DOI: https://doi.org/10.1136/bmjdhai-2025-000207
تاريخ النشر: 2026-02-01
المؤلف: Christopher Obong’o وآخرون
الموضوع الرئيسي: أنظمة السجلات الصحية الإلكترونية
نظرة عامة
يقدم هذا القسم تقييمًا لتجارب الأطباء وأنماط اعتمادهم بشأن نظام دعم القرار السريري القائم على الذكاء الاصطناعي التوليدي المدمج في السجلات الصحية الإلكترونية (EHR) في كينيا. تستخدم الدراسة نهج تجربة مستخدم مختلط، مع التركيز على التحديات الفريدة التي تواجهها في بيئة فقيرة الموارد.
تؤكد النتائج على أهمية موثوقية البنية التحتية كعامل محوري يؤثر على اعتماد مثل هذه التقنيات، وهو اعتبار غالبًا ما يتم تجاهله في التطبيقات المستمدة من بيئات ذات موارد عالية. بالإضافة إلى ذلك، تؤكد الأبحاث على الحاجة إلى توطين الإرشادات داخل أنظمة دعم القرار السريري. تم تحديد عدم التوافق بين التوصيات التي تولدها النماذج اللغوية الكبيرة (LLMs) والبروتوكولات السريرية المحلية كحاجز أمام كل من الاعتماد والفائدة السريرية. وهذا يبرز أهمية ضمان “الملاءمة السياقية”، والتي تشمل ليس فقط الدقة التقنية ولكن أيضًا الجدوى الاجتماعية والاقتصادية – وهو جانب غالبًا ما يتم تجاهله في الأدبيات المتعلقة باستشارات الذكاء الاصطناعي في البيئات ذات الموارد العالية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الإمكانات التحولية للذكاء الاصطناعي التوليدي (GenAI) في الرعاية الصحية، لا سيما في تعزيز دقة التشخيص، وتحسين العلاج، ورعاية المرضى. بينما تعتبر التقدمات في تطبيقات GenAI ملحوظة في البيئات ذات الموارد العالية، تظل الأدلة التي تدعم فعاليتها في البيئات المحدودة الموارد محدودة. إحدى النتائج الرئيسية هي أن الدقة التقنية وحدها لا تضمن التنفيذ الناجح؛ فالعوامل البشرية مثل الثقة، وسهولة الاستخدام، ودمج سير العمل، والتدريب، وثقافة المنظمة تعتبر حاسمة لزيادة استخدام وتأثير أنظمة دعم القرار السريري (CDSSs).
تشير الأبحاث إلى أن الثقة في أنظمة الذكاء الاصطناعي تتعزز عندما تكون هذه الأنظمة قابلة للتفسير وتتوافق مع أهداف الأطباء، بينما يمكن أن تقلل النماذج “السوداء” غير الشفافة من الثقة. في البيئات ذات الموارد المنخفضة، تعزز التحديات مثل محدودية المعرفة الرقمية وعدم كفاية التدريب من أهمية هذه العوامل البشرية. قد يعتبر العاملون في الصحة أدوات الذكاء الاصطناعي عبئًا دون دعم كافٍ، مما يؤدي إلى انخفاض معدلات الاعتماد. تهدف الدراسة إلى التحقيق في كيفية تأثير هذه العوامل البشرية على استخدام نظام دعم القرار السريري القائم على نموذج لغوي كبير، المشار إليه باسم “استشارة الذكاء الاصطناعي”، ضمن مؤسسة صحية اجتماعية كينية، هي بندا هيلث. من خلال نهج مختلط، ستستكشف الأبحاث أنماط الاعتماد، وتجارب المستخدمين، والعوامل التي تؤثر على قرارات الأطباء لاستخدام استشارة الذكاء الاصطناعي.
الطرق
يستعرض قسم الطرق التصميم التجريبي والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم تنفيذ تجارب محكومة لتقييم تأثير المتغير X على النتيجة Y. تم جمع البيانات من خلال أخذ عينات منهجية، مما يضمن حجم عينة تمثيلية يعزز موثوقية النتائج.
