Suudi Arabistan'da Tıp Eğitmenleri ve Klinisyenler Arasında Yapay Zekaya Algı ve Maruz Kalma Değerlendirme: Kesitsel Bir Çalışma

Summary

Bu kesitsel çalışma, Suudi Arabistan'daki tıp eğitimcileri ve klinisyenler arasında yapay zeka algılarını inceledi. Yoğun ilgi bildirilse de, resmi yapay zeka eğitimi sınırlıydı ve gayri resmi kaynaklara güvenmek yaygındı; bu da yapılandırılmış yapay zeka eğitimine potansiyel ihtiyacı ortaya koydu.

Abstract

Yapay zeka (YZ), tanı ve karar alma süreçlerindeki ilerlemelerle sağlık sektörünü dönüştürüyor, ancak çoğu çalışma tıp öğrencilerinin algılarına odaklanmış, tıp eğitimcileri ve uygulayıcı klinisyenlere sınırlı ilgi gösterilmiştir. Bu bakış açılarını anlamak, gelecekteki doktorları yapay zeka destekli uygulamalara hazırlayan müfredatlar geliştirmek için kritik öneme sahiptir. Bu çalışma, Suudi Arabistan'daki tıp eğitimcileri, stajyerler, asistanlar, uzmanlar ve danışmanlar arasında yapay zeka farkındalığı, maruziyeti ve algılanan etkiyi araştırdı. Birçok Suudi tıp fakültesi ve hastanesine dağıtılan doğrulanmış bir çevrimiçi anket kullanılarak kesitsel bir çalışma gerçekleştirildi. Anket, demografik veriler, önceki yapay zeka eğitimi, kendi değerlendirmesine sahip yapay zeka bilgisi ve yapay zekaya olan ilgiyi topladı. Katılımcılar ayrıca klinik olarak ilgili yapay zeka uygulamalarını listeleme yeteneklerini değerlendirdiler, yapay zekanın çeşitli uzmanlıklar üzerindeki beklenen etkisini değerlendirdiler ve yapay zeka kavramları eğitiminin faydalı olup olmayacağını belirttiler. Grup farkları, yaş ve cinsiyet kontrol edilen ki-kare testleri, ANOVA ve lojistik regresyon kullanılarak analiz edildi. 229 katılımcı arasında (60 tıp eğitimcisi, 78 stajyer/asistan ve 91 uzman/danışman) tıp eğitimcileri diğer gruplara kıyasla yapay zeka faydalarını listeleme yeteneğini (%63,3 vs. %38,5 ve %39,6) ve sağlık hizmetlerinde yapay zeka kullanımıyla ilgili etik endişelerini ifade etme olasılığı daha yüksekti (%76,6 vs. %51,3 ve %51,6). Sadece %32,3'ü resmi yapay zeka eğitimi aldığını bildirdi; çoğu bilgi medya gibi gayri resmi kaynaklardan edindi. Radyoloji ve patoloji, yapay zeka tarafından dönüştürülme olasılığının en yüksek olduğu uzmanlıklar olarak belirlendi. Genel olarak, tıp eğitimcileri ve klinisyenler arasında yapay zekaya yönelik algılar güçlü bir ilgi gösterse de sınırlı resmi eğitim gösterdi. Tüm gruplarda heyecana rağmen, katılımcılar gayri resmi kaynaklara güvendi ve yapay zeka hakkında temel bilgilerden yoksundu. Bu bulgular, yapay zeka ile entegre edilmiş klinik bakıma hazırlık sağlamak için yapılandırılmış yapay zeka eğitiminin tıp müfredatlarına ve uzmanlık eğitim programlarına entegre edilmesinin potansiyel önemini vurgulamaktadır.

