在诊所中采用机器学习系统进行医学诊断：定性访谈研究

背景：最近，机器学习（ML）通过使智能语音助手、个性化购买决策支持和高效的信用卡欺诈检测成为可能，正在改变我们的日常生活。除了日常应用外，ML也有潜力改善医学，特别是在诊所的诊断方面。在一个以人口增长、人口变化和全球COVID-19大流行为特征的世界中，ML系统提供了使诊断变得更有效和高效的机会，这导致诊所对这些系统的极大兴趣。然而，尽管ML具有很高的潜力，迄今为止只有少数ML系统在诊所中投入使用，因为其采用过程与以往健康信息技术的整合显著不同，原因在于ML的特定特征。目的：本研究旨在探讨影响诊所中ML系统医学诊断采用过程的因素，以促进这些系统在诊所的采用。此外，本研究提供了如何利用这些因素来确定诊所的ML成熟度评分的见解，供从业人员测量诊所在ML系统采用过程中的现状。方法：为了更深入地了解诊所中ML系统医学诊断的采用过程，我们通过访谈22位来自诊所及其供应商的医学专家，进行了定性研究，这些专家在ML领域具备深厚的知识。我们使用了半结构化的访谈指南，提出开放式问题，并逐字转录了访谈内容。为了分析转录内容，我们首先采用了基于医疗保健特定框架的内容分析方法，包括非采纳、放弃、规模扩大、传播和可持续性。然后，我们借助内容分析的结果，依据既定的发展过程创建了一个适用于诊所的ML采用成熟度模型。结果：通过访谈，我们能够识别出13个影响诊所中ML系统采用过程的ML特定因素。我们根据7个领域对这些因素进行了分类，形成了一个全面的诊所ML采用框架。此外，我们创建了一个适用的成熟度模型，可以帮助从业人员评估其在ML采用过程中的当前状态。结论：许多诊所仍面临采用ML系统进行医学诊断的重大问题，因此未能从这些系统的潜力中受益。因此，诊所的ML采用框架和ML系统的成熟度模型不仅可以指导未来研究，探索与医学环境中ML系统相关的承诺和挑战，还可以成为临床医生的实际参考点.