Ocena postrzegania i kontaktu ze sztuczną inteligencją wśród edukatorów medycznych i klinicystów w Arabii Saudyjskiej: badanie przekrojowe

Summary

To przekrojowe badanie analizowało postrzeganie sztucznej inteligencji wśród edukatorów medycznych i klinicystów w Arabii Saudyjskiej. Chociaż zgłaszano duże zainteresowanie, formalne szkolenia z AI były ograniczone, a poleganie na nieformalnych źródłach było powszechne, co podkreślało potencjalną potrzebę ustrukturyzowanej edukacji AI.

Abstract

Sztuczna inteligencja (AI) zmienia opiekę zdrowotną dzięki postępom w diagnostyce i podejmowaniu decyzji, jednak większość badań koncentruje się na postrzeganiu studentów medycyny, z ograniczonym uwzględnieniem edukatorów medycznych i praktykujących klinicystów. Zrozumienie tych perspektyw jest kluczowe dla opracowania programów nauczania przygotowujących przyszłych lekarzy do praktyki wspomaganej przez AI. Badanie to analizowało świadomość AI, ekspozycję oraz postrzegany wpływ wśród edukatorów medycznych, stażystów, rezydentów, specjalistów i konsultantów w Arabii Saudyjskiej. Przeprowadzono badanie przekrojowe na podstawie zweryfikowanej ankiety internetowej rozesłanej do kilku saudyjskich szkół medycznych i szpitali. Badanie zebrało dane demograficzne, wcześniejsze wykształcenie w AI, samodzielną wiedzę o AI oraz zainteresowanie AI. Uczestnicy ocenili również swoją zdolność do wymieniania klinicznie istotnych zastosowań AI, ocenili oczekiwany wpływ AI na różne specjalizacje oraz wskazali, czy szkolenie w koncepcjach AI byłoby korzystne. Różnice grup analizowano za pomocą testów chi-kwadrat, ANOVA oraz regresji logistycznej, kontrolując wiek i płeć. Spośród 229 respondentów (60 edukatorów medycznych, 78 stażystów/rezydentów oraz 91 specjalistów/konsultantów) edukatorzy medyczni częściej zgłaszali możliwość wymieniania korzyści AI (63,3% vs. 38,5% i 39,6%) oraz wyrażali obawy etyczne dotyczące wykorzystania AI w opiece zdrowotnej (76,6% vs. 51,3% i 51,6%) w porównaniu z pozostałymi grupami. Tylko 32,3% zgłosiło formalną edukację AI, a większość zdobywała wiedzę dzięki nieformalnym kontaktom, takim jak media. Radiologia i patologia zostały zidentyfikowane jako specjalizacje najbardziej prawdopodobne do przekształcenia przez AI. Ogólnie rzecz biorąc, postrzeganie AI wśród edukatorów medycznych i klinicystów wykazało duże zainteresowanie, ale ograniczone formalne szkolenie. Pomimo entuzjazmu wszystkich grup, uczestnicy polegali na nieformalnych źródłach i brakowało im podstawowej wiedzy na temat AI. Wyniki te podkreślają potencjalne znaczenie włączenia ustrukturyzowanej edukacji AI do programów medycznych i programów rezydenturowych, aby wspierać przygotowanie do zintegrowanej opieki klinicznej opartej na AI.

Introduction

Termin "sztuczna inteligencja" (AI) został po raz pierwszy wprowadzony na konferencji w Dartmouth w 1956 roku i obecnie jest globalnie uznawany za jedną z najważniejszych technologii¹. AI szeroko odnosi się do technologii zdolnych naśladować ludzką inteligencję² i jest powszechnie dzielona na cztery dziedziny: przetwarzanie języka naturalnego do rozpoznawania i generowania mowy oraz tekstu; widzenie komputerowe do interpretacji obrazów; uczenie maszynowe oparte na sieciach neuronowych; oraz systemy oparte na wiedzy, które opierają się na technologiach semantycznych lub modelowaniu poznawczym³.

Jednym z najszybciej rozwijających się zastosowań AI jest opieka zdrowotna. AI jest opisywana jako mająca potencjał zrewolucjonizowania opieki zdrowotnej poprzez integrację z praktyką kliniczną⁴. Poprzez zwiększenie dokładności diagnostyki i optymalizację decyzji dotyczących leczenia, AI może również zmienić sposób, w jaki lekarze świadczą opiekę⁵. Aby te zastosowania mogły być skutecznie wdrażane, pracownicy służby zdrowia muszą posiadać odpowiednią wiedzę i świadomość na temat technologii AI. Jej skuteczne zastosowanie zostało udokumentowane w wielu specjalizacjach, w tym radiologii, patologii, okulistyce, onkologii i stomatologii⁶. W edukacji medycznej AI wspierała również naukę poprzez wirtualne symulacje pacjentów, mając na celu rozwijanie umiejętności komunikacyjnych i klinicznych⁷.

