Dies ist eine Übersichtsseite mit Metadaten zu dieser wissenschaftlichen Arbeit. Der vollständige Artikel ist beim Verlag verfügbar.
Een vragenlijstonderzoek naar de mening van clinici, patiënten en naasten over computertools in de geheugenpolikliniek: zin of onzin?
0
Zitationen
7
Autoren
2023
Jahr
Abstract
Achtergrond: Computertools zoals digitale (web-based) cognitieve testen, diagnostische tools en automatisch gegenereerde hulpmiddelen voor het arts-patiëntgesprek voor de geheugenpolikliniek zijn in opkomst. Deze tools kunnen worden ingezet om clinici te ondersteunen bij de diagnostische besluitvorming en het communiceren van de diagnose en prognose. In dit onderzoek brengen we door middel van een vragenlijst de meningen van clinici, patiënten en naasten, de zogenoemde ‘eindgebruikers’, voor het gebruik van computertools in geheugenpoliklinieken in kaart. Daarnaast identificeren we belemmerende en faciliterende factoren voor de daadwerkelijke toepassing. Methode: Tussen juli en oktober 2020 nodigden we Europese clinici (n=109, leeftijd 45±10j; 47% vrouw) uit om deel te nemen aan een online vragenlijst. Een tweede vragenlijst werd verstuurd naar patiënten (n=50, leeftijd 73±8j, 34% vrouw) met subjectieve cognitieve klachten (SCD, n= 21), milde cognitieve achteruitgang (MCI, n=16) en dementie (n=13) en naasten (n=46, 65±12j, 54% vrouw). Resultaten: Driekwart van alle deelnemers was positief over het gebruik van computertools in geheugenpoliklinieken. Faciliterende factoren waren onder andere gebruiksvriendelijkheid en hogere diagnostische nauwkeurigheid. Onder barrières vielen (twijfels aan) betrouwbaarheid en validiteit en verlies van klinische autonomie. De deelnemers vinden dat tools moeten worden gebruikt ter aanvulling op de huidige werkwijze en niet als vervanging. Discussie: Onze resultaten vormen een belangrijke stap in het iteratieve ontwikkelproces van computertools voor geheugenpoliklinieken, dat samen met eindgebruikers doorlopen wordt.
Ähnliche Arbeiten
Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI
2019 · 8.700 Zit.
Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead
2019 · 8.605 Zit.
High-performance medicine: the convergence of human and artificial intelligence
2018 · 8.133 Zit.
BioBERT: a pre-trained biomedical language representation model for biomedical text mining
2019 · 6.873 Zit.
Proceedings of the 19th International Joint Conference on Artificial Intelligence
2005 · 5.781 Zit.