What Are the Mechanisms That Support Healthcare Professionals to Adopt Artificial Intelligence Into Practice?
Notice bibliographique
Résumé
Artificial intelligence (AI) is increasingly integrated across healthcare disciplines, promising enhanced accuracy, efficiency, and personalized care. However, clinical adoption remains inconsistent due to organizational, ethical, and behavioral barriers. Earlier evidence syntheses predate recent developments in generative AI, global policy regulation, and post-pandemic digital transformation.This updated Rapid Realist Review (RRR) sought to identify and explain the mechanisms that support healthcare professionals in adopting AI technologies into clinical practice, using contemporary evidence published between January 2021 and June 2025.A realist synthesis approach was used to uncover Context–Mechanism–Outcome (CMO) patterns explaining how adoption occurs across clinical and organizational contexts. Six databases (PubMed, Scopus, Web of Science, IEEE Xplore, ScienceDirect, and Frontiers) were searched using predefined Boolean terms. Sixteen eligible studies, spanning empirical research, implementation frameworks, and conceptual analyses, were included following quality appraisal using the Mixed Methods Appraisal Tool (MMAT 2022). Data were extracted into a Mechanism × Study Evidence Matrix and synthesized iteratively through thematic abstraction, supported by expert stakeholder consultation.Seven interdependent mechanisms were identified:1.Organizational readiness and leadership (strategic alignment, governance maturity)2.Trust, transparency, and explainability (clinician confidence and interpretability),3.Workflow compatibility and integration (EHR interoperability and task alignment),4.Ethical, legal, and governance clarity (fairness, privacy, accountability),5.Training, education, and AI literacy (competence and professional readiness),6.Digital ecosystem and infrastructure readiness (interoperability and data security), and7.Behavioral and cultural adaptation (identity, autonomy, and professional norms).
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 | 0,123 | 0,326 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,013 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,016 | 0,017 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».