Kilka badań oceniało postrzeganie AI przez studentów medycyny w opiece zdrowotnej i edukacji 5,8,9,10. Badania te sugerują rosnące zainteresowanie wśród studentów, ale także uwypukliły luki edukacyjne. Jednak tylko jedno badanie szczegółowo analizowało ekspozycję uczniów na formalną edukację AI⁸. Podobnie wiele badań analizowało postrzeganie AI 11,12,13,14 przez saudyjskich klinicystów, ale żadne nie oceniało ekspozycji na formalną edukację AI. Wciąż zauważalny jest brak badań skoncentrowanych wyłącznie na edukatorach medycznych oraz na tym, jak postrzegają AI i jej rolę w edukacji medycznej.

Aby wypełnić tę lukę, badanie oceniło obecną wiedzę, ekspozycję, postrzeganie i źródła informacji związane z AI wśród edukatorów medycznych i praktykujących klinicystów w Arabii Saudyjskiej, a także ich opinie na temat jej wpływu na specjalizacje medyczne. Przeprowadziliśmy ankietę przekrojową, aby ocenić te obszary w obrębie tej populacji. Wyniki mogą pomóc w dalszych działaniach na rzecz integracji kompetencji związanych ze sztuczną inteligencją w edukacji medycznej i programach szkoleniowych^{15, 16, 17}. Z naszej wiedzy, obecne badanie jest jednym z pierwszych w Arabii Saudyjskiej, które jednocześnie analizuje ekspozycję edukatorów medycznych i praktykujących na formalną edukację AI, a także ich postrzeganie i samozrejmą wiedzę na temat AI.

Protocol

Modelowanie badania
Etyczne zatwierdzenie dla tego badania uzyskano od Instytucjonalnej Rady Przeglądowej Uniwersytetu Króla Abdulaziza (nr referencyjny 500-23). Wśród uprawnionych uczestników byli profesjonaliści medyczni w wieku 18 lat lub starsi (edukatorzy medyczni, stażyści, rezydenci, specjaliści i konsultanci) praktykujący w Arabii Saudyjskiej. Osoby, które nie uzyskały dyplomu medycznego lub nie praktykowały aktywnie, zostały wykluczone. Wszyscy uczestnicy wyrazili świadomą zgodę przed zebraniem danych, a ich udział był całkowicie dobrowolny. Na pierwszej stronie ankiety przedstawiono elektroniczne oświadczenie o poinformowanej zgodzie, a uczestnicy musieli wyrazić zgodę przed dalszym rozpoczęciem. Uczestnicy zostali poinformowani, że mogą wycofać się w dowolnym momencie przed złożeniem ankiety bez konsekwencji. Aby zachować poufność, nie zbierano żadnych danych osobowych, a wszystkie zebrane dane zostały zdeanonimowane i przechowywane bezpiecznie.

Narzędzia do zbierania danych
Dane zostały zebrane poprzez wcześniej zweryfikowaną ankietę udostępnioną online za pośrednictwem Google Forms. Uczestnicy byli rekrutowani poprzez próbkowanie wygody, publikując materiały rekrutacyjne bez ukierunkowanej listy działań dotartych. Materiały rekrutacyjne zawierające link do ankiety były rozpowszechniane za pośrednictwem ogłoszeń elektronicznych, e-maili instytucjonalnych oraz platform komunikacyjnych online udostępnianych pracownikom służby zdrowia w saudyjskich szkołach medycznych i szpitalach. W związku z tym nie można było obliczyć formalnej liczby odpowiedzi.

Pierwsza część ankiety zbierała dane demograficzne, w tym datę urodzenia, płeć, rolę w medycynie, specjalizację oraz – w przypadku rezydentów – rok szkolenia. Druga część skupiała się na wcześniejszych kontaktach uczestników ze sztuczną inteligencją. Zapytano ich, czy otrzymali formalne wykształcenie w zakresie AI (np. kursy na uczelniach lub uniwersytetach). Ten punkt był celowo szeroki i opierał się na samointerpretacji uczestników tego, co stanowi "formalną" edukację AI. Uczestnicy zostali również poproszeni o wskazanie źródeł ekspozycji na AI.

Aby ocenić percepcję i zrozumienie AI przez uczestników, wykorzystaliśmy wcześniej zweryfikowane badanie, pierwotnie zaprojektowane do oceny postrzeganego wpływu wykorzystania AI w medycynie wśród studentów medycyny⁸. Badanie zawierało informacje dotyczące wpływu AI na różne specjalizacje medyczne. Uczestnicy ocenili również swoje postrzegane zrozumienie podstawowych koncepcji AI, w tym sieci konwolucyjne neuronowe (CNN), walidację krzyżową, charakterystykę działania odbiornika (ROC) oraz pole pod krzywą (AUC). To podejście pozwoliło nam zbadać różnicę między zainteresowaniem uczestników AI a ich poziomem formalnego przygotowania.

