DOI: https://doi.org/10.32890/jict2025.24.3.3
تاريخ النشر: 2025-07-31
المؤلف: Muhammad Thesa Ghozali وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تسلط الأبحاث الضوء على التحدي الحرج الذي تطرحه مقاومة المضادات الحيوية في الرعاية الصحية العالمية والدور المحتمل لأنظمة دعم القرار السريرية المدفوعة بتعلم الآلة (ML) في تحسين إدارة المضادات الحيوية. على الرغم من وعدها، فإن اعتماد المتنبئين المعتمدين على ML من قبل صيادلة المستشفيات يعيقه القلق بشأن قابلية الاستخدام، والثقة، والدعم التنظيمي، والمخاطر المدركة. تستخدم هذه الدراسة نموذج قبول التكنولوجيا الموسع (TAM) لتحديد العوامل التي تؤثر على نية الصيادلة السلوكية (BI) لاعتماد هذه الأنظمة، بناءً على مسح مقطعي لـ 235 صيدلي مستشفى في إندونيسيا تم تحليله باستخدام نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM).
تشير النتائج إلى أن الفائدة المدركة (PU) هي المتنبئ الأكثر أهمية لـ BI (β = 0.355، p < 0.001)، تليها الثقة في التكنولوجيا (TT) (β = 0.179، p = 0.017)، التأثير الاجتماعي (SI) (β = 0.184، p = 0.009)، وظروف التيسير (FC) (β = 0.150، p = 0.010). على العكس من ذلك، تؤثر المخاطر المدركة (PR) سلبًا على BI (β = -0.103، p = 0.023)، مما يعكس المخاوف بشأن موثوقية الذكاء الاصطناعي. تؤكد الدراسة على ضرورة تعزيز دعم تكنولوجيا المعلومات والتدريب من قبل إداريي المستشفيات، وإنشاء أطر تنظيمية للذكاء الاصطناعي من قبل صانعي السياسات، والدعوة من قبل المنظمات المهنية لتعزيز قبول تقنيات الذكاء الاصطناعي. في النهاية، من المتوقع أن يؤدي التكامل المتزايد لأنظمة دعم القرار السريرية المدفوعة بتعلم الآلة إلى تحسين دقة وصف المضادات الحيوية، وتقليل معدلات المقاومة، وتعزيز سلامة المرضى، مما يوفر رؤى قيمة لتحسين تدخلات الذكاء الاصطناعي في مبادرات إدارة المضادات الحيوية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التحدي الحرج للصحة العامة الذي تطرحه مقاومة المضادات الحيوية (ABR)، والتي قد تؤدي إلى ما يصل إلى 10 ملايين وفاة سنويًا بحلول عام 2050 دون تدخل فوري. لقد أدى سوء استخدام المضادات الحيوية والإفراط في استخدامها إلى تسريع ظهور سلالات بكتيرية مقاومة، مما أدى إلى زيادة تكاليف الرعاية الصحية ومعدلات الوفيات. استجابةً لذلك، تستفيد أنظمة الرعاية الصحية من التقنيات المتقدمة، وخاصة تعلم الآلة (ML)، للتنبؤ بأنماط ABR وتعزيز إدارة المضادات الحيوية. ومع ذلك، فإن الاعتماد غير المتسق لمتنبئين ABR المدفوعين بتعلم الآلة بين صيادلة المستشفيات، الذين يلعبون دورًا حيويًا في برامج إدارة المضادات الحيوية، يمثل حاجزًا كبيرًا أمام دمج الذكاء الاصطناعي (AI) في الممارسة السريرية.
تؤكد الورقة على أهمية فهم العوامل التي تؤثر على نية الصيادلة السلوكية (BI) لاعتماد هذه الأدوات المدفوعة بالذكاء الاصطناعي، حيث قد لا تلتقط الأطر الحالية مثل نموذج قبول التكنولوجيا (TAM) التعقيدات المعنية بشكل كامل. بينما يحدد TAM الفائدة المدركة (PU) وسهولة الاستخدام المدركة (PEOU) كعوامل رئيسية، فإن عوامل أخرى مثل الثقة في التكنولوجيا (TT)، التأثير الاجتماعي (SI)، ظروف التيسير (FC)، والمخاطر المدركة (PR) تعتبر أيضًا حاسمة. تهدف الدراسة إلى معالجة الفجوة البحثية المتعلقة بوجهات نظر الصيادلة حول أدوات دعم القرار المدفوعة بالذكاء الاصطناعي، حيث تتطلب مسؤولياتهم الفريدة في تقييم نظم المضادات الحيوية وضمان الاستخدام المناسب فهمًا مخصصًا لسلوكيات اعتمادهم. في النهاية، تسعى الأبحاث إلى تقديم رؤى قائمة على الأدلة لتسهيل دمج الأدوات المدعومة بتعلم الآلة في مكافحة مقاومة المضادات الحيوية.
الطرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، جنبًا إلى جنب مع مصادرها وطرق تحضيرها. كما يصف القسم البروتوكولات التجريبية، بما في ذلك الظروف التي أجريت فيها التجارب، والضوابط المنفذة، والتحليلات الإحصائية التي تم إجراؤها لتقييم البيانات.
بالإضافة إلى ذلك، قد يتضمن قسم الطرق معلومات عن تقنيات أخذ العينات، وإجراءات جمع البيانات، وأي برامج أو أدوات تم استخدامها للتحليل. يضمن هذا النهج الشامل إمكانية إعادة الإنتاج ويسمح بالتقييم النقدي للنتائج، وهو أمر ضروري للتحقق من صحة النتائج المقدمة في الدراسة.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح نتائج الدراسة، مع تسليط الضوء على الاتجاهات البيانية المهمة، والتحليلات الإحصائية، وأي علاقات ملحوظة بين المتغيرات. عادةً ما تدعم النتائج الأشكال، والجداول، أو الرسوم البيانية التي تمثل البيانات بصريًا، مما يسمح بفهم أوضح لتداعيات النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم مقارنات مع دراسات سابقة، مع التأكيد على كيفية توافق النتائج الحالية أو تباينها مع الأدبيات الموجودة. قد يناقش المؤلفون أيضًا موثوقية وصلاحية نتائجهم، مما يوفر الثقة في الاستنتاجات المستخلصة من البحث. بشكل عام، يعد هذا القسم مكونًا حاسمًا من الورقة، حيث يلخص الأدلة التجريبية التي تدعم فرضيات الدراسة أو أسئلة البحث.
المناقشة
تتوسع قسم المناقشة في ورقة البحث حول نموذج قبول التكنولوجيا (TAM) وتوسعاته، خاصة في سياق تقنيات الرعاية الصحية مثل المتنبئين بمقاومة المضادات الحيوية (ABR) المدفوعة بتعلم الآلة (ML). يقترح TAM الأصلي، الذي قدمه ديفيس في عام 1989، أن الفائدة المدركة (PU) وسهولة الاستخدام المدركة (PEOU) هما محددان حاسمان تؤثران على نية الفرد في اعتماد التكنولوجيا. بينما تم التحقق من صحة TAM عبر مجالات مختلفة، بما في ذلك الرعاية الصحية، فقد تم انتقاده لعدم تضمينه المتغيرات الخارجية التي قد تؤثر على قبول التكنولوجيا، مما أدى إلى تطوير نماذج موسعة تشمل عوامل مثل التأثير الاجتماعي (SI)، والثقة (TT)، وظروف التيسير (FC)، ومخاوف الخصوصية (PR).
في سياق اعتماد صيادلة المستشفيات لمتنبئين ABR المدفوعين بتعلم الآلة، تحدد الدراسة عدة عوامل رئيسية تؤثر على النية السلوكية (BI). تظل الفائدة المدركة (PU) محددًا مركزيًا، حيث من المرجح أن يعتمد الصيادلة الأدوات التي يعتقدون أنها تعزز اتخاذ القرار السريري. كما أن سهولة الاستخدام المدركة (PEOU) مهمة أيضًا، حيث يتم قبول الأنظمة سهلة الاستخدام بشكل أكبر. بالإضافة إلى ذلك، يعكس التأثير الاجتماعي (SI) تأثير الزملاء والمشرفين على قرارات الاعتماد، بينما تؤكد الثقة (TT) على أهمية الثقة في موثوقية خوارزميات تعلم الآلة. تسلط ظروف التيسير (FC) الضوء على ضرورة الموارد والدعم للتنفيذ الناجح، وتعالج المخاطر المدركة (PR) المخاوف بشأن المخاطر المحتملة المرتبطة باستخدام التكنولوجيا. تستخدم الدراسة تصميم مسح مقطعي وتستخدم نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) لتحليل العلاقات بين هذه البنى، مما يكشف أن نموذج TAM الموسع يلتقط بشكل فعال تعقيدات قبول التكنولوجيا في بيئات الرعاية الصحية.
