Akceptowalność sztucznej inteligencji w rozpoznaniu raka prostaty (AccAI)

1. Wprowadzenie 1.1. Dopuszczalność sztucznej inteligencji 1.1.1. Sztuczna inteligencja w opiece zdrowotnej pracowników opieki zdrowotnej stoi w obliczu wielu rosnących i coraz bardziej złożonych wyzwań. Charakter problemów zdrowotnych zmienia się, obciążenia rosną, co prowadzi do trudniejszego zarządzania opieką i wymaga również stałej aktualizacji wiedzy. Jednocześnie wdrażanie narzędzi sztucznej inteligencji (AI) w opiece zdrowotnej eksploduje i oferuje jasną okazję do zaspokojenia potrzeb ewoluującego sektora medycznego.

Wiele badań zbadało wykonalność klinicznej sztucznej inteligencji poprzez ocenę między innymi wydajności technicznej systemów AI. Jednak techniczny charakter rozwoju sztucznej inteligencji nie jest jedynym wyzwaniem stojącym przed wdrożeniem klinicznej sztucznej inteligencji. Rzeczywiście, badania wykazały, że akceptowalność klinicznej sztucznej inteligencji przez pracowników służby zdrowia i pacjentów wpływa na skuteczne przyjęcie AI przez tych użytkowników. Ignorowanie tego parametru może prowadzić do marnowania zasobów, nie korzystając z dostępnych systemów AI.

Dopuszczalność klinicznej sztucznej inteligencji przez pacjentów i pracowników służby zdrowia była badana w różnych kontekstach, ale większość badań dotyczy ogólnie akceptowalności AI w opiece zdrowotnej. Temat ten został już systematycznie podsumowany i pokazuje większość dobrej akceptowalności sztucznej inteligencji. Z drugiej strony badania w określonych kontekstach zdrowotnych są rzadsze, a akceptowalność AI w tych kontekstach nie może być zdefiniowana poprzez po prostu ekstrapolację akceptowalności AI w opiece zdrowotnej. Rzeczywiście, akceptowalność AI różni się w zależności od kontekstu (zdiagnozowana choroba, nasilenie choroby, konsekwencje decyzji AI, złożoność podejmowania decyzji), ale także z zadań wykonanych przez AI (diagnoza, wybór leczenia, prognozy). Ponadto czynniki akceptowalności AI różnią się w zależności od badanej populacji (pacjenci, pracownicy służby zdrowia, badacze i menedżerowie opieki zdrowotnej) ze względu na różnice w potrzebach, preferencjach i kontekst użytkowania. Dlatego ważne jest zbadanie akceptowalności AI w dokładnym kontekście, do którego odnosi się badanie.

1.1.2. Dopuszczalność AI w procesie diagnostyki raka prostaty Wdrożenie narzędzi AI w procesie diagnozy raka prostaty (PCA) poprawi informacje z obrazów medycznych i tworzenia modeli predykcyjnych. Będzie to stanowić znaczący postęp w optymalizacji diagnozy PCA i przewidywanie jej agresywności, z ostatecznym celem personalizacji leczenia poprzez adaptację do biologicznych cech guza. Pomoże to zmniejszyć potrzebę biopsji prostaty, zwiększając w ten sposób zgodność jednostek i zachęcając je do testowania przed pojawieniem się objawów. Ponadto wczesne wykrywanie PCA znacznie poprawia wskaźnik powodzenia leczenia.

Biorąc pod uwagę możliwość wdrożenia sztucznej inteligencji w procesie diagnozy PCA, konieczne jest zbadanie akceptowalności tego wdrożenia u pacjentów i pracowników służby zdrowia, którzy byliby ostatecznymi użytkownikami AI w kontekście PCA oraz warunków tego wdrożenia. Chociaż niektóre badania zbadały tę akceptowalność, badania w tym obszarze pozostają ograniczone i wymagają dalszych badań.

Ostatnie badanie oceniło zaufanie pacjentów do sztucznej inteligencji i ich postrzeganie urologów polegających na AI. Badanie to wykazało, że pacjenci mieli większe zaufanie do zdolności lekarzy do dokonania właściwej diagnozy, rozważenia najnowszych badań, indywidualnego podziału komunikacji diagnozy i wyjaśnienia informacji w zrozumiały sposób w porównaniu z AI. Pacjenci stwierdzili, że mieli większe zaufanie do diagnozy postawionej przez AI kontrolowaną przez lekarza w porównaniu z AI, które nie są kontrolowane przez lekarza.

