Évaluer les perceptions et l’exposition à l’intelligence artificielle chez les enseignants et cliniciens médicaux en Arabie Saoudite : une étude transversale

Summary

Cette étude transversale a exploré les perceptions de l’intelligence artificielle chez les éducateurs et cliniciens médicaux en Arabie saoudite. Bien qu’un fort intérêt ait été signalé, la formation formelle en IA était limitée et la dépendance à des sources informelles était courante, soulignant le besoin potentiel d’une éducation structurée en IA.

Abstract

L’intelligence artificielle (IA) transforme les soins de santé grâce aux avancées en diagnostic et en prise de décision, pourtant la plupart des études se sont concentrées sur la perception des étudiants en médecine, avec une attention limitée portée aux éducateurs médicaux et aux cliniciens en exercice. Comprendre ces perspectives est essentiel pour élaborer des programmes préparant les futurs médecins à une pratique renforcée par l’IA. Cette étude a examiné la conscience, l’exposition et l’impact perçu à l’IA chez les éducateurs médicaux, internes, internes, spécialistes et consultants en Arabie Saoudite. Une étude transversale a été menée à l’aide d’une enquête en ligne validée, distribuée à plusieurs facultés et hôpitaux de médecine saoudiens. L’enquête a recueilli des données démographiques, une éducation antérieure à l’IA, des connaissances auto-évaluées en IA et l’intérêt pour l’IA. Les participants ont également évalué leur capacité à lister des applications d’IA cliniquement pertinentes, évalué l’influence attendue de l’IA sur diverses spécialités et indiqué si une formation aux concepts d’IA serait bénéfique. Les différences de groupe ont été analysées à l’aide de tests chi-carrés, d’ANOVA et de régression logistique, en contrôlant l’âge et le sexe. Parmi les 229 répondants (60 éducateurs médicaux, 78 internes/internes et 91 spécialistes/consultants), les enseignants médicaux étaient plus susceptibles de déclarer la possibilité de lister les bénéfices liés à l’IA (63,3 % contre 38,5 % et 39,6 %) et d’exprimer des préoccupations éthiques concernant l’utilisation de l’IA dans les soins de santé (76,6 % contre 51,3 % et 51,6 %) par rapport aux autres groupes. Seuls 32,3 % ont déclaré avoir reçu une formation formelle en IA, la plupart acquérant des connaissances par des sources informelles telles que les médias. La radiologie et la pathologie ont été identifiées comme les spécialités les plus susceptibles d’être transformées par l’IA. Dans l’ensemble, la perception de l’IA chez les enseignants et cliniciens médicaux a révélé un fort intérêt mais une formation formelle limitée. Malgré l’enthousiasme de tous les groupes, les participants se sont appuyés sur des sources informelles et manquaient de connaissances fondamentales en IA. Ces résultats soulignent l’importance potentielle d’intégrer une éducation structurée à l’IA dans les programmes médicaux et les programmes de résidence afin de soutenir la préparation aux soins cliniques intégrés par l’IA.

Introduction

Le terme « intelligence artificielle » (IA) a été introduit pour la première fois lors de la conférence de Dartmouth en 1956 et est aujourd’hui reconnu mondialement comme une technologie^{de pointe 1}. L’IA désigne globalement les technologies capables d’imiter l’intelligence^{humaine 2} et est communément classée en quatre domaines : le traitement du langage naturel pour la reconnaissance et la génération de paroles et de textes ; la vision par ordinateur pour interpréter les images ; l’apprentissage automatique basé sur les réseaux de neurones ; et des systèmes basés sur la connaissance qui reposent sur des technologies sémantiques ou la modélisation^{cognitive 3}.

L’une des applications de l’IA qui évolue le plus rapidement se trouve dans le domaine de la santé. L’IA a été décrite comme ayant le potentiel de révolutionner les soins de santé grâce à son intégration dans la pratique^{clinique 4}. En améliorant la précision diagnostique et en optimisant les décisions de traitement, l’IA peut également transformer la manière dont les médecins prodiguent les soins⁵. Pour que ces applications soient efficacement mises en œuvre, les professionnels de santé doivent posséder une connaissance et une connaissance adéquates des technologies d’IA. Son application réussie a été documentée dans plusieurs spécialités, notamment la radiologie, la pathologie, l’ophtalmologie, l’oncologie et la^{dentisterie 6}. Dans l’enseignement médical, l’IA a également soutenu l’apprentissage par simulation virtuelle de patients dans le but de développer des compétences en communication^{et cliniques 7}.

