$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
研究モデリング
本研究の倫理承認はキング・アブドゥルアジズ大学の機関審査委員会(参考番号500-23)から取得されました。対象となる参加者には、サウジアラビアで勤務する18歳以上の医療従事者(医学教育者、インターン、レジデント、専門医、コンサルタント)が含まれていました。医学部の卒業者でない、または現役でない者は除外されました。すべての参加者はデータ収集前にインフォームドコンセントを提供し、その参加は完全に自主的でした。調査の最初のページには電子インフォームドコンセントステートメントが提示され、参加者は進める前に同意を示す必要がありました。参加者には、アンケート提出前にいつでも撤回しても問題ないと伝えられました。機密保持のため、個人を特定できる情報は収集せず、収集したすべてのデータは非匿名化され、安全に保管されました。
データ収集ツール
データは、Googleフォームを通じてオンラインで提供された事前に検証済みの調査によって収集されました。参加者は、ターゲットを絞ったアウトリーチリストなしに募集資料を投稿することで、利便便性サンプリングで募集されました。調査リンクを含む採用資料は、電子広告、機関のメール、サウジの医科大学や病院の医療従事者と共有されたオンラインメッセージングプラットフォームを通じて配布されました。そのため、正式な応答率の計算はできませんでした。
アンケートの最初のセクションでは、生年月日、性別、医療分野での役割、専門分野、そしてレジデント向けの研修年などの人口統計情報が収集されました。第2セクションは参加者のAIへの以前の接触に焦点を当てました。彼らは、大学やカレッジでの正式なAI教育を受けたかどうかを尋ねました。この項目は意図的に広範で、参加者自身が「正式な」AI教育とは何かを解釈することに依存していました。参加者にはAIへの曝露源を特定するよう求められました。
参加者のAIに対する認識と理解を評価するために、医学生の医療におけるAI使用の影響を評価するために設計された、以前に検証された調査を用いました。調査には、AIが異なる医療専門分野に与える影響に関する項目が含まれていました。参加者はまた、畳み込みニューラルネットワーク(CNN)、クロスバリデーション、受信者操作特性(ROC)曲線、曲線下面積(AUC)などの基礎的なAI概念に対する自己認識の理解度を評価しました。このアプローチにより、参加者のAIへの関心と正式な準備度との間にあるギャップを探ることができました。
アンケート回答はGoogleフォームに自動的に記録され、Microsoft Excelにエクスポートされてデータ整理が行われました。データは統計解析前に完全性を審査されました。非識別化されたデータセットは暗号化され、研究チームのメンバーのみがアクセスできるパスワード保護されたドライブに保存されました。
統計解析
参加者は医療教育者、インターン/レジデント、または専門医/コンサルタントに分類されました。すべてのリッカート尺度質問は、グループ比較において一致(同意または強く同意)または非同意(中立、反対、強く反対)に分類されました。
記述統計には、連続変数の平均および標準偏差、そしてカテゴリ変数の比率を持つ頻度が含まれていました。連続変数についてはANOVAを用い、カテゴリ変数にはカイ二乗検定を用いて、集団間の人口統計変数を比較しました。グループの調査回答(同意または非同意)は、ロジスティック回帰モデリング(結果として一致または非一致)と事後検査を比較しました。すべてのテストは、グループ間の複数比較を調整するためにボンフェローニ補正を適用しました。関連性は線形多重回帰モデリングを用いて連続変数(年齢)に対して、ロジスティック多重回帰を用いてカテゴリー変数(AIの正式な教育を受けたかどうか)に対して検証しました。すべての回帰モデルは参加者の年齢と性別を管理していました。
分散インフレーション係数(VIF)を計算して多重共線性を検証し、すべてのモデルで無視できると判明しました。線形回帰モデルの残差はコルモゴロフ–スミルノフ検定を用いて正規分布であることが確認されました。統計解析はRバージョン4.3.1で完了し、すべてのモデリングはベース統計パッケージを使用しましたが、多重共線性評価はusdmパッケージを使用しました。すべての有意性検定ではα = 0.05の閾値を用いていました。最終モデルの出力はエクスポートされ、結果セクションで示される分析、表、図の作成に使用されました。