Bewertung von Wahrnehmungen und Exposition gegenüber künstlicher Intelligenz unter medizinischen Lehrkräften und Klinikern in Saudi-Arabien: Eine Querschnittsstudie

Summary

Diese Querschnittsstudie untersuchte die Wahrnehmung von künstlicher Intelligenz unter medizinischen Lehrkräften und Klinikern in Saudi-Arabien. Obwohl großes Interesse berichtet wurde, war die formale KI-Ausbildung begrenzt, und die Abhängigkeit von informellen Quellen war üblich, was den potenziellen Bedarf an strukturierter KI-Bildung unterstreicht.

Abstract

Künstliche Intelligenz (KI) transformiert das Gesundheitswesen durch Fortschritte in der Diagnostik und Entscheidungsfindung, doch die meisten Studien konzentrieren sich auf die Wahrnehmung von Medizinstudierenden, mit begrenzter Aufmerksamkeit für medizinische Lehrkräfte und praktizierende Kliniker. Das Verständnis dieser Perspektiven ist entscheidend für die Entwicklung von Lehrplänen, die zukünftige Ärzte auf KI-gestützte Praxis vorbereiten. Diese Studie untersuchte das Bewusstsein, die Exposition und die wahrgenommene Wirkung von KI bei medizinischen Ausbildern, Praktikanten, Assistenzärzten, Fachärzten und Fachärzten in Saudi-Arabien. Eine Querschnittsstudie wurde mit einer validierten Online-Umfrage durchgeführt, die an mehrere saudische medizinische Fakultäten und Krankenhäuser verteilt wurde. Die Umfrage sammelte demografische Daten, frühere KI-Ausbildung, selbstbewertetes KI-Wissen und Interesse an KI. Die Teilnehmer bewerteten außerdem ihre Fähigkeit, klinisch relevante KI-Anwendungen aufzulisten, bewerteten den erwarteten Einfluss von KI auf verschiedene Fachgebiete und gaben an, ob eine Ausbildung in KI-Konzepten von Vorteil sein würde. Gruppenunterschiede wurden mittels Chi-Quadrat-Tests, ANOVA und logistischer Regression analysiert, wobei Alter und Geschlecht kontrolliert wurden. Unter den 229 Befragten (60 medizinische Lehrkräfte, 78 Assistenzärzte/Assistenzärzte und 91 Fachärzte/Fachärzte) gaben medizinische Lehrkräfte eher an, KI-Vorteile aufzulisten (63,3 % gegenüber 38,5 % und 39,6 %) und ethische Bedenken bezüglich des KI-Einsatzes im Gesundheitswesen zu äußern (76,6 % gegenüber 51,3 % und 51,6 %) im Vergleich zu den anderen Gruppen. Nur 32,3 % gaben an, eine formale KI-Ausbildung zu erhalten, wobei die meisten ihr Wissen über informelle Quellen wie die Medien erwerben. Radiologie und Pathologie wurden als die Fachgebiete identifiziert, die am ehesten durch KI transformiert werden könnten. Insgesamt zeigten die Wahrnehmungen von KI unter medizinischen Lehrkräften und Klinikern ein starkes Interesse, aber eine begrenzte formale Ausbildung. Trotz Begeisterung in allen Gruppen griffen die Teilnehmer auf informelle Quellen und verfügten nicht über grundlegende Kenntnisse in KI. Diese Ergebnisse unterstreichen die potenzielle Bedeutung der Integration strukturierter KI-Ausbildung in medizinische Lehrpläne und Facharztausbildungsprogramme, um die Vorbereitung auf KI-integrierte klinische Versorgung zu unterstützen.

