Weltweite Perspektiven von Krankenhauspatienten zum Einsatz von künstlicher Intelligenz im Gesundheitswesen: Ergebnisse der COMFORT-Studie aus 74 Krankenhäusern in 43 Ländern
Bibliographic record
Abstract
Zielsetzung Allzu oft wird die Einführung von neuen Technologien im Gesundheitswesen nur aus der Sicht des Klinikers betrachtet und die Perspektive des Patienten vernachlässigt. Angesichts der exponentiellen Zunahme von künstlicher Intelligenz (KI) im Gesundheitswesen war es das Ziel dieser internationalen, multizentrischen Querschnittsstudie, die Perspektiven von Krankenhauspatienten zu KI im Gesundheitswesen weltweit zu erfassen. Material und Methoden Die COMFORT-Studie, an der 74 Netzwerkkrankenhäuser in 43 Ländern zwischen Februar und November 2023 teilnahmen, entwickelte und implementierte ein quantitatives Messinstrument für Patienten, das in 26 Sprachen verfügbar war und 26 Items zu KI im Gesundheitswesen umfasste. Ergebnisse Es wurden 13806 Patienten aus Europa (41,7%), Asien (25,2%), Nordamerika (16,5%), Südamerika (9,7%), Afrika (5,3%) und Ozeanien (1,6%) in die Studie eingeschlossen. 57,6% der Befragten hatten eine positive Auffassung über den generellen Einsatz von KI im Gesundheitswesen. In Abhängigkeit von demografischen Merkmalen, dem Gesundheitszustand und der technologischen Kompetenz der Patienten wurden signifikante Unterschiede in der Einstellung gegenüber KI festgestellt. Beispielsweise standen Teilnehmer mit einem schlechterem Gesundheitszustand dem Einsatz von KI in der Medizin weniger positiv gegenüber. Umgekehrt waren ein höheres KI-Wissen und die häufige Nutzung technologischer Geräte mit positiveren Einstellungen verbunden. Weniger als die Hälfte der Patienten zeigte positive Haltungen gegenüber den Items zu Vertrauen in KI, wobei das geringste Vertrauen in die Genauigkeit der KI bei der Bereitstellung von Informationen über das Therapieansprechen bestand. Die Patienten zeigten eine starke Präferenz für erklärbare KI und eine von Ärzten geleitete Entscheidungsfindung, auch wenn dies einen leichten Kompromiss bei der Genauigkeit bedeutete. Schlussfolgerungen Diese multinationale Studie bietet einen umfassenden Überblick über die Patientenperspektiven zu KI im Gesundheitswesen mit Daten aus 6 Kontinenten. Publication History Article published online: 25 March 2025 © 2025. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".