Avaliando Percepções e Exposição à Inteligência Artificial entre Educadores e Clínicos Médicos na Arábia Saudita: Um Estudo Transversal

Summary

Este estudo transversal explorou percepções de inteligência artificial entre educadores e clínicos médicos na Arábia Saudita. Embora tenha havido forte interesse relatado, o treinamento formal em IA foi limitado e a dependência de fontes informais era comum, destacando a possível necessidade de uma educação estruturada em IA.

Abstract

A inteligência artificial (IA) está transformando a saúde por meio de avanços em diagnóstico e tomada de decisão, mas a maioria dos estudos tem focado nas percepções dos estudantes de medicina, com atenção limitada aos educadores médicos e profissionais atuantes. Compreender essas perspectivas é fundamental para desenvolver currículos que preparem futuros médicos para a prática aprimorada por IA. Este estudo investigou a conscientização, exposição e impacto percebido à IA entre educadores médicos, internos, residentes, especialistas e consultores na Arábia Saudita. Um estudo transversal foi realizado usando uma pesquisa online validada distribuída para várias escolas e hospitais médicos sauditas. A pesquisa coletou dados demográficos, educação prévia em IA, conhecimento autoavaliado em IA e interesse em IA. Os participantes também avaliaram sua capacidade de listar aplicações clinicamente relevantes de IA, avaliaram a influência esperada da IA em várias especialidades e indicaram se o treinamento em conceitos de IA seria benéfico. As diferenças entre grupos foram analisadas usando testes qui-quadrados, ANOVA e regressão logística, controlando por idade e sexo. Entre os 229 entrevistados (60 educadores médicos, 78 internos/residentes e 91 especialistas/consultores), os educadores médicos tinham maior probabilidade de relatar a possibilidade de listar benefícios da IA (63,3% vs. 38,5% e 39,6%) e de expressar preocupações éticas sobre o uso da IA na saúde (76,6% vs. 51,3% e 51,6%) em comparação com os outros grupos. Apenas 32,3% relataram ter recebido educação formal em IA, com a maioria adquirindo conhecimento por meio de fontes informais, como a mídia. Radiologia e patologia foram identificadas como as especialidades mais propensas a serem transformadas pela IA. No geral, as percepções sobre IA entre educadores e clínicos médicos revelaram um forte interesse, mas treinamento formal limitado. Apesar do entusiasmo em todos os grupos, os participantes dependeram de fontes informais e careciam de conhecimento básico sobre IA. Esses achados destacam a potencial importância de incorporar a educação estruturada em IA nos currículos médicos e nos programas de residência para apoiar a preparação para o cuidado clínico integrado por IA.

Introduction

O termo "inteligência artificial" (IA) foi introduzido pela primeira vez na Conferência de Dartmouth em 1956 e hoje é globalmente considerado uma das principais tecnologias¹. IA refere-se amplamente a tecnologias capazes de imitar a inteligência^{humana 2} e é comumente categorizada em quatro domínios: processamento de linguagem natural para reconhecimento e geração de fala e texto; visão computacional para interpretação de imagens; aprendizado de máquina baseado em redes neurais; e sistemas baseados em conhecimento que dependem de tecnologias semânticas ou modelagem^{cognitiva 3}.

Uma das aplicações que mais evoluem da IA é na área da saúde. A IA tem sido descrita como tendo potencial para revolucionar a saúde por meio de sua integração à prática^{clínica 4}. Ao aumentar a precisão do diagnóstico e otimizar decisões de tratamento, a IA também pode transformar a forma como os médicos prestam cuidados⁵. Para que essas aplicações sejam implementadas de forma eficaz, os profissionais de saúde devem possuir conhecimento e consciência adequados sobre tecnologias de IA. Sua aplicação bem-sucedida foi documentada em várias especialidades, incluindo radiologia, patologia, oftalmologia, oncologia e^{odontologia 6}. Na educação médica, a IA também apoiou o aprendizado por meio de simulações virtuais de pacientes, com o objetivo de desenvolver habilidades de comunicação e^clínicas.