Introduction

Der Begriff "künstliche Intelligenz" (KI) wurde erstmals auf der Dartmouth-Konferenz im Jahr 1956 eingeführt und gilt heute weltweit als eine der führenden Technologien^. KI bezeichnet im Allgemeinen Technologien, die in der Lage sind, menschliche Intelligenz^{2 zu} imitieren, und wird üblicherweise in vier Bereiche eingeteilt: natürliche Sprachverarbeitung für Sprach- und Texterkennung und -erzeugung; Computer Vision zur Interpretation von Bildern; maschinelles Lernen basierend auf neuronalen Netzen; und wissensbasierte Systeme, die auf semantischen Technologien oder kognitiver Modellierung basieren³.

Eine der am schnellsten entwickelnden Anwendungen von KI ist im Gesundheitswesen. KI wurde als Entwickler beschrieben, die das Gesundheitswesen durch ihre Integration in die klinische Praxis zu revolutionieren⁴. Durch die Verbesserung der diagnostischen Genauigkeit und die Optimierung der Behandlungsentscheidungen kann KI auch die Art und Weise verändern, wie Ärzte Versorgung leisten⁵. Damit diese Anwendungen effektiv implementiert werden können, müssen Gesundheitsfachkräfte über ausreichendes Wissen und Bewusstsein für KI-Technologien verfügen. Seine erfolgreiche Anwendung wurde in mehreren Fachrichtungen dokumentiert, darunter Radiologie, Pathologie, Augenheilkunde, Onkologie und Zahnmedizin⁶. In der medizinischen Ausbildung hat KI auch das Lernen durch virtuelle Patientensimulationen unterstützt, mit dem Ziel, Kommunikations- und klinische Fähigkeiten zu entwickeln⁷.

Mehrere Studien haben die Wahrnehmung von KI durch Medizinstudierende im Gesundheitswesen und in der Bildung^untersucht 5,8,9,10. Diese Studien deuteten auf ein wachsendes Interesse der Studierenden hin, zeigten aber auch Bildungslücken hervor. Allerdings hat nur eine Studie speziell die Exposition der Studierenden gegenüber formaler KI-Bildung^{untersucht 8}. Ähnlich haben mehrere Studien die Wahrnehmung von KI durch saudische Kliniker^{untersucht, aber} keine hat die Exposition gegenüber formaler KI-Bildung bewertet. Es gibt weiterhin einen bemerkenswerten Mangel an Forschung, die sich speziell auf medizinische Lehrkräfte und deren Wahrnehmung von KI und ihrer Rolle in der medizinischen Ausbildung konzentriert.

Um diese Lücke zu schließen, bewertete diese Studie das aktuelle Wissen, die Exposition, Wahrnehmungen und Informationsquellen im Zusammenhang mit KI unter medizinischen Lehrkräften und praktizierenden Klinikern in Saudi-Arabien sowie deren Ansichten zu ihrem Einfluss auf medizinische Fachrichtungen. Wir führten eine Querschnittserhebung durch, um diese Bereiche innerhalb dieser Population zu bewerten. Die Ergebnisse könnten zukünftige Bemühungen unterstützen, KI-bezogene Kompetenzen in medizinische Ausbildung und Facharztausbildungsprogramme zu integrieren 15,16,17. Soweit wir wissen, ist die vorliegende Studie eine der ersten in Saudi-Arabien, die gleichzeitig die Konfrontation von medizinischen Lehrkräften und praktizierenden Klinikern mit formaler KI-Ausbildung sowie deren Wahrnehmung und selbstberichtetes Wissen über KI untersucht.

Protocol

Studienmodellierung
Die ethische Genehmigung für diese Studie wurde vom Institutional Review Board der King Abdulaziz University (Referenznr. 500-23) eingeholt. Zu den berechtigten Teilnehmern gehörten medizinische Fachkräfte ab 18 Jahren (medizinische Ausbilder, Assistenzärzte, Assistenzärzte, Fachärzte und Fachärzte), die in Saudi-Arabien tätig waren. Personen, die keinen medizinischen Abschluss hatten oder nicht aktiv praktizierten, wurden ausgeschlossen. Alle Teilnehmer gaben vor der Datenerhebung eine informierte Einwilligung, und ihre Teilnahme war vollständig freiwillig. Auf der ersten Seite der Umfrage wurde eine elektronische Erklärung zur informierten Zustimmung präsentiert, und die Teilnehmer mussten ihre Zustimmung vor dem Fortschreiten angeben. Den Teilnehmern wurde mitgeteilt, dass sie jederzeit vor der Einreichung der Umfrage ohne Konsequenzen zurücktreten können. Um die Vertraulichkeit zu wahren, wurden keine personenbezogenen Daten gesammelt, und alle gesammelten Daten wurden deidentifiziert und sicher aufbewahrt.