Plusieurs études ont évalué la perception des étudiants en médecine concernant l’IA dans la santé et^{l’éducation} 5,8,9,10. Ces études ont suggéré un intérêt croissant chez les étudiants mais ont également mis en lumière les écarts éducatifs. Cependant, une seule étude a examiné spécifiquement l’exposition des étudiants à l’éducation formelle de l’IA⁸. De même, plusieurs études ont exploré la perception des cliniciens saoudiens praticiens sur^{l’IA 11, 12, 13, 14}, mais aucune n’a évalué l’exposition à l’éducation formelle en IA. Il subsiste un manque notable de recherches spécifiquement axées sur les enseignants médicaux et la façon dont ils perçoivent l’IA et son rôle dans l’enseignement médical.

Pour combler cette lacune, cette étude a évalué les connaissances, l’exposition, les perceptions et les sources d’information actuelles liées à l’IA chez les éducateurs médicaux et les cliniciens en exercice en Arabie Saoudite, ainsi que leurs points de vue sur son influence dans les spécialités médicales. Nous avons mené une enquête transversale pour évaluer ces domaines au sein de cette population. Ces résultats pourraient aider à orienter les efforts futurs pour intégrer les compétences liées à l’IA dans les programmes d’enseignement médical et de formation^{en résidence 15, 16, 17}. À notre connaissance, la présente étude est l’une des premières en Arabie Saoudite à examiner simultanément l’exposition des éducateurs médicaux et des cliniciens en exercice à l’éducation formelle en IA, ainsi que leurs perceptions et leurs connaissances auto-déclarées de l’IA.

Protocol

Modélisation d’études
L’approbation éthique de cette étude a été obtenue auprès du Conseil d’éthique institutionnelle de l’Université King Abdulaziz (Référence n° 500-23). Les participants éligibles comprenaient des professionnels médicaux âgés de 18 ans ou plus (éducateurs médicaux, internes, internes, spécialistes et consultants) exerçant en Arabie Saoudite. Les personnes qui n’étaient pas diplômées en médecine ou qui n’exerçaient pas activement étaient exclues. Tous les participants ont donné leur consentement éclairé avant la collecte des données, et leur participation était entièrement volontaire. Une déclaration de consentement éclairée électronique a été présentée à la première page de l’enquête, et les participants devaient indiquer leur consentement avant de procéder. Les participants ont été informés qu’ils pouvaient se retirer à tout moment avant la soumission de l’enquête sans conséquences. Pour préserver la confidentialité, aucune information personnelle identifiable n’a été collectée, et toutes les données collectées ont été désidentifiées et stockées en toute sécurité.

Outils de collecte de données
Les données ont été collectées via une enquête préalablement validée et mise en ligne via Google Forms. Les participants ont été recrutés par échantillonnage de commodité en publiant des supports de recrutement sans liste de sensibilisation ciblée. Les supports de recrutement contenant le lien de l’enquête ont été distribués via des publicités électroniques, des courriels institutionnels et des plateformes de messagerie en ligne partagées avec les professionnels de santé des écoles de médecine et des hôpitaux saoudiens. Ainsi, aucun taux de réponse formel n’a pu être calculé.

La première section du questionnaire recueillait des informations démographiques, notamment la date de naissance, le sexe, le rôle dans le domaine médical, la spécialité et—pour les internes—l’année de formation. La deuxième section portait sur l’exposition antérieure des participants à l’IA. On leur a demandé s’ils avaient reçu une formation formelle en IA (comme des cours universitaires ou universitaires). Cet item était volontairement large et reposait sur l’auto-interprétation des participants de ce qui constituait une éducation « formelle » à l’IA. Les participants ont également été invités à identifier leurs sources d’exposition à l’IA.

Pour évaluer la perception et la compréhension de l’IA par les participants, nous avons utilisé une enquête précédemment validée, initialement conçue pour évaluer l’impact perçu de l’utilisation de l’IA en médecine chez les étudiants^{en médecine 8}. L’enquête comprenait des éléments sur l’influence de l’IA dans différentes spécialités médicales. Les participants ont également évalué leur compréhension auto-perçue des concepts fondamentaux de l’IA, notamment les réseaux neuronaux convolutionnels (CNN), la validation croisée, les courbes de caractéristiques de fonctionnement du récepteur (ROC) et la surface sous la courbe (AUC). Cette approche nous a permis d’explorer l’écart entre l’intérêt des participants pour l’IA et leur niveau de préparation formelle.