Vários estudos avaliaram a percepção dos estudantes de medicina sobre IA na saúde e^{na educação} 5,8,9,10. Esses estudos sugeriram um interesse crescente entre os estudantes, mas também destacaram lacunas educacionais. No entanto, apenas um estudo examinou especificamente a exposição dos estudantes à educação formal^{em IA 8}. Da mesma forma, vários estudos exploraram as percepções dos clínicos sauditas em atividade sobre IA^{11, 12, 13 e 14}, mas nenhum avaliou a exposição à educação formal em IA. Ainda há uma notável falta de pesquisas especificamente focadas em educadores médicos e em como eles percebem a IA e seu papel na educação médica.

Para suprir essa lacuna, este estudo avaliou o conhecimento atual, a exposição, as percepções e as fontes de informação relacionadas à IA entre educadores médicos e clínicos em atividade na Arábia Saudita, bem como suas opiniões sobre sua influência em diversas especialidades médicas. Realizamos uma pesquisa transversal para avaliar esses domínios dentro dessa população. Os achados podem ajudar a orientar futuros esforços para integrar competências relacionadas à IA em programas de educação médica e residência^{15, 16, 17}. Até onde sabemos, o presente estudo é um dos primeiros na Arábia Saudita a examinar simultaneamente a exposição de educadores médicos e profissionais atuantes à educação formal em IA, bem como suas percepções e conhecimento auto-relatado sobre IA.

Protocol

Modelagem de estudos
A aprovação ética para este estudo foi obtida do Conselho de Revisão Institucional da King Abdulaziz University (Referência nº 500-23). Os participantes elegíveis incluíam profissionais médicos com 18 anos ou mais (educadores médicos, internos, residentes, especialistas e consultores) atuando na Arábia Saudita. Indivíduos que não eram graduados em medicina ou que não exerciam ativamente foram excluídos. Todos os participantes forneceram consentimento informado antes da coleta dos dados, e sua participação foi totalmente voluntária. Uma declaração eletrônica de consentimento informado foi apresentada na primeira página da pesquisa, e os participantes foram obrigados a indicar consentimento antes de prosseguir. Os participantes foram informados de que poderiam desistir a qualquer momento antes da submissão da pesquisa, sem consequências. Para manter a confidencialidade, nenhuma informação pessoal identificável foi coletada, e todos os dados coletados foram desidentificados e armazenados com segurança.

Ferramentas de coleta de dados
Os dados foram coletados por meio de uma pesquisa previamente validada, entregue online via Google Forms. Os participantes foram recrutados por meio de amostragem por conveniência, publicando materiais de recrutamento sem uma lista de alcance direcionada. Os materiais de recrutamento contendo o link da pesquisa foram distribuídos por meio de anúncios eletrônicos, e-mails institucionais e plataformas de mensagens online compartilhadas com profissionais de saúde em escolas de medicina e hospitais sauditas. Assim, não foi possível calcular uma taxa formal de resposta.

A primeira seção do questionário coletou informações demográficas, incluindo data de nascimento, sexo, papel na área médica, especialidade e — para os residentes — ano de treinamento. A segunda seção focou na exposição prévia dos participantes à IA. Perguntaram se haviam recebido educação formal em IA (como cursos baseados em faculdades ou universidades). Esse item foi intencionalmente amplo e baseou-se na auto-interpretação dos participantes sobre o que constitui a educação 'formal' em IA. Os participantes também foram solicitados a identificar suas fontes de exposição à IA.

Para avaliar as percepções e a compreensão dos participantes sobre a IA, utilizamos uma pesquisa previamente validada, originalmente projetada para avaliar o impacto percebido do uso da IA na medicina^{entre estudantes de medicina 8}. A pesquisa incluiu itens sobre a influência da IA em diferentes especialidades médicas. Os participantes também avaliaram seu entendimento autopercebido dos conceitos fundamentais de IA, incluindo redes neurais convolucionais (CNNs), validação cruzada, curvas de características operacionais do receptor (ROC) e área sob a curva (AUC). Essa abordagem nos permitiu explorar a diferença entre o interesse dos participantes em IA e seu nível de preparação formal.