Datenerfassungswerkzeuge
Die Daten wurden über eine zuvor validierte Umfrage gesammelt, die online über Google Forms geliefert wurde. Die Teilnehmer wurden durch Convenience Sampling rekrutiert, indem sie Rekrutierungsmaterialien ohne gezielte Outreach-Liste veröffentlichten. Die Rekrutierungsmaterialien mit dem Umfragelink wurden über elektronische Anzeigen, institutionelle E-Mails und Online-Messaging-Plattformen verteilt, die mit Gesundheitsfachkräften an saudischen medizinischen Fakultäten und Krankenhäusern geteilt wurden. Daher konnte keine formale Antwortrate berechnet werden.

Der erste Abschnitt des Fragebogens sammelte demografische Informationen, darunter Geburtsdatum, Geschlecht, Rolle im medizinischen Bereich, Fachgebiet und – für Assistenzärzte – Ausbildungsjahr. Der zweite Abschnitt konzentrierte sich auf die bisherige KI-Exposition der Teilnehmer. Sie wurden gefragt, ob sie eine formale Ausbildung in KI erhalten hätten (wie zum Beispiel an Hochschulen oder Universitäten). Dieser Punkt war bewusst breit gefasst und basierte auf der Selbstinterpretation der Teilnehmer, was als 'formale' KI-Bildung gilt. Die Teilnehmer wurden außerdem gebeten, ihre Quellen der KI-Exposition zu identifizieren.

Um die Wahrnehmung und das Verständnis der Teilnehmer von KI zu bewerten, nutzten wir eine zuvor validierte Umfrage, die ursprünglich dazu diente, die wahrgenommene Wirkung des KI-Einsatzes in der Medizin unter Medizinstudierenden zu bewerten⁸. Die Umfrage enthielt Fragen zum Einfluss von KI auf verschiedene medizinische Fachgebiete. Die Teilnehmer bewerteten außerdem ihr selbstwahrgenommenes Verständnis grundlegender KI-Konzepte, darunter konvolutionelle neuronale Netze (CNNs), Kreuzvalidierung, Empfänger-Betriebscharakteristik (ROC)-Kurven und Fläche unter der Kurve (AUC). Dieser Ansatz ermöglichte es uns, die Lücke zwischen dem Interesse der Teilnehmer an KI und ihrem Grad an formaler Vorbereitung zu erkunden.

Umfrageantworten wurden automatisch in Google Forms erfasst und in Microsoft Excel exportiert, um die Daten zu organisieren. Die Daten wurden vor der statistischen Analyse auf Vollständigkeit geprüft. Anonymisierte Datensätze wurden verschlüsselt und auf einem passwortgeschützten Laufwerk gespeichert, das nur für Mitglieder des Forschungsteams zugänglich war.

Statistische Analyse
Die Teilnehmer wurden als medizinische Lehrkräfte, Praktikanten/Assistenzärzte oder Spezialisten/Berater kategorisiert. Alle Fragen auf Likert-Skala wurden für Gruppenvergleiche entweder als Zustimmung (zustimmen oder stark zustimmend) oder als Nichtübereinstimmung (neutral, anderer Meinung oder stark anderer Meinung) kategorisiert.

