Awareness and Perspectives on the Role of Artificial Intelligence in Primary Care: Survey of Rural and Urban Primary Care Physicians in Alberta, Canada
Notice bibliographique
Résumé
Background: Artificial intelligence (AI) is increasingly used in healthcare to enhance patient care and diagnostic efficiency. Despite its potential, physicians’ awareness and perspectives on AI are not well-studied. AI in medicine is often seen as image-focused, but it also includes online appointment scheduling, digitizing medical records, digital consultations, and drug dosage algorithms. We surveyed Canadian primary care physicians (PCPs) to assess their awareness and perspectives on AI in healthcare. Methods: A population-based, cross-sectional survey study was administered to Alberta family medicine physicians in both urban and rural healthcare centers. The survey was administered online using Qualtrics. The survey was distributed by email and through newsletters. Results: Out of 79 responses, 46 were complete and analyzed. Most physicians worked in urban settings and had no prior AI training. Rural physicians showed higher interest and comfort in using AI. Knowledge of AI varied among physicians, with limited awareness of subset concepts of AI. Amongst respondents, the most used AI tools were an ECG interpreter and a language translator, and physicians expressed interest in various AI tools for medical use. Conclusion: There is a lack of knowledge and use of AI tools in medicine, with both urban and rural physicians’ responses suggesting a need for more education and training in AI. Lack of human connection was the main fear that was expressed regarding the use of AI in healthcare. This survey's findings may inform future research into the development and implementation of AI in primary 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.
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 | 0,002 | 0,005 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».