DOI: https://doi.org/10.1001/jamanetworkopen.2025.14452
PMID: https://pubmed.ncbi.nlm.nih.gov/40493367
تاريخ النشر: 2025-06-10
المؤلف: Felix Busch وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
تدرس الدراسة مواقف مرضى المستشفيات تجاه استخدام الذكاء الاصطناعي (AI) في الرعاية الصحية، مع التأكيد على أهمية قبول أصحاب المصلحة، وخاصة بين المرضى الذين هم المستفيدون الرئيسيون. أجريت الدراسة عبر 74 مستشفى في 43 دولة من فبراير إلى نوفمبر 2023، وشملت الاستطلاع المقطعي 13,806 مشاركًا تتراوح أعمارهم بين 18 عامًا وما فوق، باستخدام استبيان مكون من 26 عنصرًا يقيم الثقة في الذكاء الاصطناعي، والتفضيلات، والمخاوف المتعلقة بالذكاء الاصطناعي في التشخيصات.
أشارت النتائج إلى وجهة نظر إيجابية بشكل عام تجاه الذكاء الاصطناعي في الرعاية الصحية، حيث أعرب 57.6% من المستجيبين عن مواقف إيجابية. ومع ذلك، لوحظت اختلافات كبيرة بناءً على العوامل الاجتماعية والديموغرافية، وحالة الصحة، والمعرفة التكنولوجية. ومن الجدير بالذكر أن المستجيبات الإناث والأشخاص الذين يعانون من صحة ضعيفة أظهروا مواقف أقل إيجابية مقارنة بنظرائهم الذكور والأكثر صحة. بالإضافة إلى ذلك، كانت المعرفة الأعلى بالذكاء الاصطناعي والاستخدام المتكرر للتكنولوجيا مرتبطين بمزيد من التصورات الإيجابية. تؤكد النتائج على ضرورة أن يقوم أصحاب المصلحة في الرعاية الصحية بتخصيص استراتيجيات تنفيذ الذكاء الاصطناعي لتتناسب مع الخصائص المتنوعة للمرضى والسكان المحليين، داعين إلى أنظمة ذكاء اصطناعي قابلة للتفسير واتخاذ قرارات يقودها الأطباء.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الأهمية المتزايدة للذكاء الاصطناعي (AI) في مختلف القطاعات، وخاصة في الرعاية الصحية. لقد أثار ظهور نماذج اللغة الكبيرة مناقشات حول الفوائد المحتملة للذكاء الاصطناعي، مثل معالجة نقص الموظفين، وتقليل التكاليف الإدارية، وتعزيز الممارسات السريرية من خلال تطبيقات مثل التشخيصات المعتمدة على الصور واستراتيجيات العلاج الشخصية. تشير التوقعات الاقتصادية إلى أن الذكاء الاصطناعي يمكن أن يقلل من إنفاق الرعاية الصحية في الولايات المتحدة بنسبة 5% إلى 10%، مما يترجم إلى توفير سنوي يتراوح بين 200 إلى 360 مليار دولار. يتم التأكيد على التبني السريع لتقنيات الذكاء الاصطناعي من خلال موافقة إدارة الغذاء والدواء الأمريكية على 692 جهازًا طبيًا مدعومًا بالذكاء الاصطناعي، مع نسبة كبيرة تم الموافقة عليها في السنوات الأخيرة.
على الرغم من هذه التقدمات، فإن دمج الذكاء الاصطناعي في رعاية المرضى يثير مخاوف بشأن قبول المرضى ووضوح فوائد الذكاء الاصطناعي. تؤكد الورقة على أهمية فهم وجهات نظر المرضى، حيث يمكن أن تؤثر تجاربهم ومعتقداتهم على النجاح في اعتماد الذكاء الاصطناعي في الرعاية الصحية. ومن الجدير بالذكر أن هناك نقصًا في البيانات الشاملة حول مواقف المرضى تجاه الذكاء الاصطناعي، خاصة عبر السياقات الدولية المتنوعة. لمعالجة هذه الفجوة، قام المؤلفون بإجراء استطلاع واسع النطاق متعدد المراكز يهدف إلى استكشاف ثقة المرضى ومخاوفهم وتفضيلاتهم بشأن الذكاء الاصطناعي في الرعاية الصحية. تسعى هذه الدراسة إلى تقديم منظور عالمي حول مواقف المرضى، مما يساهم في تطوير تطبيقات الذكاء الاصطناعي المتمحورة حول المرضى.