Drugie badanie zbadano lęki i oczekiwania mężczyzn dotyczących diagnozy i leczenia AI w kontekście PCA, poprzez trzy reprezentacje AI wyobrażonych przez uczestników. Trzy wyobrażone reprezentacje były AI jako narzędzie pomagające świadczeniodawcom, AI jako zaawansowanej maszyny i AI jako jednostki, która zastąpi by świadczeniodawców. Ostatni wyobraźnia jest najgorszym scenariuszem dla uczestników. We wszystkich wyobrażeniach uczestnicy widzieli sztuczną inteligencję w pozytywnym świetle, ale im bardziej AI zajął miejsce lekarza, tym więcej uczestników widzieli AI w negatywnym świetle.

1.1.3. Pojęcie akceptowalności Pojęcie akceptowalności klinicznej sztucznej inteligencji nie jest dobrze zdefiniowana. Nawet jeśli istnieją ramy w celu wyjaśnienia i przewidywania intencji behawioralnej jednostek do korzystania i przyjmowania innowacji technologicznych, modele te nie są dostosowywane do kontekstu opieki zdrowotnej; Albo rozważanie sztucznej inteligencji w taki sam sposób, jak cyfrowe technologie zdrowia. Konieczne jest jednak uwzględnienie kontekstu opieki zdrowotnej i złożoności sztucznej inteligencji w porównaniu z technologiami cyfrowymi, które działają w bardziej uproszczony sposób niż AI. Dlatego konieczne jest lepsze zdefiniowanie pojęcia akceptowalności klinicznej AI. Niektóre badania zmodyfikowały istniejące ramy akceptacji technologii, aby uwzględnić powyższe ograniczenia, takie jak dwa następujące ramy.

Pierwsze ramy statystycznie modelują akceptację pacjentów opartych na sztucznej inteligencji urządzeń wspomagających decyzję kliniczne. Autorzy tego modelu rozszerzyli teoretyczne ramy akceptacji technologicznej, które obejmują postrzeganie wartości (VAM), dostosowując je do sektora opieki zdrowotnej. Ramy te oceniają postrzegane ryzyko i korzyści opartych na sztucznej inteligencji urządzeń wspomagających decyzję kliniczne w celu pomiaru ich akceptowalności. Autorzy tego modelu sugerują, że przyszłe badania powinny dodać dodatkowe czynniki do swojego modelu, w tym wpływ społeczny, który jest stosowany w niektórych innych ramach teorii akceptacji, w celu zwiększenia jego siły eksploracyjnej (R2 tego modelu wynosi 0,80). Ponadto autorzy stwierdzają, że zmienne płeć, roczny dochód gospodarstwa domowego, poziom wykształcenia, zatrudnienie, postrzegana wiedza techniczna na temat technologii AI i znajomość usługi opartej na sztucznej inteligencji miały znaczący wpływ na zamiar korzystania z urządzeń wspomagających decyzyjne decyzyjne opartych na AI.

Po drugie, ostatnie badanie w Lancet systematycznie podsumowało badania jakościowe dotyczące akceptacji AI do celów diagnostycznych przez zainteresowane strony (pacjenci, klinicyści, badacze i kierownicy opieki zdrowotnej). Autorzy rozszerzyli istniejące ramy NASSS, aby stworzyć nowy model dostosowany do diagnostyki AI; Ramy NASSS-AI. Ta nowa rama jest ustrukturyzowana w sześciu domenach, dwudziestu pod-domenach i czterdziestu trzech tematach grupujących elementy często omawiane przez badania zawarte w tym przeglądzie.

Inne badania zidentyfikowano kilka czynników nie uwzględnionych w różnych modelach teoretycznych wymienionych powyżej jako czynniki wpływające na akceptowalność pacjenta klinicznego AI. Czynniki te były wiekowe, wcześniejsze narażenie na podobne narzędzia, położenie geograficzne, zdiagnozowaną chorobę, nasilenie choroby i zaufanie do systemu opieki zdrowotnej.

