including specialty-specific sub-analyses among physicians. Results A total of 1,142 complete responses were analyzed. Both physicians and patients reported generally positive attitudes toward AI-supported medical decision-making, with the majority expressing comfort or neutrality. Approximately one-third of both groups favored a collaborative model integrating both human and AI input. Specialty-specific analysis revealed higher comfort with AI among procedure-based disciplines, while diagnostic-oriented specialties expressed more reservations. Respondents were generally evenly divided regarding the anticipated impact of AI on the physician-patient relationship, with many predicting a strengthening effect. Conclusions This large-scale online survey highlights a generally favorable outlook toward AI integration among both physicians and patients, with notable variation by medical specialty for physicians. The findings underscore the importance of tailoring AI implementation strategies to specific clinical contexts and maintaining a focus on human-AI collaboration.
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 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 | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».