تم إجراء التحليلات الإحصائية باستخدام البرنامج Z، مع تطبيق تقنيات مثل تحليل الانحدار وANOVA لتقييم العلاقات بين المتغيرات. تم تحديد مستوى الدلالة عند p < 0.05، مما يسمح بتحديد النتائج ذات الدلالة الإحصائية. بالإضافة إلى ذلك، شملت المنهجية خطوات تحقق صارمة لضمان دقة وموثوقية النتائج، مما يعزز قوة الاستنتاجات المستخلصة من البيانات.
النتائج
في الدراسة التي أجريت في مرافق بندا هيلث من فبراير إلى أكتوبر 2024، تم تسجيل ما مجموعه 258,106 حالات سريرية، حيث استخدم 21.7% (56,050 حالة) أداة “استشارة الذكاء الاصطناعي”. زاد اعتماد “استشارة الذكاء الاصطناعي” بشكل كبير من 4% إلى 47% على مدار فترة الثمانية أشهر. حدثت الغالبية العظمى من التفاعلات مع الذكاء الاصطناعي، والتي بلغت 75,519، خلال الزيارات العامة (97.6%)، مع وجود 43% ملحوظ من الحالات السريرية التي تضمنت استخدامات متعددة لأداة الذكاء الاصطناعي. كانت أقصى استخدام مسجل في حالة واحدة 17 مرة، على الرغم من أن حالات الاستخدام لأكثر من مرتين كانت نادرة.
أشارت تفضيلات المستخدمين إلى ميل قوي نحو الموجز الملخص، الذي شكل 61% من التفاعلات، مقارنةً بـ 23% لخطة الإدارة و15% للاستشارة الشاملة. بحلول نهاية فترة التجربة، كانت 68% من الزيارات تستخدم الموجز الملخص، بينما شهد الموجز الجديد “كيف كانت وثائقيتي” استخدامًا ضئيلًا. كانت ملاحظات الأطباء حول ردود الذكاء الاصطناعي إيجابية بشكل ساحق، حيث حصلت 99.5% من التفاعلات المصنفة على إعجاب. تشير هذه النتائج إلى تكامل ناجح لتقنية الذكاء الاصطناعي في البيئات السريرية، مع تفضيل واضح للمعلومات الموجزة والملخصة.
المناقشة
كشفت الدراسة المختلطة التي أجريت في مرافق بندا هيلث في كينيا عن معدل استخدام يقارب 50% لأداة استشارة الذكاء الاصطناعي خلال ثمانية أشهر من تقديمها، مع تفضيل ملحوظ للموجز الملخص. غالبًا ما اختار الأطباء تجاوز استشارة الذكاء الاصطناعي بناءً على ثقتهم في إدارة الحالات، مما يشير إلى تفاعل معقد بين الكفاءة المدركة واعتماد الأداة. حدد التحليل النوعي خمسة مواضيع رئيسية تتعلق بتجارب الأطباء، مما يبرز دور استشارة الذكاء الاصطناعي في تعزيز اتخاذ القرار السريري، وتحسين إدارة المرضى، والعمل كمصدر تعليمي. ومع ذلك، أعرب الأطباء عن مخاوفهم بشأن الاعتماد المفرط على الأداة والحاجة إلى التوافق مع الإرشادات السريرية المحلية لتعزيز الثقة والدقة.
تتوافق النتائج مع الأدبيات الموجودة التي تؤكد على أهمية تصورات الأطباء في اعتماد أنظمة دعم القرار السريري القائمة على الذكاء الاصطناعي (CDSS). تشمل التوصيات للتطبيقات المستقبلية تقييمات شاملة للبنية التحتية التقنية، والتدريب المستمر، وتوطين الإرشادات السريرية لضمان الصلة وسهولة الاستخدام. تبرز الدراسة ضرورة معالجة الملاءمة السياقية في نشر أدوات الذكاء الاصطناعي، لا سيما في البلدان ذات الدخل المنخفض والمتوسط، لتحسين الاعتماد وتحسين نتائج رعاية المرضى.
