Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Sự tuân thủ các khuyến nghị y tế phụ thuộc vào việc sử dụng trí tuệ nhân tạo như một phương pháp chẩn đoán
Tóm tắt
Phân tích nâng cao, chẳng hạn như trí tuệ nhân tạo (AI), ngày càng trở nên có liên quan trong y học. Tuy nhiên, phản ứng của bệnh nhân đối với việc sử dụng AI trong quy trình chăm sóc vẫn còn khá mơ hồ. Nghiên cứu nhằm khám phá xem liệu cá nhân có nhiều khả năng tuân thủ khuyến nghị khi bác sĩ sử dụng AI trong quá trình chẩn đoán với bệnh lý nghiêm trọng (so với ít nghiêm trọng) so với khi bác sĩ không sử dụng AI hoặc khi AI hoàn toàn thay thế bác sĩ hay không. Người tham gia từ Hoa Kỳ (n = 452) được phân công ngẫu nhiên vào một kịch bản giả định, nơi họ hình dung rằng họ nhận được một khuyến nghị điều trị sau khi được chẩn đoán mắc bệnh ung thư da (độ nghiêm trọng cao so với thấp) từ một bác sĩ, một bác sĩ sử dụng AI, hoặc một công cụ AI tự động. Họ sau đó chỉ ra ý định theo đuổi khuyến nghị đó. Phân tích hồi quy đã được sử dụng để kiểm tra các giả thuyết. Các hệ số Beta (ß) mô tả bản chất và sức mạnh của các mối quan hệ giữa các biến dự đoán và biến kết quả; khoảng tin cậy [CI] không bao gồm số không chỉ ra rằng có các hiệu ứng điều tiết có ý nghĩa. Các hiệu ứng tổng thể tiết lộ sự kém hiệu quả của AI tự động (ß = .47, p = .001 so với bác sĩ; ß = .49, p = .001 so với bác sĩ sử dụng AI). Hai lối đi làm tăng ý định theo dõi khuyến nghị. Khi một bác sĩ thực hiện đánh giá (so với AI tự động), nhận thức rằng bác sĩ là người thật và hiện diện (một khái niệm được gọi là sự hiện diện xã hội) cao, làm tăng ý định theo dõi khuyến nghị (ß = .22, 95% CI [.09; 0.39]). Khi AI thực hiện đánh giá (so với chỉ bác sĩ), sự sáng tạo của phương pháp được nhận thức ở mức cao, làm tăng ý định theo dõi khuyến nghị (ß = .15, 95% CI [− .28; − .04]). Khi bác sĩ sử dụng AI, sự hiện diện xã hội không giảm và sự sáng tạo được nhận thức tăng lên. Việc kết hợp AI với bác sĩ trong chẩn đoán và điều trị y tế trong một kịch bản giả định sử dụng liệu pháp tại chỗ và thuốc uống như các khuyến nghị điều trị dẫn đến ý định tuân thủ khuyến nghị cao hơn so với AI một mình. Các phát hiện có thể giúp phát triển hướng dẫn thực hành cho các trường hợp mà lợi ích khi có sự tham gia của AI vượt quá những rủi ro, chẳng hạn như việc sử dụng AI trong giải phẫu bệnh và chẩn đoán bằng hình ảnh, để tăng cường trí thông minh con người và cung cấp thông tin cho các bác sĩ về chẩn đoán và điều trị.
Từ khóa
#trí tuệ nhân tạo #y học #khuyến nghị y tế #sự hiện diện xã hội #chẩn đoánTài liệu tham khảo
Agarwal R, Gao G, DesRoches C, Jha AK. The digital transformation of healthcare: current status and the road ahead. Inform Syst Res. 2010;21(4):796–809.
Günther WA, Rezazade Mehrizi MH, Huysman M, Feldberg F. Debating big data: a literature review on realizing value from big data. J Strategic Inf Syst. 2017;26(3):191–209.
Wang Y, Hajli N. Exploring the path to big data analytics success in healthcare. J Bus Res. 2016;70:287–99.
Pezzo MV, Pezzo SP. Physician evaluation after medical errors: does having a computer decision aid help or hurt in hindsight? Med Decis Making. 2006;26(1):48–56.
