DOI: https://doi.org/10.3390/healthcare14040506
PMID: https://pubmed.ncbi.nlm.nih.gov/41754019
تاريخ النشر: 2026-02-16
المؤلف: Bandar S. Alharbi وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
تبحث الدراسة في محددات الثقة في الذكاء الاصطناعي (AI) في اتخاذ القرارات المتعلقة بالصحة ضمن سياق المملكة العربية السعودية، مع التركيز على دور رضا المرضى وعلاقة المريض بالطبيب. تم إجراء مسح مقطعي عبر أربعة مراكز للرعاية الصحية الأولية، باستخدام تحليل الانحدار الخطي المتعدد وتحليل الوساطة لاستكشاف العلاقات بين الثقة في الذكاء الاصطناعي، ورضا المرضى، وعلاقات المريض بالطبيب. تشير النتائج إلى أن رضا المرضى يرتبط إيجابياً بالثقة في الذكاء الاصطناعي (β = 0.54)، بينما تؤثر جودة علاقات المريض بالطبيب سلباً على الثقة (β = -0.34). ومن الجدير بالذكر أن الثقة في الذكاء الاصطناعي أقل بين البالغين الأكبر سناً مقارنة بالأفراد الأصغر سناً، وأن جودة علاقة المريض بالطبيب تؤثر على الثقة بشكل مباشر وغير مباشر من خلال رضا المرضى.
تؤكد النتائج على أهمية تعزيز الرعاية المتمحورة حول المريض لتعزيز الثقة العامة في الذكاء الاصطناعي، وهو أمر حاسم للتكامل الفعال للذكاء الاصطناعي في الرعاية الصحية. تسلط الدراسة الضوء على التفاعل المعقد بين العوامل النفسية الاجتماعية والخصائص الديموغرافية في تشكيل الثقة في الذكاء الاصطناعي، مما يشير إلى أن تحسين رضا المرضى يمكن أن يخفف من التأثير السلبي لجودة علاقة المريض بالطبيب على الثقة. يدعو المؤلفون إلى دمج هذه الرؤى في حوكمة الذكاء الاصطناعي واستراتيجيات التنفيذ، بينما يدعون أيضاً إلى مزيد من الأبحاث باستخدام منهجيات متنوعة لتوضيح ديناميكيات الثقة في اتخاذ القرارات الصحية المدعومة بالذكاء الاصطناعي.
مقدمة
تناقش مقدمة ورقة البحث التأثير التحويلي للذكاء الاصطناعي (AI) وتعلم الآلة (ML) على الرعاية الصحية العالمية، لا سيما في اتخاذ القرارات السريرية وتقديم الرعاية الصحية. تمتلك أنظمة دعم اتخاذ القرار السريرية المدفوعة بالذكاء الاصطناعي (AI-CDSSs) القدرة على تعزيز دقة التشخيص، وتقليل الأخطاء الطبية، وتبسيط سير العمل السريري. ومع ذلك، فإن تكاملها الناجح يواجه تحديات تتعلق بالأخلاقيات، والحوكمة، والتنفيذ، حيث تعتبر ثقة المستخدم عاملاً حاسماً. تتأثر الثقة في الذكاء الاصطناعي ليس فقط بأداء الخوارزمية ولكن أيضاً بالشفافية، والقدرة على التفسير، والمساءلة، وهي ضرورية لتعزيز الثقة بين المرضى والأطباء.
تؤكد الورقة على أهمية علاقة المريض بالطبيب ورضا المرضى كمحددات رئيسية للثقة في الذكاء الاصطناعي في اتخاذ القرارات المتعلقة بالصحة، لا سيما في سياق التحول الرقمي في الصحة في المملكة العربية السعودية تحت رؤية 2030. على الرغم من التقدم، تظل الأدلة حول محددات الثقة في السكان في الشرق الأوسط محدودة. تهدف الدراسة إلى قياس هذه المحددات واستكشاف الدور الوسيط لرضا المرضى في العلاقة بين تفاعلات المريض والطبيب والثقة في الذكاء الاصطناعي. تشير النتائج إلى أن الثقة في الذكاء الاصطناعي مرتبطة ارتباطاً وثيقاً بهياكل الثقة الموجودة في الرعاية الصحية، مما يدل على أن تعزيز الرعاية المتمحورة حول المريض والتواصل أمر حيوي لتعزيز قبول تقنيات الذكاء الاصطناعي في بيئات الرعاية الصحية.