القيود
تقدم الدراسة عدة قيود يجب الاعتراف بها. أولاً، تم سحب حجم العينة المكون من 42 طبيبًا من نصف المرافق المشاركة فقط، مما قد لا يعكس تنوع التجارب عبر السكان الأوسع. بالإضافة إلى ذلك، تم الحصول على البيانات الكمية من بيانات البرنامج الروتينية، مما يحد من القدرة على تقييم بعض الجوانب الحرجة للاعتماد. بينما تم تحقيق التشبع في المقابلات الفردية وتم تأكيده من خلال مجموعات التركيز، قد لا تكون النتائج تمثيلية تمامًا، خاصةً بالنظر إلى أن مرافق بندا هيلث، كمزود للربح ذو تأثير اجتماعي، تمتلك بنية تحتية متفوقة ونضج رقمي مقارنةً بمعظم مرافق الرعاية الصحية في كينيا. يثير هذا السياق احتمال أن الحواجز الكبيرة قد تم تجاهلها، على الرغم من أنه تم تحديد مشكلات البنية التحتية التقنية كحواجز، مما يشير إلى أن التحديات لا تزال قائمة حتى في البيئات الأكثر تقدمًا.
علاوة على ذلك، لم تقم الدراسة بقياس نتائج المرضى، بل اعتمدت بدلاً من ذلك على ملاحظات الأطباء الذاتية بشأن تجاربهم مع استشارة الذكاء الاصطناعي. يجب أن تهدف الأبحاث المستقبلية إلى دمج مقاييس النتائج التي تربط الفوائد المدركة للأطباء من أنظمة دعم القرار السريري (CDSS) بنتائج المرضى الفعلية. بينما تتماشى الرؤى النوعية مع مفاهيم نموذج قبول التكنولوجيا، يمكن أن يؤدي نهج نوعي أكثر صرامة يستخدم هذه المفاهيم في جمع البيانات والتحليل إلى الحصول على رؤى أعمق حول تأثيرها على الاعتماد. على الرغم من هذه القيود، تستفيد الدراسة من استخدام محاورين مستقلين وفريق بحث منفصل، مما يقلل من التحيزات المحتملة، ويعزز دمج البيانات النوعية والكمية من خلال تعزيز التقاطع بين سلوكيات ورؤى محددة.
DOI: https://doi.org/10.1136/bmjdhai-2025-000207
Publication Date: 2026-02-01
Author(s): Christopher Obong’o et al.
Primary Topic: Electronic Health Records Systems
Overview
This section presents an evaluation of clinician experiences and adoption patterns regarding an Electronic Health Record (EHR)-integrated generative AI-based clinical decision support system in Kenya. The study employs a mixed-methods user experience (UX) approach, focusing on the unique challenges faced in a resource-poor setting.
The findings underscore the significance of infrastructure reliability as a pivotal factor influencing the adoption of such technologies, a consideration that is frequently neglected in implementations derived from high-resource environments. Additionally, the research emphasizes the need for the localization of guidelines within clinical decision support systems. The misalignment between recommendations generated by large language models (LLMs) and local clinical protocols has been identified as a barrier to both adoption and clinical utility. This highlights the importance of ensuring ‘contextual appropriateness,’ which encompasses not only technical accuracy but also socioeconomic feasibility—an aspect that is often overlooked in the literature concerning AI consultations in high-resource settings.
Introduction
The introduction of the research paper highlights the transformative potential of generative artificial intelligence (GenAI) in healthcare, particularly in enhancing diagnostic accuracy, treatment optimization, and patient-centered care. While advancements in GenAI applications are notable in high-resource settings, the evidence supporting its effectiveness in resource-constrained environments remains limited. A key finding is that technical accuracy alone does not guarantee successful implementation; human factors such as trust, usability, workflow integration, training, and organizational culture are critical for the uptake and impact of clinical decision support systems (CDSSs).
Research indicates that trust in AI systems is strengthened when these systems are explainable and align with clinicians’ goals, whereas opaque “black-box” models can diminish confidence. In low-resource settings, challenges such as limited digital literacy and inadequate training exacerbate the importance of these human factors. Health workers may perceive AI tools as burdensome without sufficient support, leading to low adoption rates. The study aims to investigate how these human factors influence the uptake of a large language model-based CDSS, referred to as the ‘AI Consult,’ within a Kenyan primary healthcare social enterprise, Penda Health. Through a mixed-methods approach, the research will explore adoption patterns, user experiences, and factors affecting clinicians’ decisions to utilize the AI Consult.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to assess the impact of variable X on outcome Y. Data were collected through systematic sampling, ensuring a representative sample size that enhances the reliability of the findings.
