From diagnosis to patient scheduling, AI is increasingly being considered across different clinical applications. Despite increasingly powerful clinical AI, uptake into actual clinical workflows remains limited. One of the major challenges is developing appropriate trust with clinicians. In this paper, we investigate trust in clinical AI in a wider perspective beyond user interactions with the AI. We offer several points in the clinical AI development, usage, and monitoring process that can have a significant impact on trust. We argue that the calibration of trust in AI should go beyond explainable AI and focus on the entire process of clinical AI deployment. We illustrate our argument with case studies from practitioners implementing clinical AI in practice to show how trust can be affected by different stages in the deployment cycle.
DOCUMENT
De zorgsector wordt in toenemende mate geconfronteerd met uitdagingen als gevolg van groeiende vraag (o.a. door vergrijzing en complexiteit van zorg) en afnemend aanbod van zorgverleners (o.a. door personeelstekorten). Kunstmatige Intelligentie (AI) wordt als mogelijke oplossing gezien, maar wordt vaak vanuit een technologisch perspectief benaderd. Dit artikel kiest een mensgerichte benadering en bestudeert hoe zorgmedewerkers het werken met AI ervaren. Dit is belangrijk omdat zij uiteindelijk met deze applicaties moeten werken om de uitdagingen in de zorg het hoofd te bieden. Op basis van 21 semigestructureerde interviews met zorgmedewerkers die AI hebben gebruikt, beschrijven we de werkervaringen met AI. Met behulp van het AMO-raamwerk - wat staat voor abilities, motivation en opportunities - laten we zien dat AI een impact heeft op het werk van zorgmedewerkers. Het gebruik van AI vereist nieuwe competenties en de overtuiging dat AI de zorg kan verbeteren. Daarbij is er een noodzaak voor voldoende beschikbaarheid van training en ondersteuning. Tenslotte bediscussiëren we de implicaties voor theorie en geven we aanbevelingen voor HR-professionals.
MULTIFILE
This study addresses the burgeoning global shortage of healthcare workers and the consequential overburdening of medical professionals, a challenge that is anticipated to intensify by 2030 [1]. It explores the adoption and perceptions of AI-powered mobile medical applications (MMAs) by physicians in the Netherlands, investigating whether doctors discuss or recommend these applications to patients and the frequency of their use in clinical practice. The research reveals a cautious but growing acceptance of MMAs among healthcare providers. Medical mobile applications, with a substantial part of IA-driven applications, are being recognized for their potential to alleviate workload. The findings suggest an emergent trust in AI-driven health technologies, underscored by recommendations from peers, yet tempered by concerns over data security and patient mental health, indicating a need for ongoing assessment and validation of these applications
DOCUMENT
Middels een RAAK-impuls aanvraag wordt beoogd de vertraging van het RAAK-mkb project Praktische Predictie t.g.v. corona in te halen. In het project Praktische Predictie wordt een prototype app ontwikkeld waarmee fysiotherapeuten in een vroeg stadium het chronisch worden van lage rugpijn kunnen voorspellen. Om chronische rugpijn te voorkomen is het belangrijk om in een vroeg stadium de kans hierop in te schatten door psychosociale en mogelijk andere risicofactoren op chronische pijnklachten te herkennen en hierop te interveniëren. Fysiotherapeuten zijn met deze vraag naar het lectoraat Werkzame factoren in Fysiotherapie en Paramedisch Handelen van de Hogeschool van Arnhem en Nijmegen gegaan en dit heeft aanleiding gegeven een onderzoek op te zetten waarin een dergelijke methodiek ontwikkeld wordt. De voorgestelde methodiek betreft een Clinical Decision Support Tool waarmee een geïndividualiseerde kans op chronische rugpijn kan worden bepaald gekoppeld aan een behandeladvies conform de lage rugpijn richtlijn. Hiervoor is eerst geïnventariseerd welke methoden fysiotherapeuten reeds gebruiken en welke in de literatuur worden genoemd. Op basis hiervan is een keuze gemaakt ten aanzien van data die digitaal verzameld worden in minimaal 16 fysiotherapiepraktijken waarbij patiënten gedurende 12 weken gevolgd worden. Met de verzamelde data worden met machine learning algoritmes ontwikkeld voor het berekenen van de kans op chroniciteit. De algoritmes worden ingebouwd in de Clinical Decision Support Tool: een gebruiksvriendelijke prototype app. Bij het ontwikkelen van de tool worden eindgebruikers (fysiotherapeuten en patiënten) intensief betrokken. Op deze manier wordt gegarandeerd dat de tool aansluit bij de wensen en behoeften van de doelgroep. De tool berekent de kans op chroniciteit en geeft een behandeladvies. Daarnaast kan de tool gebruikt worden om patiënten te informeren en te betrekken bij de besluitvorming. Vanwege de coronacrisis is er een aanzienlijke vertraging in de patiënten-instroom (doel n= 300) ontstaan die we met ondersteuning van een RAAK-impuls subsidie willen inlopen.
The main objective is to write a scientific paper in a peer-reviewed Open Access journal on the results of our feasibility study on increasing physical activity in home dwelling adults with chronic stroke. We feel this is important as this article aims to close a gap in the existing literature on behavioral interventions in physical therapy practice. Though our main target audience are other researchers, we feel clinical practice and current education on patients with stroke will benefit as well.
Alcohol use disorder (AUD) is a major problem. In the USA alone there are 15 million people with an AUD and more than 950,000 Dutch people drink excessively. Worldwide, 3-8% of all deaths and 5% of all illnesses and injuries are attributable to AUD. Care faces challenges. For example, more than half of AUD patients relapse within a year of treatment. A solution for this is the use of Cue-Exposure-Therapy (CET). Clients are exposed to triggers through objects, people and environments that arouse craving. Virtual Reality (VRET) is used to experience these triggers in a realistic, safe, and personalized way. In this way, coping skills are trained to counteract alcohol cravings. The effectiveness of VRET has been (clinically) proven. However, the advent of AR technologies raises the question of exploring possibilities of Augmented-Reality-Exposure-Therapy (ARET). ARET enjoys the same benefits as VRET (such as a realistic safe experience). But because AR integrates virtual components into the real environment, with the body visible, it presumably evokes a different type of experience. This may increase the ecological validity of CET in treatment. In addition, ARET is cheaper to develop (fewer virtual elements) and clients/clinics have easier access to AR (via smartphone/tablet). In addition, new AR glasses are being developed, which solve disadvantages such as a smartphone screen that is too small. Despite the demand from practitioners, ARET has never been developed and researched around addiction. In this project, the first ARET prototype is developed around AUD in the treatment of alcohol addiction. The prototype is being developed based on Volumetric-Captured-Digital-Humans and made accessible for AR glasses, tablets and smartphones. The prototype will be based on RECOVRY, a VRET around AUD developed by the consortium. A prototype test among (ex)AUD clients will provide insight into needs and points for improvement from patient and care provider and into the effect of ARET compared to VRET.