الطرق
توضح قسم الطرق في ورقة البحث المواد التكميلية المتاحة لمزيد من التحليل والتحقق من صحة نتائج الدراسة. يتضمن الجدول S1، الذي يقدم موثوقية الاتساق الداخلي لأدوات الدراسة المستخدمة، مما يضمن أن المقاييس المستخدمة موثوقة. يوضح الجدول S2 الارتباطات بين الثقة في الذكاء الاصطناعي، ورضا المرضى، وعلاقة المريض بالطبيب، مما يوفر رؤى حول العلاقات المتبادلة بين هذه المتغيرات. بالإضافة إلى ذلك، يقدم الجدول S3 تشخيصات التعدد الخطي للمتنبئين المدرجين في نموذج الانحدار الخطي المتعدد، التي تم تقييمها باستخدام عامل التضخم العام للتباين (GVIF). أخيراً، يوضح الشكل S1 تشخيص النموذج، مما يساهم في قوة الإطار التحليلي المستخدم في الدراسة.
النتائج
تكشف نتائج الدراسة عن الخصائص السكانية الرئيسية للمشاركين، حيث كان معظمهم من الذكور (74%) ومن البالغين الشباب (40% تتراوح أعمارهم بين 18-25 سنة). اختلف مستوى التعليم، حيث حصل 48% على درجة البكالوريوس و30% أكملوا التعليم الثانوي. كان متوسط مؤشر كتلة الجسم (BMI) 26.0، وأفاد المشاركون بمتوسط 7.48 زيارة للرعاية الصحية في الأشهر الستة الماضية. كانت درجات رضا المرضى وعلاقة المريض بالطبيب مرتفعة، بمتوسط 5.67 و7.51، على التوالي. كانت الثقة في الذكاء الاصطناعي (AI) في اتخاذ القرارات المتعلقة بالصحة متوسطة إلى عالية (المتوسط = 4.49)، لكنها أظهرت تبايناً أكبر.
أشارت التحليلات الإحصائية إلى عدم وجود ارتباط كبير بين الثقة في الذكاء الاصطناعي ورضا المرضى (r = 0.03)، بينما وُجد ارتباط عكسي كبير مع علاقة المريض بالطبيب (r = -0.11). كشفت تحليل الانحدار أن رضا المرضى الأعلى مرتبط بثقة أكبر في الذكاء الاصطناعي (β = 0.54)، بينما كانت علاقة المريض بالطبيب الأقوى مرتبطة بثقة أقل في الذكاء الاصطناعي (β = -0.34). كما أثرت العمر على الثقة، حيث أظهر المشاركون الأكبر سناً مستويات ثقة أقل بشكل ملحوظ. أشار تحليل الوساطة إلى أن تحسينات في علاقة المريض بالطبيب زادت بشكل غير مباشر من الثقة في الذكاء الاصطناعي من خلال رضا المرضى الأعلى، على الرغم من أنه لوحظ تأثير سلبي مباشر، مما يشير إلى أنه بينما يعزز رضا المرضى الثقة في الذكاء الاصطناعي، قد تقلل علاقة المريض بالطبيب القوية منها.
المناقشة
تسلط قسم المناقشة في الدراسة الضوء على الارتباط الكبير بين رضا المرضى والثقة في الذكاء الاصطناعي (AI) في اتخاذ القرارات المتعلقة بالصحة، مما يتماشى مع الأبحاث السابقة التي تشير إلى أن التجارب الإيجابية في الرعاية الصحية تعزز الثقة في تقنيات الصحة الرقمية. تشير النتائج إلى أن المرضى الراضين هم أكثر احتمالاً لرؤية أنظمة الرعاية الصحية كفؤة، مما يمدد ثقتهم إلى الخدمات المعتمدة على الذكاء الاصطناعي. ومع ذلك، فإن جودة علاقة المريض بالطبيب ترتبط عكسياً بالثقة في الذكاء الاصطناعي، مما يشير إلى أن المرضى الذين يتفاعلون بشكل وثيق مع أطبائهم قد يكونون أقل ميلاً للاعتماد على الذكاء الاصطناعي، ربما بسبب القلق بشأن نزع الطابع الشخصي للرعاية.
تحدد الدراسة أيضاً العوامل الديموغرافية التي تؤثر على الثقة في الذكاء الاصطناعي، مشيرة إلى أن البالغين الأكبر سناً يظهرون تردداً أكبر تجاه تقنيات الذكاء الاصطناعي، بينما تُظهر الإناث مستويات ثقة أقل مقارنة بالذكور. ومن المثير للاهتمام أن المتغيرات مثل مؤشر كتلة الجسم (BMI)، ومستوى التعليم، وتكرار الزيارات الطبية لم تظهر ارتباطات كبيرة مع ثقة الذكاء الاصطناعي، مما يشير إلى أن الحالة الصحية العامة واستخدام الرعاية الصحية قد لا تكون محددات رئيسية. يكشف تحليل الوساطة أن علاقة المريض بالطبيب القوية يمكن أن تعزز الثقة في الذكاء الاصطناعي بشكل غير مباشر من خلال زيادة رضا المرضى، بينما يشير أيضاً إلى وجود ارتباط سلبي مباشر بين جودة العلاقة وثقة الذكاء الاصطناعي بمجرد أخذ الرضا في الاعتبار. تؤكد هذه النتائج على ضرورة وضع الذكاء الاصطناعي كأداة داعمة في الرعاية الصحية، مع التأكيد على أهمية التفاعلات البشرية مع النظام في تعزيز الثقة وقبول الذكاء الاصطناعي في البيئات السريرية. يُوصى بإجراء أبحاث مستقبلية لاستكشاف هذه الديناميات بشكل أعمق من خلال منهجيات طولية ومختلطة.
