Patient attitudes toward ambient artificial intelligence scribes in clinical care: insights from a cross-sectional study
Notice bibliographique
Résumé
OBJECTIVE: To assess patient attitudes towards ambient artificial intelligence (AI) scribes, including comfort, trust, perceived impact on provider interactions, and willingness for future use, and to examine how sociodemographic, health factors, digital literacy, and privacy concerns shape attitudes. MATERIALS AND METHODS: We analyzed cross-sectional data from an online survey of 12 153 adults (52.4% female; 23.1% aged ≥ 65; 41.2% with chronic conditions) in Canada conducted between February 6 and March 10, 2025. Survey-adjusted ordinal and binary logistic regression models assessed predictors, reporting adjusted odds ratios (aORs), 95% confidence intervals (CIs), and P-values. RESULTS: Most respondents (61.8%) were reluctant to future AI scribe use despite mixed attitudes: 39.3% reported some/very high comfort, 57.4% trusted documentation with human oversight, and 49.5% anticipated positive effects on patient-provider interactions. Awareness of AI scribe use was low (28.3%). Males showed higher odds of favorable comfort (aOR = 1.13, 95% CI, 1.05-1.22, P = .001), trust (aOR = 1.21, 95% CI, 1.10-1.32, P < .001), and future use (aOR = 1.38, 95% CI, 1.27-1.51, P < .001). Chronic conditions showed higher odds of future use (aOR = 1.19, 95% CI, 1.08-1.32, P < .001), whereas poorer general health was associated with lower odds across all outcomes. Fewer emergency room/urgent care visits, lower education, and income levels were associated with less favorable attitudes across outcomes. Higher digital health literacy (aOR = 1.03-1.04, all P < .001) and AI knowledge (aOR = 1.28-1.37, all P < .001) showed associations with higher odds across outcomes; privacy concerns were linked to lower odds (eg, future use: aOR = 0.65, 95% CI, 0.63-0.68, P < .001). DISCUSSION: Findings reveal a paradox-patients expressed conditional trust and comfort yet remained reluctant to adopt AI scribes, with privacy concerns and low awareness as key barriers. CONCLUSION: Targeted interventions addressing digital literacy, privacy safeguards, and clinician-patient communication about AI scribes are needed before widespread adoption.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».