Introduction

"Yapay zeka" (YZE) terimi ilk olarak 1956'da Dartmouth Konferansı'nda tanıtıldı ve günümüzde dünya çapında en iyi teknolojilerden^{biri olarak kabul edilmektedir 1}. YZ genel olarak insan zekasını taklit edebilen^{teknolojileri ifade eder 2} ve genellikle dört alana ayrılır: konuşma ve metin tanıma ve üretim için doğal dil işleme; görüntüleri yorumlamak için bilgisayar görüşü; sinir ağlarına dayalı makine öğrenimi; ve anlamsal teknolojilere veya bilişsel modelleme dayanan bilgi temelli^{sistemler 3}.

Yapay zekanın en hızlı gelişen uygulamalarından biri sağlık sektöründedir. YZ, klinik uygulamaya entegrasyonu yoluyla sağlık hizmetlerini devrim niteliğinde değiştirebilecek potansiyele sahip^{olarak tanımlanmıştır 4}. Tanı doğruluğunu artırarak ve tedavi kararlarını optimize ederek yapay zeka, doktorların bakım sunma biçimini de^{dönüştürebilir 5}. Bu uygulamaların etkili bir şekilde uygulanabilmesi için, sağlık profesyonellerinin yapay zeka teknolojileri hakkında yeterli bilgi ve farkındalığa sahip olması gerekir. Başarılı uygulaması, radyoloji, patoloji, oftalmoloji, onkoloji ve diş hekimliği dahil olmak üzere birçok uzmanlık alanında^{belgelenmiştir 6}. Tıp eğitiminde, yapay zeka iletişim ve klinik becerileri geliştirme amacıyla sanal hasta simülasyonları yoluyla öğrenmeyi^{desteklemiştir 7}.

Birçok çalışma, tıp öğrencilerinin sağlık ve eğitimde yapay zeka algılarını^{değerlendirmiştir} 5,8,9,10. Bu çalışmalar, öğrenciler arasında artan ilgiyi göstermekle birlikte eğitimdeki boşlukları da ortaya koydu. Ancak, öğrencilerin resmi yapay zeka eğitimine maruz kalmalarını yalnızca bir çalışma^{özel olarak incelemiştir 8}. Benzer şekilde, Suudi uygulayan klinisyenlerin AI ^11,12,13,14 algılarını inceleyen birçok çalışma var, ancak hiçbiri resmi yapay zeka eğitimine maruz kalma durumunu değerlendirmedi. Tıp eğitimcilerine ve onların yapay zeka ile tıp eğitimindeki rolünü nasıl algıladıkları üzerine odaklanan araştırmalarda belirgin bir eksiklik var.

Bu boşluğu gidermek için, bu çalışma Suudi Arabistan'daki tıp eğitimcileri ve uygulayıcı klinisyenler arasında yapay zeka ile ilgili mevcut bilgi, maruziyet, algı ve bilgi kaynaklarını ve tıbbi uzmanlıklar arasındaki etkisine dair görüşlerini değerlendirmiştir. Bu popülasyon içindeki bu alanları değerlendirmek için kesitsel bir anket yaptık. Bu bulgular, yapay zeka ile ilgili yetkinliklerin tıp eğitimi ve asistanlık eğitim programlarına entegre edilmesi için gelecekteki çabaları yönlendirmeye yardımcı^olabilir 15,16,17. Bildiğimiz kadarıyla, bu çalışma Suudi Arabistan'da tıp eğitimcileri ve uygulayıcı klinisyenlerin resmi yapay zeka eğitimine maruz kalmalarını, yapay zeka hakkındaki algılarını ve kendi bildirimlerini aynı anda inceleyen ilk çalışmalardan biridir.

Protocol

Çalışma modelleme
Bu çalışma için etik onay, Kral Abdulaziz Üniversitesi Kurumsal İnceleme Kurulu'ndan alınmıştır (Referans No. 500-23). Uygun katılımcılar arasında Suudi Arabistan'da çalışan 18 yaş ve üzeri sağlık profesyonelleri (tıp eğitimcileri, stajyerler, asistanlar, uzmanlar ve danışmanlar) bulunuyordu. Tıp mezunu olmayan veya aktif olarak uygulama yapmayan bireyler dışlandı. Tüm katılımcılar veri toplamadan önce bilgilendirilmiş onay verdi ve katılımları tamamen gönüllüydü. Anketin ilk sayfasında elektronik bilgilendirilmiş onay beyanı sunuldu ve katılımcıların devam etmeden önce rıza göstermeleri istendi. Katılımcılara, anket gönderiminden önce herhangi bir zamanda herhangi bir sonuç olmadan çekilebilecekleri bildirildi. Gizliliği korumak için kişisel olarak tanımlanabilir bilgi toplanmadı ve toplanan tüm veriler kimliği silinip güvenli bir şekilde saklandı.