Odpowiedzi ankiet były automatycznie rejestrowane w Google Forms i eksportowane do Microsoft Excel w celu organizacji danych. Dane zostały sprawdzone pod kątem kompletności przed analizą statystyczną. Zdeanonimowane zbiory danych były szyfrowane i przechowywane na dysku chronionym hasłem, dostępnym tylko dla członków zespołu badawczego.

Analiza statystyczna
Uczestnicy zostali sklasyfikowani jako edukatorzy medyczni, stażyści/rezydenci lub specjaliści/konsultanci. Wszystkie pytania w skali Likerta były kategoryzowane jako zgoda (zgadzam się lub zdecydowanie zgadzam się) lub niezgadzam się (neutralne, nie zgadzam się lub zdecydowanie nie zgadzam się) przy porównaniach grupowych.

Statystyki opisowe obejmowały średnią i odchylenie standardowe zmiennych ciągłych oraz częstotliwości z proporcjami zmiennych kategorycznych. Porównano zmienne demograficzne w różnych grupach, stosując ANOVA dla zmiennych ciągłych oraz testy Chi-kwadrat dla zmiennych kategorycznych. Odpowiedzi ankiet (zgoda lub niezgoda) grup porównano za pomocą modelowania regresji logistycznej (zgoda lub brak zgody) z testami post hoc. Wszystkie testy stosowały korekcję Bonferroniego, aby uwzględnić wielokrotne porównania między grupami. Powiązania testowano na podstawie zmiennych ciągłych (wiek) za pomocą liniowego modelowania wielokrotnej regresji oraz zmiennych kategorycznych (niezależnie od formalnego wykształcenia AI) za pomocą logistycznej regresji wielokrotnej. Wszystkie modele regresji były kontrolowane pod kątem wieku i płci uczestników.

Multikolinierita została przetestowana poprzez obliczenie współczynnika wariancji inflacyjnej (VIF) i okazała się pomijalna we wszystkich modelach. Pozostałości modelu regresji liniowej zostały potwierdzone jako rozkładane normalnie za pomocą testu Kołmogorowa–Smirnova. Analizy statystyczne zostały ukończone w wersji R 4.3.1, przy czym wszystkie modele wykorzystywały pakiet statystyk bazowych, z wyjątkiem ocen multikolinearialności, które korzystały z pakietu usdm. Wszystkie testy istotności stosowały próg α = 0,05. Końcowe wyniki modeli zostały wyeksportowane i wykorzystane do generowania analiz, tabel i rysunków przedstawionych w sekcji Wyniki.

Results

Przykład
Ta przekrojowa ankieta przedstawia porównania obserwacyjne między naturalnie występującymi grupami uczestników, co jest zgodne z eksploracyjnym charakterem badania. Próba obejmowała 229 uczestników (60 edukatorów medycznych, 78 stażystów/rezydentów oraz 91 specjalistów/konsultantów). Grupy nie różniły się istotnie pod względem płci (47,6% mężczyzn, p=0,088 między grupami) ani formalnego wykształcenia AI (32,3% ze szkoleniem, p=0,067 między grupami). Stażyści i rezydenci byli istotnie młodsi...

Discussion

Z naszej wiedzy jest to jedno z pierwszych badań w Arabii Saudyjskiej, które analizują, jak edukatorzy medyczni i praktycy kliniczni postrzegają AI. Silne zgłaszane zainteresowanie jest zgodne z szerszym wdrożeniem AI w opiece zdrowotnej, które zostało udokumentowane zarówno w środowiskach klinicznych, jak i edukacyjnych¹⁸. Ten trend spotkał się z pozytywnym przyjęciem wśród edukatorów medycznych, zwłaszcza w kontekście edukacji medycznej, gdzie narzędzia takie jak ChatGPT zostały docenione za prz...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Google Forms	Google LLC	Nie ma	Wykorzystywane do dystrybucji i zbierania odpowiedzi na ankietę online
Microsoft Excel	Microsoft Corporation	Nie ma	Wykorzystywane do organizacji danych i eksportu przed analizą
Baza danych PubMed	Narodowa Biblioteka Medyczna USA	Nie ma	Wykorzystywane do przeglądu literatury i wyszukiwania źródeł
Kwestionariusz	Liu D, Sawyer J, Luna A, Aoun J, Wang J, Boachie L, Halabi S, Joe B Percepcje amerykańskich studentów medycyny na temat sztucznej inteligencji w medycynie: badanie metod mieszanych JMIR Med Educ 2022; 8(4):e38325 URL: https://mededu.jmir.org/2022/4/e38325 DOI: 10.2196/38325	Nie ma	Zwalidowany kwestionariusz oceniający postrzeganie AI w medycynie, zaadaptowany z wcześniej opublikowanego badania w JMIR Medical Education (2022)
R (Oprogramowanie statystyczne)	R Foundation for Statistical Computing	Nie ma	Wykorzystywane do analizy statystycznej i wizualizacji danych