Les réponses à l’enquête étaient automatiquement enregistrées dans Google Forms et exportées vers Microsoft Excel pour l’organisation des données. Les données ont été examinées pour leur exhaustivité avant l’analyse statistique. Les ensembles de données non identifiés étaient chiffrés et stockés sur un disque protégé par mot de passe accessible uniquement aux membres de l’équipe de recherche.

Analyse statistique
Les participants étaient catégorisés en éducateurs médicaux, internes/internes, ou spécialistes/consultants. Toutes les questions de l’échelle de Likert étaient classées en étant d’accord (d’accord ou fortement d’accord) ou non-d’accord (neutres, en désaccord ou fortement en désaccord) pour les comparaisons de groupe.

Les statistiques descriptives comprenaient la moyenne et l’écart type des variables continues et des fréquences avec des proportions pour les variables catégorielles. Les variables démographiques entre groupes ont été comparées à l’aide d’ANOVA pour les variables continues et du test du chi-carré pour les variables catégorielles. Les réponses à l’enquête (d’accord ou de non-accord) des groupes ont été comparées à l’aide de modélisation de régression logistique (accord ou non-accord comme résultat final) avec des tests post-hoc. Tous les tests ont appliqué la correction de Bonferroni pour ajuster les comparaisons multiples entre groupes. Les associations ont été testées contre des variables continues (âge) en utilisant la modélisation linéaire de régression multiple, et contre des variables catégorielles (ayant ou non eu une formation formelle en IA) en utilisant la régression multiple logistique. Tous les modèles de régression contrôlaient l’âge et le sexe des participants.

La multicolinéarité a été testée en calculant le facteur d’inflation de variance (VIF) et s’est avérée négligeable dans tous les modèles. Les résidus du modèle de régression linéaire ont été confirmés comme étant normalement distribués à l’aide du test de Kolmogorov–Smirnov. Les analyses statistiques ont été réalisées dans la version 4.3.1 de R, avec toute la modélisation utilisant le paquet statistique de base, à l’exception des évaluations multi-colinéaires, qui utilisaient le paquet usdm. Tous les tests de signification utilisaient un seuil de α = 0,05. Les résultats finaux du modèle ont été exportés et utilisés pour générer les analyses, tableaux et figures présentés dans la section Résultats.

Results

Exemple
Cette enquête transversale présente des comparaisons observationnelles entre groupes de participants naturels, en accord avec la nature exploratoire de l’étude. L’échantillon comprenait 229 participants (60 enseignants en médecine, 78 internes/internes et 91 spécialistes/consultants). Les groupes ne différaient pas significativement en termes de sexe (47,6 % d’hommes, p=0,088 entre les groupes) ni d’avoir reçu une formation formelle en IA (32,3 % avec formatio...

Discussion

À notre connaissance, il s’agit de l’une des premières études en Arabie Saoudite à examiner comment les éducateurs médicaux et les cliniciens en exercice perçoivent l’IA. L’intérêt fort rapporté s’inscrit dans l’adoption plus large de l’IA dans le secteur de la santé, qui a été documentée tant dans les milieux cliniques que^{éducatifs 18}. Cette tendance a été accueillie positivement par les enseignants médicaux, notamment dans le contexte de l’enseignement médical, ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Google Forms	Google LLC	N/A	Utilisé pour distribuer et collecter les réponses pour l’enquête en ligne
Microsoft Excel	Microsoft Corporation	N/A	Utilisé pour l’organisation et l’exportation des données avant l’analyse
Base de données PubMed	Bibliothèque nationale de médecine des États-Unis	N/A	Utilisé pour la revue de littérature et la recherche de références
Questionnaire	Liu D, Sawyer J, Luna A, Aoun J, Wang J, Boachie L, Halabi S, Joe B Perceptions des étudiants en médecine américains sur l’intelligence artificielle en médecine : 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	Questionnaire validé évaluant les perceptions de l’IA en médecine, adapté d’une étude précédemment publiée dans JMIR Medical Education (2022)
R (logiciel statistique)	Fondation R pour l’informatique statistique	N/A	Utilisé pour l’analyse statistique et la visualisation de données