Veri toplama araçları
Veriler, Google Forms üzerinden çevrimiçi olarak sunulan daha önce doğrulanmış bir anket aracılığıyla toplanmıştır. Katılımcılar, hedefli bir erişim listesi olmadan işe alım materyalleri yayınlayarak kolay örnekleme yoluyla seçildi. Anket bağlantısını içeren işe alım materyalleri, elektronik reklamlar, kurumsal e-postalar ve Suudi tıp fakülteleri ile hastanelerdeki sağlık profesyonelleriyle paylaşılan çevrimiçi mesajlaşma platformları aracılığıyla dağıtıldı. Bu nedenle, resmi bir yanıt oranı hesaplanamıyordu.

Anketin ilk bölümü, doğum tarihi, cinsiyet, tıbbi alandaki rolü, uzmanlık ve asistanlar için eğitim yılı gibi demografik bilgileri topladı. İkinci bölüm, katılımcıların önceki yapay zekaya maruz kalmalarına odaklandı. Onlara yapay zeka alanında resmi eğitim alıp almadıkları soruldu (örneğin üniversite veya kolej tabanlı dersler). Bu madde kasıtlı olarak geniş bir şekilde oluşturuldu ve katılımcıların 'resmi' yapay zeka eğitiminin ne olduğunu kendi yorumlarına dayanıyordu. Katılımcılardan ayrıca yapay zekaya maruz kalma kaynaklarını belirlemeleri istendi.

Katılımcıların yapay zeka algılarını ve anlayışlarını değerlendirmek için, tıp öğrencileri arasında yapay zeka kullanımının tıp alanında algılanan etkisini değerlendirmek için tasarlanmış, önceden doğrulanmış bir anketi^{kullandık 8}. Anket, yapay zekanın farklı tıbbi uzmanlıklar üzerindeki etkisiyle ilgili maddeleri içeriyordu. Katılımcılar ayrıca, konvolüsyon sinir ağları (CNN'ler), çapraz doğrulama, alıcı çalışma karakteristikası (ROC) eğrileri ve eğri altındaki alan (AUC) dahil olmak üzere temel yapay zeka kavramlarını kendi algılarını değerlendirdiler. Bu yaklaşım, katılımcıların yapay zekaya olan ilgisi ile resmi hazırlık seviyeleri arasındaki boşluğu keşfetmemize olanak sağladı.

Anket yanıtları otomatik olarak Google Forms'ta kaydedildi ve veri organizasyonu için Microsoft Excel'e aktarıldı. Veriler, istatistiksel analizden önce tamlık açısından tarandı. Kimliği silinmiş veri setleri şifrelenerek yalnızca araştırma ekibi üyelerinin erişebileceği şifreli bir diskte saklanıyordu.

İstatistiksel analiz
Katılımcılar tıp eğitimcisi, stajyer/asistan veya uzman/danışman olarak kategorize edildi. Tüm Likert ölçeği soruları, grup karşılaştırmaları için ya katılan (katılıyor ya da kesinlikle katılıyor) ya da anlaşmazlık (tarafsız, katılmıyor veya kesinlikle katılmıyor) olarak kategorize edilmiştir.

