“Trying to Do No Harm”: exploring clinician concerns towards the use of AI for risk prediction in psychiatry
Notice bibliographique
Résumé
Background The application of artificial intelligence (AI) in healthcare is expanding, including in psychiatry. However, its successful adoption depends on clinician acceptance and trust. Despite the growing interest, there remains a knowledge gap in understanding the clinician perspectives and concerns, towards AI in psychiatry. Objective This qualitative, pre-implementation study explored clinician concerns and perceived barriers towards the application of predictive AI for clinical outcomes in a large mental health hospital. Methods and Analysis Four virtual focus groups were conducted with 16 clinicians who provided care at a large mental health hospital in Ontario, Canada. Two focus groups (n=9) included physicians, and two (n=7) included allied clinicians. Participants discussed their awareness and concerns with predictive AI for clinical outcomes. Transcripts were analysed using reflexive thematic analysis. Results Six themes emerged regarding clinician willingness to use and implement AI for clinical outcome prediction in mental healthcare: AI model performance, quality of data sources, system issues, end-user behaviours, patient outcomes and clinician well-being. Subthemes included the absence of technical infrastructure, quality data to support AI development, the ‘black box phenomenon’ of AI algorithms, loss of critical thinking, medicolegal concerns and the potential harms from over-intervening. Conclusion To our knowledge, this is the first qualitative study that uses focus groups to explore a full range of clinician attitudes towards machine learning-based prediction tools in mental healthcare settings. It highlights major areas of concern for emerging AI technology. Understanding clinicians’ perspectives is critical to identifying barriers to the introduction of AI in psychiatry.
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 | 0,001 |
| 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 ».