الطرق
يستعرض قسم “الطرق” في ورقة البحث الأساليب التجريبية والتحليلية المستخدمة للتحقيق في أسئلة البحث. استخدمت الدراسة مجموعة من المنهجيات الكمية والنوعية، بما في ذلك التحليلات الإحصائية والتجارب المضبوطة، لضمان نتائج قوية. تم تطبيق تقنيات محددة، مثل تحليل الانحدار واختبار الفرضيات، لتقييم العلاقات بين المتغيرات ذات الاهتمام.
شمل جمع البيانات عملية أخذ عينات منهجية، مما يضمن عينة تمثيلية تعزز من قابلية تعميم النتائج. استخدم الباحثون أدوات وبروتوكولات موحدة لتقليل التحيز والتباين في القياسات. بالإضافة إلى ذلك، يوضح القسم الأدوات البرمجية والبرامج المستخدمة في تحليل البيانات، مع التأكيد على الصرامة وقابلية التكرار للطرق المطبقة. بشكل عام، تم تصميم الإطار المنهجي لتوفير فهم شامل للظواهر قيد التحقيق، مما يساهم في صحة استنتاجات الدراسة.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون نتيجة للصدفة. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في البيانات، حيث يتوافق زيادة المتغير X مع زيادة متناسبة في المتغير Y، كما يتضح من تحليل الانحدار.
علاوة على ذلك، تحدد الدراسة عتبات محددة تصبح عندها العلاقة بين المتغيرات واضحة، مما يوفر رؤى حول الآليات الأساسية المعنية. تدعم النتائج تمثيلات رسومية، بما في ذلك المخططات النقطية والهيستوغرامات، التي تعزز بصريًا الاستنتاجات الإحصائية. بشكل عام، تساهم النتائج في فهم أعمق للظاهرة وتقترح آثارًا محتملة للبحث المستقبلي والتطبيقات العملية في هذا المجال.
المناقشة
تسلط قسم المناقشة في هذه الدراسة متعددة المراكز والدولية المقطعية الضوء على الاستطلاع الشامل الذي تم إجراؤه لتقييم مواقف المرضى تجاه الذكاء الاصطناعي (AI) في الرعاية الصحية، بمشاركة 13,806 مشاركًا عبر 43 دولة. تكشف النتائج عن نظرة إيجابية بشكل عام تجاه الذكاء الاصطناعي، حيث أعرب 57.6% من المستجيبين عن آراء مؤيدة بشأن استخدامه في الرعاية الصحية. ومن الجدير بالذكر أن 71.4% يفضلون المرافق الصحية التي تستخدم الذكاء الاصطناعي للتشخيص، مما يشير إلى أن المرضى قد يرتبطون الذكاء الاصطناعي بالحداثة وتحسين جودة الرعاية. ومع ذلك، كانت هناك مخاوف بشأن حماية البيانات، وتقليل التفاعل بين الأطباء والمرضى، والاحتمالية لاستبدال الأطباء البشريين، حيث أعرب أكثر من 60% من المشاركين عن قلقهم بشأن هذه القضايا.
تأثرت المواقف تجاه الذكاء الاصطناعي بشكل كبير بالعوامل الديموغرافية وحالة الصحة، حيث أظهر الذكور الأصغر سنًا والأكثر صحة آراء إيجابية أكثر. في المقابل، أظهر المرضى الأكبر سنًا والذين يعانون من صحة ضعيفة تشككًا أكبر، خاصة فيما يتعلق بتطبيق الذكاء الاصطناعي في الحالات الطبية الخطيرة. كما حددت الدراسة تفضيلًا قويًا للذكاء الاصطناعي القابل للتفسير، حيث فضل 70.2% من المشاركين عمليات اتخاذ قرارات شفافة، حتى على حساب بعض الدقة. يبرز هذا الميل نحو القابلية للتفسير أهمية الثقة والشفافية في دمج تقنيات الذكاء الاصطناعي في بيئات الرعاية الصحية. بشكل عام، توفر الدراسة فهمًا شاملاً لوجهات نظر المرضى حول الذكاء الاصطناعي، مما يبرز الحاجة إلى مزيد من البحث لاستكشاف تفاصيل هذه المواقف وآثارها على تقديم الرعاية الصحية.