Betimleyici istatistikler, kategorik değişkenler için oranlarla sürekli değişkenlerin ortalama ve standart sapmasını ve frekanslarını içeriyordu. Gruplar arasındaki demografik değişkenler, sürekli değişkenler için ANOVA ve kategorik değişkenler için Chi-kare testi kullanılarak karşılaştırıldı. Grupların anket yanıtları (anlaşma veya anlaşmazlık) lojistik regresyon modellemesi (sonuç olarak anlaşma veya anlaşmazlık) ile sonradan yapılan testlerle karşılaştırıldı. Tüm testler, gruplar arasında birden fazla karşılaştırma için Bonferroni düzeltmesini uyguladı. Bağlantılar, doğrusal çoklu regresyon modelleme kullanılarak sürekli değişkenlere (yaş) ve lojistik çoklu regresyon kullanılarak kategorik değişkenlere (yapay zeka eğitimi almış ya da almamış) karşı test edilmiştir. Tüm regresyon modelleri katılımcıların yaşı ve cinsiyetini kontrol etti.

Çok kollineerlik, varyans enflasyon faktörü (VIF) hesaplanarak test edildi ve tüm modellerde önemsiz olduğu tespit edildi. Doğrusal regresyon modeli kalıntılarının Kolmogorov–Smirnov testi kullanılarak normal dağılım olduğu doğrulandı. İstatistiksel analizler R versiyonu 4.3.1'de tamamlandı; tüm modellemeler temel istatistik paketi kullanılarak yapıldı, ancak çoklu kollinearlık değerlendirmeleri usdm paketini kullandı. Tüm anlamlılık testlerinde α = 0.05 eşik kullanıldı. Nihai model çıktıları dışa aktarıldı ve Sonuçlar bölümünde sunulan analizler, tablolar ve şekiller oluşturuldu.

Results

Örnek
Bu kesitsel anket, doğal olarak ortaya çıkan katılımcı gruplar arasında gözlemsel karşılaştırmalar sunar ve çalışmanın keşif niteliğiyle tutarlıdır. Örneklem 229 katılımcıdan oluşuyordu (60 tıp eğitimcisi, 78 stajyer/asistan ve 91 uzman/danışman). Gruplar cinsiyet açısından anlamlı bir fark göstermedi (%47,6 erkek, gruplar arasında p=0,088) veya resmi yapay zeka eğitimi almış olmaları (%32,3 eğitimli, gruplar arasında p=0,067). Stajyerler ve asistanlar, tıp eğit...

Discussion

Bildiğimiz kadarıyla, bu Suudi Arabistan'da tıp eğitimcileri ve uygulayıcı klinisyenlerin yapay zekaya nasıl baktığını inceleyen ilk çalışmalardan biridir. Bildirilen güçlü ilgi, hem klinik hem de eğitim ortamlarında belgelenmiş olan yapay zekanın sağlık hizmetlerinde daha geniş benimsenmesiyle^{örtüşmektedir 18}. Bu eğilim, özellikle tıp eğitimi bağlamında tıp eğitimcileri arasında olumlu bir kabul görmüştür; ChatGPT gibi araçlar, özetleme, bilgi toplama ve öğretim-...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Google Formları	Google LLC	Yok	Çevrimiçi anket için yanıtların dağıtımı ve toplaması için kullanılır
Microsoft Excel	Microsoft Corporation	Yok	Analiz öncesi veri organizasyonu ve dışa aktarma için kullanılır
PubMed Veritabanı	ABD Ulusal Tıp Kütüphanesi	Yok	Literatür incelemesi ve referansların geri alınması için kullanılır
Anket	Liu D, Sawyer J, Luna A, Aoun J, Wang J, Boachie L, Halabi S, Joe B ABD Tıp Öğrencilerinin Tıpta Yapay Zeka Hakkındaki Algıları: Karma Yöntemler Anketi Çalışması JMIR Med Educ 2022; 8(4):e38325 URL: https://mededu.jmir.org/2022/4/e38325 DOI: 10.2196/38325	Yok	Tıp alanında yapay zeka algılarını değerlendiren doğrulanmış anket, daha önce yayımlanmış bir JMIR Medical Education (2022) çalışmasından uyarlanmıştır
R (İstatistiksel Yazılım)	R İstatistiksel Hesaplama Vakfı	Yok	İstatistiksel analiz ve veri görselleştirme için kullanılır