救急部門で人工知能を採用するための実装の考慮事項

目的：人工知能（AI）は、特に救急医療（EM）の領域で、潜在的に変革的な力として浮上しています。救急部門（ED）でのAIの実施は、さまざまなモダリティを通じて患者ケアを改善する可能性があります。ただし、EDでのAIの実施は、その臨床採用に影響を与える独自の課題を提示します。このスコーピングレビューは、EDにおけるAIの臨床実施の障壁と促進因子を探る現在の文献をまとめたものです。 方法：Embase（Ovid）、Medline（Ovid）、Web of Science、およびEngineering Villageを体系的に検索しました。すべての記事は、2023年11月20日まで英語で掲載されました。2人のレビュー担当者が検索結果を選別し、サードパーティの裁定を通じて意見の相違が解決されました。 結果：合計8172の研究が予備検索に含まれ、22は最終的なデータ抽出に選択されました。10の研究はレビューであり、残りの12は主要な定量的、定性的、および混合メソッド研究でした。22のうち、13の研究で特定のAIツールまたはアプリケーションを調査しました。実装に対する一般的な障壁には、モデルの解釈可能性と説明可能性の欠如、医師の自律性に関する侵害、および医学的考慮事項が含まれます。実装の一般的なファシリテーターには、モデルに関するスタッフの教育、既存のワークフローへの効率的な統合、および健全な外部検証が含まれます。 結論：EDのAI実装に関する文献が増えています。私たちの研究は、EDでAIの実装が直面する最も一般的な障壁は、モデルの解釈可能性と説明可能性であることを示唆しています。EDでの臨床採用の成功を促進するために、特定のAIツールの実装を調査するより多くの主要な研究を実施する必要があります。

OBJECTIVE: Artificial intelligence (AI) has emerged as a potentially transformative force, particularly in the realm of emergency medicine (EM). The implementation of AI in emergency departments (ED) has the potential to improve patient care through various modalities. However, the implementation of AI in the ED presents unique challenges that influence its clinical adoption. This scoping review summarizes the current literature exploring the barriers and facilitators of the clinical implementation of AI in the ED. METHODS: We systematically searched Embase (Ovid), MEDLINE (Ovid), Web of Science, and Engineering Village. All articles were published in English through November 20th, 2023. Two reviewers screened the search results, with disagreements resolved through third-party adjudication. RESULTS: A total of 8172 studies were included in the preliminary search, with 22 selected for the final data extraction. 10 studies were reviews and the remaining 12 were primary quantitative, qualitative, and mixed-methods studies. Out of the 22, 13 studies investigated a specific AI tool or application. Common barriers to implementation included a lack of model interpretability and explainability, encroachment on physician autonomy, and medicolegal considerations. Common facilitators to implementation included educating staff on the model, efficient integration into existing workflows, and sound external validation. CONCLUSION: There is increasing literature on AI implementation in the ED. Our research suggests that the most common barrier facing AI implementation in the ED is model interpretability and explainability. More primary research investigating the implementation of specific AI tools should be undertaken to help facilitate their successful clinical adoption in the ED.