Haenssle HA, Fink C, Schneiderbauer R, Toberer F, Buhl T, Blum A, Kalloo A, Hassen ABH, Thomas L, Enk A, Uhlmann L. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol. 2018;29(8):1836–42.
Abramoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. npj Digital Med. 2018;1(39):1–8.
Beck AH, Sangoi AR, Leung S, Marinelli RJ, Nielsen TO, van de Vijver MJ, Koller D. Systematic analysis of breast cancer morphology uncovers stromal features associated with survival. Sci Transl Med. 2011;3(108):108–13.
Balas AE. Information systems can prevent errors and improve quality. J Am Med Inform Assn. 2001;8(4):398–9.
Promberger M, Baron J. Do patients trust computers? J Behav Decis Making. 2006;19(5):455–68.
Gino F, Moore DA. Effects of task difficulty on use of advice. J Behav Decis Making. 2007;20(1):21–35.
Bertsimas D, Orfanoudaki A, Weiner RB. Personalized treatment for coronary artery disease patients: a machine learning approach. Health Care Manag Sci. 2020;23(4):482–506.
Marr B. How is AI used in healthcare—5 powerful real-world examples that show the latest advances. https://www.forbes.com/sites/bernardmarr/2018/07/27/how-is-ai-used-in-healthcare-5-powerful-real-world-examples-that-show-the-latest-advances/#197bfff05dfb (2018). Accessed 03 Dec 2018.
Supriya M, Deepa AJ. A novel approach for breast cancer prediction using optimized ANN classifier based on big data environment. Health Care Manag Sci. 2020;23(3):414–26.
Dietvorst BJ, Simmons JP, Massey C. Algorithm aversion: people erroneously avoid algorithms after seeing them err. J Exp Psychol Gen. 2015;144(1):114–26.
Longoni C, Bonezzi A, Morewedge C. Resistance to medical artificial intelligence. J Consum Res. 2019;46(4):629–50.
Yeomans M, Shah A, Mullainathan S, Kleinberg J. Making sense of recommendations. J Behav Decis Making. 2019;32(4):403–14.
Shaffer VA, Probst CA, Merkle EC, Arkes HR, Medow MA. Why do patients derogate physicians who use a computer-based diagnostic support system? Med Decis Making. 2013;33(1):108–18.
Castelo N, Bos MW, Lehmann DR. Task-dependent algorithm aversion. J Marketing Res. 2019;56(5):809–25.
Logg JM, Minson JA, Moore DA. Algorithm appreciation: people prefer algorithmic to human judgment. Organ Behav Hum Dec Process. 2019;151:90–103.
Palmeira M, Spassova G. Consumer reactions to professionals who use decision aids. Eur J Marketing. 2015;49(3/4):302–26.
Arkes HR, Shaffer VA, Medow MA. Patients derogate physicians who use a computer-assisted diagnostic aid. Med Decis Making. 2007;27(2):189–202.
White TB. Consumer trust and advice acceptance: the moderating roles of benevolence, expertise, and negative emotions. J Consum Psychol. 2005;15(2):141–8.
Wirtz J, Patterson PG, Kunz WH, Gruber T, Lu VN, Paluch S, Martins A. Brave new world: service robots in the frontline. J Serv Manage. 2018;29(5):907–31.
Short J, Williams E, Christie B. The social psychology of telecommunications. London: Wiley; 1976.
Xin C, Youjia F, Barbara L. Integrative review of social presence in distance education: issues and challenges. Educ Res Rev. 2015;10(13):1796–806.
Lankton NK, McKnight DH, Tripp J. Technology, humanness, and trust: rethinking trust in technology. J Assoc Inf Syst. 2015;16(1):880–918.
Biocca F, Harms C, Burgoon JK. Towards a more robust theory and measure of social presence: review and suggested criteria. Presence Teleoperators Virtual Environ. 2003;12(5):456–80.
Sambo CF, Howard M, Kopelman M, Williams S, Fotopoulou A. Knowing you care: effects of perceived empathy and attachment style on pain perception. Pain. 2010;151(3):687–93.
