Une étude expérimentale de machine learning investiguant le processus de décision des étudiants et des radiographes qualifiés lors de l'interprétation d'images radiographiques

L'IA devient de plus en plus présente dans le secteur de la santé et devrait être davantage intégrée dans les flux de travail pour alléger la pression sur un service déjà tendu. Le National Health Service au Royaume-Uni a donné la priorité à l'IA et à la santé numérique dans le cadre de son Plan à long terme. Peu d'études ont examiné l'interaction humaine avec de tels systèmes dans le secteur de la santé, malgré des rapports faisant état de biais présents lors de l'utilisation de l'IA dans d'autres domaines techniquement avancés, comme la finance et l'aviation. Il est nécessaire de comprendre comment certaines caractéristiques utilisateur peuvent affecter la manière dont les radiographes interagissent avec les systèmes d'IA en usage dans le cadre clinique afin d'atténuer les problèmes avant qu'ils ne surviennent. L'objectif de cette étude est de déterminer les corrélations des compétences, de la confiance en l'IA et des connaissances perçues parmi les étudiants et les radiographes qualifiés dans le système de santé britannique. Un modèle d'IA basé sur le machine learning a été créé pour prédire si l'interprète était soit un étudiant (n = 67) soit un radiographe qualifié (n = 39) à l'avance, en utilisant des variables importantes d'une technique de sélection de caractéristiques nommée Boruta. Un sondage, qui demandait aux participants d'interpréter une série d'examens radiographiques simples avec et sans assistance de l'IA, a été créé sur la plateforme de sondage Qualtrics et promu via les réseaux sociaux (Twitter/LinkedIn), adoptant ainsi un échantillonnage de commodité et de boule de neige. Ce sondage était ouvert à tous les radiographes britanniques, y compris les étudiants et les radiographes à la retraite. L'analyse de corrélation de Pearson a révélé que les hommes qui étaient compétents dans leur profession étaient plus susceptibles que les femmes de faire confiance à l'IA. La confiance en l'IA était négativement corrélée avec l'âge et le niveau d'expérience. Un modèle de machine learning a été construit, le meilleur modèle prédisant que l'interprète d'image était des radiographes qualifiés avec une aire sous la courbe de 0,93 et une précision de prédiction de 93 %. Des tests supplémentaires dans des cohortes de validation prospectives utilisant une taille d'échantillon plus grande sont nécessaires pour déterminer l'utilité clinique du modèle de machine learning proposé.