Statistical analyses were conducted using software Z, applying techniques such as regression analysis and ANOVA to evaluate the relationships between variables. The significance level was set at p < 0.05, allowing for the determination of statistically significant results. Additionally, the methodology included rigorous validation steps to ensure the accuracy and reproducibility of the results, thereby reinforcing the robustness of the conclusions drawn from the data.
Results
In the study conducted at Penda Health facilities from February to October 2024, a total of 258,106 clinical episodes were recorded, with 21.7% (56,050 episodes) utilizing the ‘AI Consult’ tool. The adoption of ‘AI Consult’ significantly increased from 4% to 47% over the eight-month period. The majority of interactions with the AI, totaling 75,519, occurred during general visits (97.6%), with a notable 43% of clinical episodes involving multiple uses of the AI tool. The maximum recorded usage in a single episode was 17 times, although instances of more than two uses were infrequent.
User preferences indicated a strong inclination towards the summarized prompt, which accounted for 61% of interactions, compared to 23% for the management plan and 15% for the comprehensive consult. By the end of the pilot period, 68% of visits were utilizing the summarized prompt, while the newly introduced “How’s my documentation” prompt saw minimal use. Clinician feedback on AI responses was overwhelmingly positive, with 99.5% of rated interactions receiving a thumbs-up. These findings suggest a successful integration of AI technology in clinical settings, with a clear preference for concise, summarized information.
Discussion
The mixed-methods study conducted at Penda Health facilities in Kenya revealed a nearly 50% utilization rate of the AI Consult tool within eight months of its introduction, with a notable preference for the summarized prompt. Clinicians often opted to bypass the AI Consult based on their confidence in managing cases, indicating a complex interplay between perceived competence and tool adoption. Qualitative analysis identified five key themes regarding clinician experiences, emphasizing the AI Consult’s role in enhancing clinical decision-making, improving patient management, and serving as a learning resource. However, clinicians expressed concerns about overreliance on the tool and the need for alignment with local clinical guidelines to enhance trust and accuracy.
The findings align with existing literature that underscores the importance of clinician perceptions in the adoption of AI-based clinical decision support systems (CDSS). Recommendations for future implementations include thorough assessments of technical infrastructure, ongoing training, and the localization of clinical guidelines to ensure relevance and usability. The study highlights the necessity of addressing contextual appropriateness in AI tool deployment, particularly in low- and middle-income countries, to optimize adoption and improve patient care outcomes.
Limitations
The study presents several limitations that should be acknowledged. Firstly, the sample size of 42 clinicians was drawn from only half of the participating facilities, which may not fully capture the diversity of experiences across the broader population. Additionally, the quantitative data were sourced from routine program data, limiting the ability to evaluate certain critical aspects of uptake. While saturation was achieved in individual interviews and confirmed through focus groups, the findings may not be entirely representative, particularly given that Penda Health’s facilities, as a for-profit social impact provider, possess superior infrastructure and digital maturity compared to most healthcare facilities in Kenya. This context raises the possibility that significant barriers may have been overlooked, although technical infrastructure issues were still identified as barriers, indicating that challenges persist even in more advanced settings.
Moreover, the study did not measure patient outcomes, relying instead on clinicians’ subjective feedback regarding their experiences with the AI Consult. Future research should aim to incorporate outcome measures that link clinicians’ perceived benefits of Clinical Decision Support Systems (CDSS) to actual patient outcomes. While the qualitative insights align with constructs of the technology acceptance model, a more rigorous qualitative approach utilizing these constructs in data collection and analysis could yield deeper insights into their influence on adoption. Despite these limitations, the study benefits from the use of independent interviewers and a separate research team, reducing potential biases, and the integration of qualitative and quantitative data enhances the triangulation of specific behaviors and insights.