Ponadto systematyczny przegląd zbadał, w jaki sposób informacje o AI zostały przekazane uczestnikom badań oceniających akceptowalność AI przez pacjentów w opiece zdrowotnej. Ten systematyczny przegląd wskazuje, że większość badań cytuje ograniczoną wiedzę pacjentów na temat AI w kontekście ich badań jako ograniczenia ich badań. Ponadto w kilku badaniach informuje, że rodzaj informacji dostarczanych pacjentom na początku badania wpływa na wyniki. W związku z tym do naszych ram badań zostanie dodany czynnik „koherencji interwencji”. Czynnik ten jest zintegrowany z ramami teorii akceptowalności (TFA), które bada akceptowalność interwencji opieki zdrowotnej.

1.2. Altruizm danych - Dane dostarczające dane altruizm są rozumiane jako dobrowolne dostarczanie danych osobowych i nieosobowych, w oparciu o zgodę osobników danych lub zgody osób naturalnych i prawnych, bez szukania nagrody i celów ogólnego interesu.

Rozwój klinicznej sztucznej inteligencji wymaga wykorzystania dużej ilości danych zdrowotnych. Korzystanie z tych danych jest nieuniknione, ponieważ umożliwia narzędzi do postępu i ewolucji. Jak wyjaśniono powyżej, pacjentów i świadczeniodawcy klinicznej muszą być akceptowane przez świadczeniodawców, ale muszą być również karmione danymi pacjentów. Muszą zatem zgodzić się na dostarczenie swoich danych zdrowotnych.

Chociaż chęć pacjentów do dostarczania osobistych danych zdrowotnych była szeroko badana w kontekście wtórnych zastosowań w ogóle (udostępnianie danych do badań klinicznych, publicznych, epidemiologii itp.), W szczególności nie została dobrze zbadana w kontekście AI. Niektóre badania oceniają chęć dostarczania danych zdrowotnych na podstawie prostego pytania. Badanie dotyczące AI w diagnostyce raka skóry pokazuje, że 88% respondentów udostępni swoje dane zdrowotne anonimowo do opracowania zastosowania medycznego opartego na AI.

W badaniu pilotażowym zbadano perspektywy pacjentów dotyczących danych dostarczających w celu opracowania AI w zakresie ogólnej praktyki. Uczestnicy tego badania uważali, że rozwój sztucznej inteligencji w praktyce ogólnej był celem, dla którego byli gotowi dostarczyć swoje dane. Powiedzieli, że chcą pomóc w radzeniu sobie z chorobami i pomóc lekarzowi ogólnemu (GP), dostarczając ich danych. Chęć dostarczenia ich danych zależała od relacji zaufania, jakie mieli z lekarzem rodzinnym.

1.2.1. W literaturze zidentyfikowano pojęcie chęci dostarczania danych zdrowotnych Brak zatwierdzonych ram do badania gotowości pacjentów do dostarczania ich danych zdrowotnych do zastosowań wtórnych lub do celów rozwoju AI. Niedawny systematyczny przegląd stwierdził również, że nie było zatwierdzonego narzędzia pomiarowego do ustalenia tej chęci.

W badaniu opracowano koncepcyjny model gotowości pacjentów do dostarczania danych zdrowotnych do celów badawczych. Ramy te oparte są na zatwierdzonych ramach percepcji wartości, które ocenia postrzegane korzyści i ryzyko dostarczania danych. Autorzy dodali do tych ram Kilka czynników specyficznych dla danych dostarczonych do celów badawczych, takich jak rodzaj końcowych użytkowników, rodzaj gromadzonych danych, kontekst itp. Czynniki te można rozumieć jako warunki dostarczania danych zdrowotnych.

2 Badanie to ma również lepsze zrozumienie gotowości ludzi do dostarczenia danych zdrowotnych do rozwoju klinicznej AI i warunków związanych z tą gotowością.

Cele tego badania to:

1. Określ akceptowalność osób z rakiem prostaty w odniesieniu do wdrożenia AI jako wsparcia dla świadczeniodawców w diagnozowaniu raka prostaty i zbadaj warunki tego wdrożenia.

2. Określ gotowość ludzi do dostarczenia danych zdrowotnych do rozwoju klinicznej sztucznej inteligencji i zbadania warunków tej gotowości.