القيود
تقدم الدراسة عدة قيود قد تؤثر على قابلية تعميم وعمق نتائجها. أولاً، كانت الأبحاث محصورة على صيادلة المستشفيات في إندونيسيا، مما يحد من قابلية تطبيق النتائج على دول أخرى ذات بنى تحتية صحية مختلفة، ومستويات جاهزية الذكاء الاصطناعي، وبيئات تنظيمية. لمعالجة هذا القيد، يجب أن تأخذ الدراسات المستقبلية في الاعتبار تحليلات مقارنة عبر البلدان لفهم أفضل للاتجاهات في اعتماد تكنولوجيا الذكاء الاصطناعي عبر أنظمة الرعاية الصحية المختلفة والسياقات الثقافية (Krishnamoorthy et al., 2022; Townsend et al., 2023).
ثانيًا، يلتقط التصميم المقطعي للدراسة تصورات الصيادلة في نقطة زمنية واحدة، مما قد لا يعكس الطبيعة المتطورة لاعتماد تكنولوجيا الذكاء الاصطناعي المتأثرة بالتعرض، وتغييرات السياسات، والتقدم التكنولوجي. يُوصى بإجراء دراسات طولية لتتبع التغيرات في مواقف الصيادلة تجاه أنظمة دعم القرار السريرية المدفوعة بتعلم الآلة (CDSS) مع تكامل الذكاء الاصطناعي بشكل أكبر في سير العمل في الرعاية الصحية (Zhang et al., 2024). علاوة على ذلك، قد يوفر دمج الأساليب النوعية مثل المقابلات المتعمقة ومجموعات التركيز رؤى أغنى حول مخاوف وتوقعات الصيادلة بشأن اعتماد الذكاء الاصطناعي، مما يساعد في النهاية على تطوير أدوات دعم القرار الأكثر تركيزًا على المستخدم والتي تلبي الاحتياجات السريرية.
DOI: https://doi.org/10.32890/jict2025.24.3.3
Publication Date: 2025-07-31
Author(s): Muhammad Thesa Ghozali et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
The research highlights the critical challenge posed by antibiotic resistance in global healthcare and the potential role of machine learning (ML)-driven clinical decision support systems (CDSS) in improving antimicrobial stewardship. Despite their promise, the adoption of ML-based predictors by hospital pharmacists is hindered by concerns regarding usability, trust, organizational support, and perceived risks. This study employs an extended Technology Acceptance Model (TAM) to identify the factors influencing pharmacists’ behavioral intention (BI) to adopt these systems, based on a cross-sectional survey of 235 hospital pharmacists in Indonesia analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM).
The findings indicate that perceived usefulness (PU) is the most significant predictor of BI (β = 0.355, p < 0.001), followed by trust in technology (TT) (β = 0.179, p = 0.017), social influence (SI) (β = 0.184, p = 0.009), and facilitating conditions (FC) (β = 0.150, p = 0.010). Conversely, perceived risk (PR) negatively impacts BI (β = -0.103, p = 0.023), reflecting apprehensions about the reliability of AI. The study emphasizes the necessity for enhanced IT support and training from hospital administrators, the establishment of AI regulatory frameworks by policymakers, and advocacy from professional organizations to foster acceptance of AI technologies. Ultimately, the increased integration of ML-driven CDSS is expected to improve antibiotic prescribing accuracy, mitigate resistance rates, and bolster patient safety, offering valuable insights for optimizing AI interventions in antimicrobial stewardship initiatives.
Introduction
The introduction of the research paper highlights the critical public health challenge posed by antibiotic resistance (ABR), which could result in up to 10 million deaths annually by 2050 without immediate intervention. The misuse and overuse of antibiotics have accelerated the emergence of resistant bacterial strains, leading to increased healthcare costs and mortality rates. In response, healthcare systems are leveraging advanced technologies, particularly Machine Learning (ML), to predict ABR patterns and enhance antimicrobial stewardship. However, the inconsistent adoption of ML-driven ABR predictors among hospital pharmacists, who play a vital role in antimicrobial stewardship programs, presents a significant barrier to integrating artificial intelligence (AI) into clinical practice.