القيود
تقدم الدراسة نقاط قوة كبيرة، لا سيما تحقيقها الشامل في الثقة في الذكاء الاصطناعي في اتخاذ القرارات المتعلقة بالصحة ضمن سياق المملكة العربية السعودية، حيث البيانات التجريبية حول تصورات الجمهور للذكاء الاصطناعي الطبي نادرة. من خلال فحص العوامل السكانية، والخصائص المتعلقة بالصحة، والبنى العلائقية مثل علاقات المريض بالطبيب والرضا، تقدم البحث فهماً دقيقاً للمسارات التي تؤثر على ثقة الذكاء الاصطناعي. تعزز تطبيقات تحليل الوساطة النتائج من خلال كشف الآليات الأساسية، مما يساهم في النماذج المعتمدة من قبل التكنولوجيا والقبول والثقة في الأتمتة.
ومع ذلك، يجب الاعتراف بعدة قيود. يحد التصميم المقطعي من الاستدلال السببي، لا سيما فيما يتعلق بالعلاقات الزمنية بين تفاعلات المريض والطبيب، والرضا، وثقة الذكاء الاصطناعي. بالإضافة إلى ذلك، قد يؤدي الاعتماد على البيانات المبلغ عنها ذاتياً إلى إدخال تحيزات تؤثر على دقة مقاييس الثقة والرضا. قد لا تكون النتائج قابلة للتعميم خارج السياق السعودي بسبب الاختلافات الثقافية وتقديم الرعاية الصحية، وقد يمثل العينة، المأخوذة حصرياً من زوار مراكز الرعاية الصحية الأولية، الأفراد الذين هم بالفعل متورطون في نظام الرعاية الصحية. علاوة على ذلك، قد تؤدي نسبة المشاركة المتواضعة واستبعاد 82 مشاركاً بسبب البيانات المفقودة إلى إدخال تحيز وتقليل القوة الإحصائية. أخيراً، لم يتم التقاط العوامل غير المقاسة مثل التعرض السابق لتقنيات الذكاء الاصطناعي ومحو الأمية الصحية الرقمية، مما قد يحد من شمولية التحليل.
DOI: https://doi.org/10.3390/healthcare14040506
PMID: https://pubmed.ncbi.nlm.nih.gov/41754019
Publication Date: 2026-02-16
Author(s): Bandar S. Alharbi et al.
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
The research investigates the determinants of trust in artificial intelligence (AI) for health-related decision-making within the context of Saudi Arabia, emphasizing the role of patient satisfaction and the patient-doctor relationship. A cross-sectional survey was conducted across four primary healthcare centers, utilizing multiple linear regression and mediation analysis to explore the associations between trust in AI, patient satisfaction, and patient-doctor relationships. The results indicate that patient satisfaction positively correlates with trust in AI (β = 0.54), while the quality of patient-doctor relationships inversely affects trust (β = -0.34). Notably, trust in AI is lower among older adults compared to younger individuals, and the quality of the patient-doctor relationship influences trust both directly and indirectly through patient satisfaction.
The findings underscore the significance of fostering patient-centered care to enhance public trust in AI, which is crucial for the effective integration of AI in healthcare. The study highlights the complex interplay between psychosocial factors and demographic characteristics in shaping trust in AI, suggesting that improving patient satisfaction can mitigate the negative impact of patient-doctor relationship quality on trust. The authors advocate for the incorporation of these insights into AI governance and implementation strategies, while also calling for future research employing diverse methodologies to further elucidate the dynamics of trust in AI-supported health decision-making.
Introduction
The introduction of the research paper discusses the transformative impact of artificial intelligence (AI) and machine learning (ML) on global healthcare, particularly in clinical decision-making and healthcare delivery. AI-driven clinical decision support systems (AI-CDSSs) have the potential to enhance diagnostic accuracy, minimize medical errors, and streamline clinical workflows. However, their successful integration is challenged by ethical, governance, and implementation issues, with user trust being a critical factor. Trust in AI is influenced not only by algorithm performance but also by transparency, explainability, and accountability, which are essential for fostering confidence among both patients and clinicians.