Fichman RG, Dos Santos BL, Zheng ZE. Digital innovation as a fundamental and powerful concept in the information systems curriculum. MIS Quart. 2014;38(2):329–53.
Elsbach KD, Stigliani I. New information technology and implicit bias. Acad Manage Perspect. 2019;33(3):185–206.
Clark BB, Robert C, Hampton SA. The technology effect: how perceptions of technology drive excessive optimism. J Bus Psychol. 2016;31(1):87–102.
Ellis EM, Klein WMP, Orehek E, Ferrer RA. Effects of emotion on medical decisions involving tradeoffs. Med Decis Making. 2018;38(8):1027–39.
Hopkin G, Au A, Collier VJ, Yudkin JS, Basu S, Naci H. Combining multiple treatment comparisons with personalized patient preferences: a randomized trial of an interactive platform for statin treatment selection. Med Decis Mak. 2019;39(3):264–77.
Manigault AW, Handley IM, Whillock SR. Assessment of unconscious decision aids applied to complex patient-centered medical decisions. J Med Internet Res. 2015;17(2):e37.
Gefen D, Straub DW. Consumer trust in B2C e-commerce and the importance of social presence: experiments in e-products and e-services. Omega. 2004;32(6):407–24.
Hayes AF. Introduction to mediation, moderation, and conditional process analysis: a regression-based approach. New York: Guilford Press; 2013.
Spiller SA, Fitzsimons GJ, Lynch JG, McClelland GH. Spotlights, floodlights, and the magic number zero: simple effects tests in moderated regression. J Marketing Res. 2013;50(2):277–88.
World Health Organization (2019) How common is skin cancer? https://www.who.int/uv/faq/skincancer/en/index1.html
Bonaccio S, Dalal RS. Advice taking and decision-making: an integrative literature review, and implications for the organizational sciences. Organ Behav Hum. 2006;101(2):127–51.
Salla E, Pikkarainen M, Leväsluoto J, Blackbright H. AI innovations and their impact on healthcare and medical expertise. In: Bitran I, Conn S, Huizingh KRE, Torkeli M, Tynnhammar M, editors. ISPIM innovation conference proceedings; 2018.
Garg AX, Adhikari NKJ, McDonald H, Rosas-Arellano MP, Devereaux PJ, Beyene J, Sam J, Haynes RB. Effects of computerized clinical decision support systems on practitioner performance and patient outcomes: a systematic review. JAMA. 2005;293(10):1223–38.
Lu B, Fan W, Zhou M. Social presence, trust, and social commerce purchase intention: an empirical research. Comput Hum Behav. 2016;52:225–37.
DiMatteo MR, Haskard KB, Williams SL. Health beliefs, disease severity, and patient adherence: a meta-analysis. Med Care. 2007;45(6):521–8.
Christensen H, Griffiths KM, Farrer L. Adherence in internet interventions for anxiety and depression. J Med Internet Res. 2009;11(2):e13.
Horne R, Weinman J. Patients’ belief about prescribed medicine and their role in adherence to treatment in chronic physical illness. J Psychosom Res. 1999;47(6):555–67.
Kravitz R, Bell RA, Azari R, Krupat E, Kelly-Reif S, Thorn D. Request fulfillment in office practice: antecedents and relationship to outcomes. Med Care. 2002;40(1):38–51.
Carney RM, Freedland KE, Eisen SA, Rich MW, Jaffe AS. Major depression and medical adherence in elderly patients with coronary artery disease. Health Psychol. 1995;14(1):88–90.
Han SS, Park I, Chang SE, Lim W, Kim SM, Park GH, Chae JB, Huh CH, Na JI. Augmented intelligence dermatology: deep neural networks empower medical professionals in diagnosing skin cancer and predicting treatment options for 134 skin disorders. J Invest Dermatol. 2020;140(9):1753–61.
Tschandl P, Rinner C, Apalla Z, Argenziano G, Codella N, Halpern A, Janda M, Lallas A, Longo C, Malvehy J, Paoli J, Puuig S, Rosendahl C, Soyer HP, Zalaudek I, Kittler H. Human–computer collaboration for skin cancer recognition. Nature Med. 2020;26:1229–34.