Awareness and Perspectives on the Role of Artificial Intelligence in Primary Care: A cross-Sectional Survey of Rural and Urban Primary Care Physicians in Alberta, Canada
Notice bibliographique
Résumé
Background: Artificial intelligence (AI) is increasingly integrated into healthcare, yet physicians’ awareness and perspectives remain underexplored. While often associated with imaging, AI applications also include online scheduling, digitized records, virtual consultations, and drug dosage algorithms. This study surveyed Canadian primary care physicians (PCPs) to assess their awareness and attitudes toward AI in healthcare. Methods: A cross-sectional survey was distributed via email and newsletters to family physicians across Alberta, including both urban and rural settings. Responses were collected through Qualtrics. Results: Of 79 responses, 46 met inclusion criteria. Most respondents practiced in urban areas (63%) and had no prior AI training (65%). Rural physicians reported greater comfort and interest in AI, including its use for monitoring treatment adherence (p=0.043) and analyzing EMR data for health management (p=0.027). Knowledge of AI varied widely: only 30% recognized that deep learning involves artificial neural networks, while 44% reported no knowledge of the concept. Commonly used AI tools included ECG interpreters (65%) and language translators (37%). Physicians showed interest in expanded medical uses of AI. 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. The “Lack of human connection” was the main fear that was expressed regarding the use of AI in healthcare suggesting concerns about potential impacts on patient-provider relationships. 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 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 | 0,001 | 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 | 0,001 | 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 ».