القيود
تقدم الدراسة عدة قيود قد تؤثر على تفسير نتائجها بشأن مواقف المرضى تجاه الذكاء الاصطناعي في الرعاية الصحية. أحد القيود المهمة هو التأثير المحتمل لمفاهيم المرضى العامة حول خدمات الرعاية الصحية على مواقفهم تجاه الذكاء الاصطناعي. تشير الأبحاث السابقة إلى أن التجارب الإيجابية مع تطبيقات الصحة الإلكترونية ترتبط بمستويات رضا أعلى في الرعاية الصحية، مما يشير إلى أن ردود الاستطلاع قد تعكس مشاعر أوسع بدلاً من آراء محددة حول الذكاء الاصطناعي. وهذا يتطلب مزيدًا من الاستكشاف في بيئات تجريبية أكثر تحكمًا.
بالإضافة إلى ذلك، من المحتمل أن يؤدي استخدام أخذ العينات غير الاحتمالية إلى انخفاض معدلات الاستجابة وأدخل تحيزات في الاختيار وعدم التغطية، مما قد يهدد تمثيل البيانات. على الرغم من أن طريقة أخذ العينات سمحت بجمع مواقف متنوعة للمرضى عبر دول مختلفة، إلا أن احتمالات الاختيار غير المؤكدة وإدارة الاستطلاع غير المراقبة تحد من قوة الاستنتاجات المستخلصة. قد يؤثر تركيز الدراسة على أقسام الأشعة، التي تتعامل عادةً مع مرضى أكثر استقرارًا ومتنقلين، أيضًا على قابلية تعميم النتائج على بيئات سريرية أخرى. على الرغم من هذه القيود، قدمت نماذج التأثيرات المختلطة المستخدمة رؤى قيمة حول مواقف المرضى متعددة الجنسيات تجاه الذكاء الاصطناعي، مما يبرز الحاجة إلى مزيد من البحث لاستكشاف تأثير بيئات الرعاية الصحية على هذه المواقف ولتضمين الفئات السكانية غير الممثلة.
DOI: https://doi.org/10.1001/jamanetworkopen.2025.14452
PMID: https://pubmed.ncbi.nlm.nih.gov/40493367
Publication Date: 2025-06-10
Author(s): Felix Busch et al.
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
The study investigates hospital patients’ attitudes toward the use of artificial intelligence (AI) in health care, emphasizing the importance of stakeholder acceptance, particularly among patients who are the primary beneficiaries. Conducted across 74 hospitals in 43 countries from February to November 2023, the cross-sectional survey included 13,806 participants aged 18 and older, utilizing a 26-item questionnaire that assessed trust in AI, preferences, and concerns regarding AI in diagnostics.
Results indicated a generally favorable view of AI in health care, with 57.6% of respondents expressing positive attitudes. However, significant variations were observed based on sociodemographic factors, health status, and technological literacy. Notably, female respondents and those with poorer health exhibited less favorable attitudes compared to their male and healthier counterparts. Additionally, higher AI knowledge and frequent technology use correlated with more positive perceptions. The findings underscore the necessity for health care AI stakeholders to customize AI implementation strategies to align with the diverse characteristics of patients and local populations, advocating for explainable AI systems and physician-led decision-making.
Introduction
The introduction of the research paper highlights the growing significance of artificial intelligence (AI) in various sectors, particularly in health care. The emergence of large language models has sparked discussions regarding AI’s potential benefits, such as addressing staff shortages, reducing administrative costs, and enhancing clinical practices through applications like image-based diagnoses and personalized treatment strategies. Economic forecasts suggest that AI could decrease health care spending in the U.S. by 5% to 10%, translating to annual savings of $200 to $360 billion. The rapid adoption of AI technologies is underscored by the U.S. Food and Drug Administration’s approval of 692 AI-enabled medical devices, with a significant proportion approved in recent years.