3. Określ akceptowalność świadczeniodawców w zakresie wdrażania AI jako wsparcia dla ich w diagnozie raka prostaty i zbadaj warunki tego wdrożenia.

3. Metody 3.1. Rodzaj badań i procesu badawczego Badanie jest przekrojowym obserwacją, mieszanym metodem sekwencyjnym obejmującym początkową fazę ilościową, która będzie skierować się do drugiej fazy jakościowej. Badanie to międzynarodowe, rekrutujące uczestników z Belgii, Włoch i Hiszpanii.

Każdy kraj przekazuje protokół do Komitetu ds. Etyki, jeśli jest to wymagane. Projekt tego badania przedstawiono na rycinie 1. Ten protokół dotyczy fazy ilościowej. Protokół fazy jakościowej zostanie przedłożony do Komitetu Etyki w późniejszym terminie, ponieważ analiza kwestionariusza fazy ilościowej jest niezbędna do opracowania fazy jakościowej.

Rysunek 1: Projekt badania 3.2. Stosowane są ramy fazy ilościowej fazy, odpowiadające dwóm celom w tej fazie (określają akceptowalność osób z rakiem prostaty w odniesieniu do wdrożenia AI jako wsparcia dla świadczeniodawców w diagnozowaniu raka prostaty i ustalaj gotowość ludzi do dostarczenia danych zdrowotnych do opracowania klinicznej AI).

Aby ustalić akceptowalność osób z rakiem prostaty w odniesieniu do wdrażania AI jako wsparcia dla świadczeniodawców w diagnozie raka prostaty, ramy powstały na podstawie wcześniej przedstawionych ram (ramy oparte na postrzeganiu wartości, NASSS-AI i TFA). Ramy oparte na postrzeganiu wartości zostały wykorzystane jako podstawa do rozważania ryzyka wobec postrzeganych korzyści. Wpływ społeczny dodano do tego modelu, sugerują autorzy. Dodano również współczynnik „warunków do użycia” i jego podwozi, zainspirowane NASSS-AI i wcześniej cytowanymi ramami. Dodano współczynnik „koherencji interwencji”, zgodnie z TFA.

Ostateczne ramy wykorzystywane do zbadania akceptowalności osób z rakiem prostaty w odniesieniu do wdrażania AI jako wsparcia dla świadczeniodawców w diagnozowaniu raka prostaty przedstawiono na ryc. 2.

Ryc. 2: Teoretyczny model akceptowalności osób z rakiem prostaty w odniesieniu do wdrażania AI jako wsparcia dla świadczeniodawców w diagnozie raka prostaty.

Aby określić chęć ludzi do dostarczenia danych zdrowotnych do celów rozwoju sztucznej inteligencji, utworzono ramy na podstawie istniejących ram opartych na postrzeganiu wartości, że salda postrzegane ryzyko i postrzegane korzyści. W celu zbadania tej gotowości dodano czynnik „warunków”. Ostateczne ramy wykorzystywane do badania chęci ludzi do dostarczania danych zdrowotnych w zakresie rozwoju klinicznej sztucznej inteligencji przedstawiono na rycinie 3.

Rycina 3: Teoretyczny model chęci ludzi do dostarczania danych zdrowotnych do rozwoju klinicznej sztucznej inteligencji.

3.3. Charakterystyką populacji fazy ilościowej Badana populacja to osoby z zlokalizowanym rakiem prostaty.

Kryteria włączenia są zdefiniowane w następujący sposób:

• Ponad 18 lat;

• z zdiagnozowaniem zlokalizowanego raka prostaty;

• Zgoda na badanie.

Kryteria wykluczenia są zdefiniowane w następujący sposób:

• Nie mówienie po francusku;

• zdiagnozowano od samego początku raka przerzutowego;

• śmiertelnie chory;

• Ludzie cierpiący na upośledzenie umysłowe, demencję lub zmieniony stan świadomości.

3.4. Próbka fazy ilościowej wybraną metodą próbkowania jest pobieranie próbek wolontariatu. Każde indywidualne spełnienie kryteriów włączenia i nie spełniające kryteriów wykluczenia mogą zdecydować się na udział w badaniu, które obejmuje wypełnienie samozadowolenia internetowego kwestionariusza.