The paper emphasizes the importance of understanding the factors influencing pharmacists’ behavioral intention (BI) to adopt these AI-driven tools, as existing frameworks like the Technology Acceptance Model (TAM) may not fully capture the complexities involved. While TAM identifies perceived usefulness (PU) and perceived ease of use (PEOU) as key determinants, other factors such as trust in technology (TT), social influence (SI), facilitating conditions (FC), and perceived risk (PR) are also critical. The study aims to address the research gap regarding pharmacists’ perspectives on AI-driven decision-support tools, as their unique responsibilities in evaluating antibiotic regimens and ensuring appropriate use necessitate a tailored understanding of their adoption behaviors. Ultimately, the research seeks to provide evidence-based insights to facilitate the integration of ML-supported tools in combating antibiotic resistance.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, along with their sources and preparation methods. The section also describes the experimental protocols, including the conditions under which experiments were conducted, the controls implemented, and the statistical analyses performed to evaluate the data.
Additionally, the methods section may include information on the sampling techniques, data collection procedures, and any software or tools utilized for analysis. This comprehensive approach ensures reproducibility and allows for critical evaluation of the findings, which are essential for validating the results presented in the study.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data trends, statistical analyses, and any observed relationships between variables. The results are typically supported by figures, tables, or graphs that visually represent the data, allowing for a clearer understanding of the implications of the findings.
Additionally, the section may include comparisons with previous studies, emphasizing how the current results align or contrast with existing literature. The authors may also discuss the reliability and validity of their findings, providing confidence in the conclusions drawn from the research. Overall, this section serves as a critical component of the paper, summarizing the empirical evidence that supports the study’s hypotheses or research questions.
Discussion
The discussion section of the research paper elaborates on the Technology Acceptance Model (TAM) and its extensions, particularly in the context of healthcare technologies such as machine learning (ML) driven antibiotic resistance (ABR) predictors. The original TAM, proposed by Davis in 1989, posits that perceived usefulness (PU) and perceived ease of use (PEOU) are critical determinants influencing an individual’s intention to adopt technology. While TAM has been validated across various domains, including healthcare, it has been criticized for not incorporating external variables that may affect technology acceptance, leading to the development of extended models that include factors such as social influence (SI), trust (TT), facilitating conditions (FC), and privacy concerns (PR).
In the context of hospital pharmacists’ adoption of ML-driven ABR predictors, the study identifies several key factors influencing behavioral intention (BI). PU remains a central determinant, as pharmacists are more likely to adopt tools they believe enhance clinical decision-making. PEOU is also significant, with user-friendly systems being more readily accepted. Additionally, SI reflects the impact of colleagues and supervisors on adoption decisions, while TT emphasizes the importance of trust in the reliability of ML algorithms. FC highlights the necessity of resources and support for successful implementation, and PR addresses concerns regarding potential risks associated with technology use. The study employs a cross-sectional survey design and utilizes Partial Least Squares Structural Equation Modeling (PLS-SEM) to analyze the relationships among these constructs, revealing that the extended TAM effectively captures the complexities of technology acceptance in healthcare settings.
Limitations
The study presents several limitations that may affect the generalizability and depth of its findings. Firstly, the research was confined to hospital pharmacists in Indonesia, which restricts the applicability of the results to other countries with varying healthcare infrastructures, levels of AI readiness, and regulatory environments. To address this limitation, future studies should consider cross-country comparative analyses to better understand the trends in AI technology adoption across different healthcare systems and cultural contexts (Krishnamoorthy et al., 2022; Townsend et al., 2023).
Secondly, the cross-sectional design of the study captures pharmacists’ perceptions at a single point in time, which may not reflect the evolving nature of AI technology adoption influenced by exposure, policy changes, and technological advancements. Longitudinal studies are recommended to track changes in pharmacists’ attitudes toward machine learning-driven clinical decision support systems (CDSS) as AI becomes more integrated into healthcare workflows (Zhang et al., 2024). Furthermore, incorporating qualitative methods such as in-depth interviews and focus groups could provide richer insights into pharmacists’ concerns and expectations regarding AI adoption, ultimately aiding in the development of more user-centric decision-support tools that meet clinical needs.