Deskriptive Statistiken umfassten den Mittelwert und die Standardabweichung kontinuierlicher Variablen sowie Häufigkeiten mit Anteilen für kategoriale Variablen. Demografische Variablen zwischen den Gruppen wurden unter Verwendung von ANOVA für kontinuierliche Variablen und Chi-Quadrat-Tests für kategoriale Variablen verglichen. Die Umfrageantworten (Übereinstimmung oder Nichtübereinstimmung) der Gruppen wurden mittels logistischer Regressionsmodellierung (Übereinstimmung oder Nichtübereinstimmung als Ergebnis) mit Post-hoc-Tests verglichen. Alle Tests wandten die Bonferroni-Korrektur an, um mehrere Vergleiche zwischen den Gruppen auszugleichen. Die Assoziationen wurden anhand kontinuierlicher Variablen (Alter) mittels linearer multipler Regressionsmodellierung getestet und mit kategorischen Variablen (ob sie eine formale Ausbildung in KI hatten oder nicht) mittels logistischer Multipler Regression. Alle Regressionsmodelle kontrollierten das Alter und Geschlecht der Teilnehmer.

Die Multikollinearität wurde durch Berechnung des Varianzinflationsfaktors (VIF) getestet und erwies sich in allen Modellen als vernachlässigbar. Lineare Regressionsmodell-Residuen wurden mit dem Kolmogorov–Smirnov-Test als normalverteilt bestätigt. Statistische Analysen wurden in R-Version 4.3.1 durchgeführt, wobei alle Modellierungen das Basisstatistikpaket verwendeten, mit Ausnahme der Multikollinearitätsbewertungen, die das USDM-Paket verwendeten. Alle Signifikanztests verwendeten einen Schwellenwert von α = 0,05. Die endgültigen Modellausgaben wurden exportiert und zur Erstellung der Analysen, Tabellen und Abbildungen verwendet, die im Ergebnisbereich präsentiert wurden.

Results

Beispiel
Diese Querschnittserhebung zeigt beobachtende Vergleiche zwischen natürlich vorkommenden Teilnehmergruppen, was mit dem explorativen Charakter der Studie übereinstimmt. Die Stichprobe umfasste 229 Teilnehmer (60 medizinische Ausbilder, 78 Assistenzärzte/Assistenzärzte und 91 Fachärzte/Fachärzte). Die Gruppen unterschieden sich nicht signifikant hinsichtlich des Geschlechts (47,6 % männlich, p=0,088 zwischen den Gruppen) oder weil sie eine formale KI-Ausbildun...

Discussion

Soweit wir wissen, ist dies eine der ersten Studien in Saudi-Arabien, die untersucht, wie medizinische Lehrkräfte und praktizierende Kliniker KI wahrnehmen. Das starke gemeldete Interesse steht im Einklang mit der breiteren Einführung von KI im Gesundheitswesen, die sowohl in klinischen als auch im^{Bildungsbereich} dokumentiert wurde. Dieser Trend wurde von medizinischen Lehrkräften positiv aufgenommen, insbesondere im Kontext der medizinischen Ausbildung, wo Werkze...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Google Forms	Google LLC	N/A	Verwendet zur Verteilung und Sammlung von Antworten für die Online-Umfrage
Microsoft Excel	Microsoft Corporation	N/A	Verwendet für die Datenorganisation und den Export vor der Analyse
PubMed-Datenbank	US-amerikanische Nationalbibliothek für Medizin	N/A	Verwendung für Literaturübersichten und Quellenangaben
Fragebogen	Liu D, Sawyer J, Luna A, Aoun J, Wang J, Boachie L, Halabi S, Joe B Wahrnehmungen von US-Medizinstudenten zur künstlichen Intelligenz in der Medizin: Mixed Methods Survey Study JMIR Med Educ 2022; 8(4):e38325 URL: https://mededu.jmir.org/2022/4/e38325 DOI: 10.2196/38325	N/A	Validierter Fragebogen zur Bewertung der Wahrnehmung von KI in der Medizin, adaptiert aus einer zuvor veröffentlichten Studie im JMIR Medical Education (2022)
R (Statistische Software)	R-Stiftung für statistische Berechnung	N/A	Verwendet für statistische Analyse und Datenvisualisierung