Kwestionariusz zostanie rozpowszechniony za pośrednictwem następujących kanałów:

• Kampania plakatu i ulotek w wydziałach urologii sieci Elipse. Plakaty i ulotki wyświetlą link i kod QR dla kwestionariusza. Współinwergator E. Koshmanova z tego badania będzie dostępny w jednym lub więcej szpitalach sieci Elipse, aby zaoferować pomoc w dostępie do kwestionariusza, bez interwencji w procesie ukończenia. Będzie miała również laptop lub tablet dla uczestników, którzy chcą wziąć udział w badaniu, ale nie mają niezbędnego sprzętu.

• Dystrybucja linku i kodu QR kwestionariusza za pośrednictwem projektu plakatu w formacie fotograficznym w mediach społecznościowych.

• Dystrybucja linku i kodu QR poprzez projekt plakatu w formacie fotograficznym lub nie za pośrednictwem skojarzeń pacjentów. Stowarzyszenia te będą je udostępniać za pośrednictwem swoich sieci lub list mailingowych. Stowarzyszenia mogą również wyświetlać plakat i/lub ulotki w swoich obiektach, jeśli są uznane za istotne.

Nie przeprowadzono obliczeń wielkości próby, ponieważ ograniczenia badania wymagają włączenia co najmniej 50 uczestników na kraj i maksymalnie 100 uczestników na kraj.

Aby mieć dostęp do kwestionariusza, ludzie używają linku kwestionariusza lub skanują kod QR. Nie ma potrzeby tworzenia konta. Po użyciu linku lub skanowaniu kodu QR, pierwszą rzeczą, która się pojawia, jest strona główna kwestionariusza, na której uczestnicy są zaproszeni do przeczytania formularza informacji i zgody, a następnie zgody na badanie. Jest to określone w formularzu informacji i zgody, aby zgoda nie jest zbierana bezpośrednio w formularzu informacji i zgody, ale za pośrednictwem pierwszej sekcji kwestionariusza (retranskrypcja formularza świadomej zgody). To blokuje dostęp do reszty kwestionariusza do osób, które nie zgadzają się na badanie, tj. Tych, którzy nie zaznaczają wszystkich oświadczeń.

Jeśli uczestnicy wyrazią zgodę, kwestionariusz będzie dostępny, a uczestnicy zostaną poproszeni o potwierdzenie, że spełniają kryteria włączenia badania i nie spełniają kryteriów wykluczenia badania. Jeśli nie potwierdzają tych elementów, kwestionariusz zakończy się. Jeśli potwierdzą te elementy, rozpocznie się kwestionariusz.

Biorąc pod uwagę, że przepisy pozwalają uczestnikom wycofać zgodę z badania w dowolnym momencie, zostanie im przypisany unikalny kod. Ten kod zostanie utworzony przez każdego uczestnika z tym kluczem identyfikacyjnym: Pierwsza litera nazwiska + ostatnia litera nazwiska + Pierwsza litera imienia + dwie ostatnie cyfry ich lat urodzenia.

Na końcu formularza online uczestnicy mają możliwość kliknięcia linku, jeśli chcą wziąć udział w drugiej fazie (jakościowej) tego badania. Ten link przenosi ich do drugiego kwestionariusza online z prośbą o dane kontaktowe. Drugi kwestionariusz nie jest powiązany z pierwszym. W przypadku danych kontaktowych można się skontaktować z osobami, aby wziąć udział w drugiej fazie tego badania, a dopiero po zatwierdzeniu Komitetu Etyki na drugą fazę tego badania (faza jakościowa).

W przypadku, gdy rekrutacja uczestników okaże się bardziej skuteczna poprzez podejście papierowe, zostanie użyta papierowa wersja kwestionariusza identyczna z wersją online. W takich przypadkach uczestnicy zostaną poproszeni o wypełnienie papierowego kwestionariusza i podpisanie papierowej wersji formularza świadomej zgody przed udziałem. Kwestionariusz w tym przypadku zostanie zakodowany online na Redcap przez zespół badawczy.

Każdy uczestnik ma możliwość zadawania pytań współinwestowi (E. Koshmanova) w dowolnym momencie. Jej dane kontaktowe są dostarczane w formularzu informacji i zgody oraz na początku kwestionariusza.