The paper emphasizes the importance of the patient-doctor relationship and patient satisfaction as key determinants of trust in AI for health-related decision-making, particularly within the context of Saudi Arabia’s digital health transformation under Vision 2030. Despite advancements, evidence on trust determinants in Middle Eastern populations remains limited. The study aims to quantify these determinants and explore the mediating role of patient satisfaction in the relationship between patient-doctor interactions and trust in AI. The findings suggest that trust in AI is closely linked to existing trust structures in healthcare, indicating that enhancing patient-centered care and communication is vital for promoting acceptance of AI technologies in healthcare settings.
Methods
The Methods section of the research paper outlines the supplementary materials available for further analysis and validation of the study’s findings. It includes Table S1, which presents the internal consistency reliability of the study instruments used, ensuring that the measures employed are reliable. Table S2 details the Pearson correlations among trust in AI, patient satisfaction, and the patient-doctor relationship, providing insights into the interrelationships between these variables. Additionally, Table S3 offers multicollinearity diagnostics for the predictors included in the multiple linear regression model, assessed using the Generalized Variance Inflation Factor (GVIF). Finally, Figure S1 illustrates the model diagnosis, contributing to the robustness of the analytical framework employed in the study.
Results
The results of the study reveal key sociodemographic characteristics of the participants, predominantly male (74%) and young adults (40% aged 18-25 years). Educational attainment varied, with 48% holding a bachelor’s degree and 30% having completed high school. The mean body mass index (BMI) was 26.0, and participants reported an average of 7.48 healthcare visits in the past six months. Patient satisfaction and the patient-doctor relationship scores were high, with means of 5.67 and 7.51, respectively. Trust in artificial intelligence (AI) for health-related decision-making was moderate to high (mean = 4.49), but showed greater variability.
Statistical analyses indicated no significant association between trust in AI and patient satisfaction (r = 0.03), while a significant inverse correlation was found with the patient-doctor relationship (r = -0.11). Regression analysis revealed that higher patient satisfaction was associated with greater trust in AI (β = 0.54), whereas a stronger patient-doctor relationship correlated with lower trust in AI (β = -0.34). Age also influenced trust, with older participants exhibiting significantly lower trust levels. Mediation analysis indicated that improvements in the patient-doctor relationship indirectly increased trust in AI through higher patient satisfaction, although a direct negative effect was observed, suggesting that while patient satisfaction enhances trust in AI, a strong patient-doctor relationship may diminish it.
Discussion
The discussion section of the study highlights the significant association between patient satisfaction and trust in artificial intelligence (AI) for health-related decision-making, aligning with previous research that indicates positive healthcare experiences enhance trust in digital health technologies. The findings suggest that satisfied patients are more likely to view healthcare systems as competent, extending their trust to AI-based services. However, the quality of the patient-doctor relationship inversely correlates with trust in AI, indicating that patients who engage closely with their doctors may be less inclined to rely on AI, potentially due to concerns about depersonalization of care.
The study also identifies demographic factors influencing trust in AI, noting that older adults exhibit greater hesitance towards AI technologies, while females report lower trust levels compared to males. Interestingly, variables such as body mass index (BMI), education level, and frequency of medical visits did not show significant associations with AI trust, suggesting that general health status and healthcare utilization may not be primary determinants. Mediation analysis reveals that a strong patient-doctor relationship can enhance trust in AI indirectly through increased patient satisfaction, while also indicating a direct negative association between the relationship quality and AI trust once satisfaction is accounted for. These findings underscore the necessity of positioning AI as a supportive tool in healthcare, emphasizing the importance of human-system interactions in fostering trust and acceptance of AI in clinical settings. Future research is recommended to further explore these dynamics through longitudinal and mixed-methods approaches.
Limitations
The study presents significant strengths, notably its thorough investigation of trust in AI for health-related decision-making within the Saudi Arabian context, where empirical data on public perceptions of medical AI is scarce. By examining sociodemographic factors, health-related characteristics, and relational constructs like patient-doctor relationships and satisfaction, the research offers a nuanced understanding of the pathways influencing AI trust. The application of mediation analysis enhances the findings by revealing underlying mechanisms, thereby contributing to established models of technology acceptance and trust in automation.
However, several limitations must be acknowledged. The cross-sectional design limits causal inference, particularly regarding the temporal relationships among patient-doctor interactions, satisfaction, and AI trust. Additionally, reliance on self-reported data may introduce biases that affect the accuracy of trust and satisfaction measures. The findings may not be generalizable beyond the Saudi context due to cultural and healthcare delivery differences, and the sample, drawn exclusively from primary healthcare center visitors, may overrepresent individuals already engaged with the healthcare system. Furthermore, the modest participation rate and exclusion of 82 participants due to missing data could introduce bias and reduce statistical power. Lastly, unmeasured factors such as prior exposure to AI technologies and digital health literacy were not captured, potentially limiting the comprehensiveness of the analysis.