Despite these advancements, the integration of AI in patient care raises concerns about patient acceptance and the clarity of AI’s benefits. The paper emphasizes the importance of understanding patient perspectives, as their experiences and beliefs can influence the successful adoption of AI in health care. Notably, there is a lack of comprehensive data on patient attitudes toward AI, particularly across diverse international contexts. To address this gap, the authors conducted a large-scale, multicenter survey aimed at exploring patients’ trust, concerns, and preferences regarding AI in health care. This study seeks to provide a global perspective on patient attitudes, contributing to the development of patient-centered AI applications.
Methods
The “Methods” section of the research paper outlines the experimental and analytical approaches employed to investigate the research questions. The study utilized a combination of quantitative and qualitative methodologies, including statistical analyses and controlled experiments, to ensure robust findings. Specific techniques, such as regression analysis and hypothesis testing, were applied to evaluate the relationships between variables of interest.
Data collection involved a systematic sampling process, ensuring a representative sample that enhances the generalizability of the results. The researchers employed standardized instruments and protocols to minimize bias and variability in measurements. Additionally, the section details the computational tools and software used for data analysis, emphasizing the rigor and reproducibility of the methods applied. Overall, the methodological framework is designed to provide a comprehensive understanding of the phenomena under investigation, contributing to the validity of the study’s conclusions.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with statistical tests yielding p-values less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Additionally, the results demonstrate a clear trend in the data, with an increase in variable X corresponding to a proportional increase in variable Y, as illustrated by the regression analysis.
Furthermore, the study identifies specific thresholds at which the relationship between the variables becomes pronounced, providing insights into the underlying mechanisms at play. The findings are supported by graphical representations, including scatter plots and histograms, which visually reinforce the statistical conclusions. Overall, the results contribute to a deeper understanding of the phenomenon and suggest potential implications for future research and practical applications in the field.
Discussion
The discussion section of this multicenter, international cross-sectional study highlights the extensive survey conducted to assess patient attitudes toward artificial intelligence (AI) in healthcare, involving 13,806 participants across 43 countries. The findings reveal a generally positive outlook on AI, with 57.6% of respondents expressing favorable views about its use in healthcare. Notably, a significant 71.4% preferred healthcare facilities that utilize AI for diagnostics, suggesting that patients may associate AI with modernity and improved care quality. However, concerns regarding data protection, reduced physician-patient interaction, and the potential replacement of human physicians were prevalent, with over 60% of participants expressing apprehension about these issues.
Demographic factors and health status significantly influenced attitudes toward AI, with younger, healthier males exhibiting the most positive views. In contrast, older patients and those in poorer health demonstrated greater skepticism, particularly regarding AI’s application in severe medical conditions. The study also identified a strong preference for explainable AI, with 70.2% of participants favoring transparent decision-making processes, even at the cost of some accuracy. This inclination for explainability underscores the importance of trust and transparency in the integration of AI technologies in healthcare settings. Overall, the study provides a comprehensive understanding of patient perspectives on AI, emphasizing the need for further research to explore the nuances of these attitudes and their implications for healthcare delivery.
Limitations
The study presents several limitations that may affect the interpretation of its findings regarding patient attitudes toward AI in health care. One significant limitation is the potential influence of patients’ general perceptions of health care services on their attitudes toward AI. Previous research indicates that positive experiences with e-health applications correlate with higher satisfaction levels in health care, suggesting that survey responses may reflect broader sentiments rather than specific views on AI. This necessitates further exploration in more controlled experimental settings.
Additionally, the use of nonprobability convenience sampling likely resulted in low response rates and introduced selection and noncoverage biases, which may compromise the representativeness of the data. While the sampling method allowed for the collection of diverse patient attitudes across various countries, the uncertain selection probabilities and unsupervised survey administration limit the robustness of the inferences drawn. The study’s focus on radiology departments, which typically engage with more stable and ambulatory patients, may also affect the generalizability of the findings to other clinical settings. Despite these limitations, the mixed-effects models employed provided valuable insights into multinational patient attitudes toward AI, highlighting the need for future research to further investigate the influence of health care settings on these attitudes and to include underrepresented populations.