3.5. Badano parametry fazy ilościowej

Kilka parametrów zostanie zebranych z pierwszym kwestionariuszem online:

• Informacje dotyczące osób: wiek, postrzegany dochód, zatrudnienie, wykształcenie, postrzegany stan zdrowia, kraj zamieszkania, ciężkość raka prostaty (jak dawno temu była postawiona diagnoza, czy jest leczenie), wcześniejsze doświadczenie opieki, wcześniejsze narażenie na podobne narzędzia, częstotliwość użytkowania opieki zdrowotnej, zaufanie w systemach opieki zdrowotnej.

• Informacje o umiejętnościach ludzi: umiejętności zdrowotne, umiejętności e-zdrowia, postrzegana wiedza techniczna na temat technologii AI, znajomość usługi opartej na sztucznej inteligencji.

• Pytania dotyczące akceptowalności osób z rakiem prostaty wdrażania sztucznej inteligencji jako wsparcia dla świadczeniodawców w diagnozowaniu raka prostaty.

• Pytania dotyczące chęci osób z rakiem prostaty w celu dostarczenia danych zdrowotnych w zakresie rozwoju klinicznej sztucznej inteligencji.

Kilka danych zostanie zebranych z drugim kwestionariuszem online:

• imię i nazwisko;

• Numer telefonu;

• Kraj zamieszkania;

• Kod pocztowy.

Ten kwestionariusz jest niezależny od pierwszego. 3.6. Narzędzie do gromadzenia danych z kwestionariuszy online fazy ilościowej zostanie udostępnione uczestnikom przez RedCap Platform. 3.6.1. Kwestionariusz numer 1: Kwestionariusz online ma na celu ocenę zarówno akceptowalności osób z rakiem prostaty w odniesieniu do wdrażania AI jako wsparcia dla świadczeniodawców w diagnozowaniu raka prostaty, jak i ich gotowość do dostarczenia danych zdrowotnych w celu opracowania klinicznej AI. Kwestionariusz pyta również o cechy niektórych ludzi, jak wspomniano w punkcie 3.5. Kwestionariusz wprowadza wyjaśnienie, w jaki sposób AI jest zaangażowana w opiekę w kontekście tego badania.

Kwestionariusz opiera się na dwóch kwestionariuszach. Po pierwsze, zastosowano kwestionariusz powiązany w ramach opartych na postrzeganiu wartości. Po drugie, kwestionariusz związany z ramą badającą chęć dostarczania danych zdrowotnych do celów badawczych zastosowano jako inspirację (19).

3.6.2. Kwestionariusz Numer 2: Celem tego kwestionariusza jest skontaktowanie się z uczestnikami, którzy chcą wziąć udział w drugiej fazie tego badania (faza jakościowa).

3.7. Kalendarz Rysunek 1: Wykres Gantta. 4. Etyczne obawy fazy ilościowej badanie nie przedstawia żadnego ryzyka ani wad dla uczestników. Nie będzie konieczna żadna zmiana w ich zwykłym zarządzaniu klinicznym. Żadne zebrane informacje nie zostaną ujawnione pracownikom opieki zdrowotnej.

Ankiety zostaną opracowane przy użyciu platformy RedCap, która jest pakietem oprogramowania zaprojektowanym do ogólnego zarządzania badaniami, i która spełnia wymagania regulacyjne dla gospodarzy badań zdrowotnych i nadzorowane przez Centrum Badań Klinicznych (CTC) z Chul.

Formularz informacyjny i zgodny zostanie wypełniony (wersja elektroniczna) przez uczestników, zanim faktycznie wzięli udział w badaniu. Uczestnicy mogą wycofać swoją zgodę głównego badacza (D. Waltregny) w dowolnym momencie.

Wszystkie zebrane dane zostaną pseudonimiczne z unikalnym kodem, który zostanie przypisany każdemu uczestnikowi. Ten kod zostanie utworzony przez uczestników z tym kluczem identyfikacyjnym: Pierwsza litera nazwiska + ostatnia litera nazwiska + Pierwsza litera imienia + dwie ostatnie cyfry ich lat urodzenia.

Ponadto dane kontaktowe będą gromadzone, przetwarzane i przechowywane zgodnie z ogólnym rozporządzeniem ochrony danych (RODO).

Badanie rozpocznie się dopiero po zatwierdzeniu przez Komitet Etyki.