As respostas da pesquisa eram registradas automaticamente dentro do Google Forms e exportadas para o Microsoft Excel para organização dos dados. Os dados foram avaliados quanto à completude antes da análise estatística. Conjuntos de dados desidentificados foram criptografados e armazenados em um drive protegido por senha, acessível apenas aos membros da equipe de pesquisa.

Análise estatística
Os participantes foram categorizados como educadores médicos, internos/residentes ou especialistas/consultores. Todas as perguntas na escala de Likert foram categorizadas como concordância (concordância ou concordância total) ou não concordância (neutra, discordância ou fortemente discordância) para comparações de grupo.

Estatísticas descritivas incluíam a média e o desvio padrão de variáveis contínuas e frequências com proporções para variáveis categóricas. Variáveis demográficas entre grupos foram comparadas usando ANOVA para variáveis contínuas e teste de qui-quadrado para variáveis categóricas. As respostas à pesquisa (concordância ou não) dos grupos foram comparadas usando modelagem de regressão logística (concordância ou não concordância como resultado) com testes post hoc. Todos os testes aplicaram a correção de Bonferroni para ajustar para múltiplas comparações entre grupos. As associações foram testadas contra variáveis contínuas (idade) usando modelagem de regressão múltipla linear, e contra variáveis categóricas (tendo ou não tido educação formal em IA) usando regressão múltipla logística. Todos os modelos de regressão controlaram a idade e o sexo dos participantes.

A multicolinearidade foi testada calculando o fator de inflação da variância (VIF) e foi considerada negligenciável em todos os modelos. Os resíduos do modelo de regressão linear foram confirmados como normalmente distribuídos usando o teste de Kolmogorov–Smirnov. As análises estatísticas foram concluídas na versão 4.3.1 do R, com toda a modelagem usando o pacote básico de estatísticas, exceto as avaliações multicolineares, que usaram o pacote usdm. Todos os testes de significância usaram um limiar de α = 0,05. Os resultados finais dos modelos foram exportados e usados para gerar as análises, tabelas e figuras apresentadas na seção de Resultados.

Results

Exemplo
Esta pesquisa transversal apresenta comparações observacionais entre grupos de participantes que ocorrem naturalmente, consistentes com a natureza exploratória do estudo. A amostra foi composta por 229 participantes (60 educadores médicos, 78 internos/residentes e 91 especialistas/consultores). Os grupos não diferiram significativamente em termos de sexo (47,6% homens, p=0,088 entre os grupos) ou tendo recebido educação formal em IA (32,3% com treinamento, p=0...

Discussion

Até onde sabemos, este é um dos primeiros estudos na Arábia Saudita a examinar como educadores médicos e profissionais de saúde percebem a IA. O forte interesse relatado está alinhado com a adoção mais ampla da IA na saúde, que tem sido documentada tanto em ambientes clínicos quanto^{educacionais 18}. Essa tendência foi recebida com aceitação positiva entre educadores médicos, especialmente no contexto da educação médica, onde ferramentas como o ChatGPT foram reconhe...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Google Forms	Google LLC	N/A	Usado para distribuir e coletar respostas para a pesquisa online
Microsoft Excel	Microsoft Corporation	N/A	Usado para organização e exportação de dados antes da análise
Banco de Dados PubMed	Biblioteca Nacional de Medicina dos EUA	N/A	Usado para revisão de literatura e recuperação de referências
Questionário	Liu D, Sawyer J, Luna A, Aoun J, Wang J, Boachie L, Halabi S, Joe B Percepções dos Estudantes de Medicina dos EUA sobre Inteligência Artificial na Medicina: 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	Questionário validado avaliando percepções de IA na medicina, adaptado de um estudo publicado anteriormente na JMIR Medical Education (2022)
R (Software Estatístico)	Fundação R para Computação Estatística	N/A	Usado para análise estatística e visualização de dados