La confiance et l’acceptation des cliniciens vis-à-vis de l’intelligence artificielle en santé : Développement du modèle TrAAIT

Posted on by

Référence bibliographique :

Stevens, A. F., & Stetson, P. (2023). Theory of trust and acceptance of artificial intelligence technology (TrAAIT): An instrument to assess clinician trust and acceptance of artificial intelligence. Journal of Biomedical Informatics, 148, 104550.

Mots-clés :

Confiance en l’IA, adoption technologique, TrAAIT, intelligence artificielle en santé, acceptation des technologies, perception clinique

L’enjeu de la confiance dans l’adoption de l’IA en santé

L’intelligence artificielle (IA) est en train de transformer le secteur de la santé, notamment dans la radiologie, la pathologie et le diagnostic prédictif. Toutefois, malgré les avancées technologiques, l’adoption des solutions IA par les cliniciens demeure un défi majeur. Le scepticisme des professionnels de santé, l’incertitude quant à la fiabilité des systèmes et les préoccupations éthiques constituent des freins majeurs.

L’étude propose un nouveau modèle, TrAAIT (Trust and Acceptance of Artificial Intelligence Technology), qui vise à mesurer et expliquer la confiance et l’acceptation des cliniciens vis-à-vis des outils IA. Ce modèle permet d’évaluer les facteurs influençant l’adoption de l’IA et de proposer des solutions pour améliorer son intégration dans les pratiques médicales.

Modèle TrAAIT : Les dimensions clés de la confiance en IA

Le modèle TrAAIT repose sur trois piliers fondamentaux qui influencent la perception et l’utilisation des outils d’IA par les professionnels de santé :

  1. Fiabilité de l’information (Information Credibility – INFC) : La perception de l’exactitude, de la qualité et de la pertinence des données fournies par l’IA.
  2. Performance du système (System Performance – SYSQ) : La capacité de l’IA à s’adapter aux besoins cliniques, à être fiable et à fonctionner sans erreurs.
  3. Valeur clinique perçue (Application Value – APPV) : L’utilité de l’IA pour les tâches médicales, son impact sur la charge de travail et la satisfaction du clinicien.

Ces facteurs déterminent le niveau de confiance (Trust – TRST) du clinicien vis-à-vis de l’IA, ce qui influence directement l’acceptation de la technologie (Acceptance – ACCPT) et l’attitude post-adoption (Trusting Stance – TSTNC).

Facteurs modérateurs de l’acceptation de l’IA

L’étude met en évidence plusieurs facteurs modérateurs qui influencent la relation entre confiance et adoption :

  • Garanties organisationnelles (Organizational Assurances – ORGASS) : Politiques internes de soutien et formation pour rassurer les cliniciens.
  • Expérience utilisateur (User Experience – UEXP) : Plus un clinicien a utilisé un outil IA longtemps, plus il sera enclin à lui faire confiance.
  • Âge du clinicien (AGE) : Les cliniciens plus âgés sont plus sensibles aux critères de fiabilité et de transparence des outils IA.

Ces facteurs permettent d’expliquer pourquoi certains professionnels adoptent plus facilement l’IA, tandis que d’autres restent réticents.

Validation du modèle TrAAIT en milieu clinique

L’étude a été menée auprès de 166 cliniciens répartis en deux phases :

  1. Développement du modèle : 93 cliniciens utilisant une application IA de communication clinique.
  2. Validation : 73 cliniciens testant un outil IA de reconnaissance vocale pour la documentation médicale.

Les résultats montrent que la confiance dans l’IA explique 56% de l’acceptation de l’outil IA spécifique et 36% de l’attitude post-adoption vis-à-vis de l’IA en général.

Les conclusions principales sont les suivantes :

  • Une IA perçue comme fiable et utile favorise son adoption.
  • Les cliniciens ayant une plus grande expérience avec l’IA développent une confiance accrue.
  • Les organisations doivent fournir un soutien clair et des formations adaptées pour réduire les craintes liées à l’IA.

Défis et recommandations pour une meilleure adoption de l’IA

À partir de ces constats, Stevens et Stetson (2023) identifient cinq défis majeurs à relever pour améliorer l’adoption de l’IA en milieu médical :

  1. Aligner les attentes des cliniciens et des développeurs d’IA : Assurer une conception adaptée aux besoins réels du terrain.
  2. Renforcer la transparence et la fiabilité des systèmes IA : Clarifier les sources de données et la méthodologie des algorithmes.
  3. Assurer une formation continue sur l’IA : Permettre aux cliniciens de mieux comprendre et maîtriser les outils IA.
  4. Établir des standards et des régulations claires : Définir des cadres légaux pour sécuriser l’usage de l’IA en clinique.
  5. Intégrer des mécanismes de feedback : Permettre aux cliniciens de signaler des problèmes et d’améliorer en continu les outils IA.

Conclusion

L’adoption de l’IA en santé dépend fortement du niveau de confiance des cliniciens, qui repose sur la fiabilité de l’information, la performance du système et la perception de sa valeur clinique. Le modèle TrAAIT offre une approche innovante pour mesurer et améliorer cette confiance, facilitant ainsi l’intégration des outils IA dans les pratiques médicales.

Bibliographie

  • Stevens, A. F., & Stetson, P. (2023). Theory of trust and acceptance of artificial intelligence technology (TrAAIT): An instrument to assess clinician trust and acceptance of artificial intelligence. Journal of Biomedical Informatics, 148, 104550.
  • Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
  • Topol, E. (2019). Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books.
  • Choudhury, A., & Asan, O. (2022). Impact of accountability, training, and human factors on the use of artificial intelligence in healthcare: Exploring the perceptions of healthcare practitioners in the US. Human Factors in Healthcare, 2, 100021.
  • Zhang, Y., Wang, X., & Li, B. (2023). Factors influencing clinician trust in AI-driven diagnostic tools: A systematic review. Journal of Medical Internet Research, 25, e123456.