Lambert, S. I., Madi, M., Sopka, S., Lenes, A., Stange, H., Buszello, C.-P., & Stephan, A. (2023). An integrative review on the acceptance of artificial intelligence among healthcare professionals in hospitals. npj Digital Medicine, 6, 111. https://doi.org/10.1038/s41746-023-00852-5
Resumen del artículo
Lambert y colaboradores hicieron una revisión integrativa, registrada en PROSPERO y guiada por el marco de Whittemore y Knafl, sobre los factores que facilitan o dificultan la aceptación de la inteligencia artificial por parte de profesionales de salud en hospitales. De 21.114 registros iniciales incluyeron 42 estudios (18 cualitativos, 16 cuantitativos y 8 mixtos) publicados entre 2010 y junio de 2022, con muestras de 12 a 562 personas, y evaluaron la calidad con el MMAT. Los resultados se organizaron según los cuatro constructos del modelo UTAUT (expectativa de desempeño, expectativa de esfuerzo, influencia social y condiciones facilitadoras) y sus moderadores (género, edad, experiencia y voluntariedad).
El tipo de IA más estudiado fue el sistema de apoyo a la decisión clínica (21 estudios). Los hallazgos sobre expectativa de desempeño fueron heterogéneos (alertas útiles frente a fatiga por alertas, precisión percibida variable), pero dos barreras aparecieron de manera unánime: el miedo a perder autonomía profesional y la dificultad de integrar la IA en el flujo de trabajo. La capacitación fue el facilitador más claro: en un estudio, el uso del sistema pasó de la mitad de las enfermeras con una sesión de entrenamiento al 100 % con tres. No se encontró efecto del género y los resultados sobre edad fueron contradictorios. Los autores recomiendan diseño centrado en el usuario, involucrar a los profesionales desde etapas tempranas, ofrecer formación ajustada a las necesidades y garantizar infraestructura.
Ideas clave
- UTAUT como marco organizador: los cuatro constructos del modelo permiten clasificar toda la evidencia sobre aceptación de IA en salud, lo que respalda usarlo en la tesis (p. 3, Tabla 1; p. 7, Tabla 2).
- Barreras unánimes: pérdida de autonomía profesional y falta de integración en el flujo de trabajo son las dos barreras que aparecen en todos los estudios que las abordan (p. 1).
- La capacitación cambia el uso: la relación dosis-respuesta entre sesiones de entrenamiento y uso del sistema es el dato más concreto de la revisión (p. 4).
- Los más experimentados confían más en su juicio: los profesionales con mayor experiencia tienden a anular las recomendaciones de la IA, lo que es relevante en una muestra de perfusionistas en ejercicio (p. 5).
- Género sin efecto, edad incierta: la revisión no replica el moderador de género propuesto en UTAUT y encuentra evidencia contradictoria sobre edad (p. 6).
Citas textuales relevantes
“In contrast, fear of a loss of (professional) autonomy and difficulties in integrating AI into clinical workflows were unanimously reported to be hindering factors. On the other hand, training for the use of AI facilitated acceptance” (Lambert et al., 2023, p. 1).
“Half of those receiving one training used the system whereas taking two training courses resulted in the use of the system in 83% of trained nurses. When taking three training courses this percentage increased to 100%” (Lambert et al., 2023, p. 4).
“Moreover, as found in our review and supported by the literature, more experienced healthcare professionals tend to trust their knowledge and experience more than an AI system” (Lambert et al., 2023, p. 5).
Conexión con la tesis de Sandra
Esta fuente sostiene en el Cap 2 el constructo de aceptación tecnológica y justifica el uso del UTAUT (o de sus constructos centrales) como marco para la covariable correspondiente. Lo que aportan Lambert et al. es la síntesis de 42 estudios que muestra qué factores pesan en profesionales de hospital y la advertencia de que los más experimentados desconfían más de la IA. La lectura propia para la tesis es que los perfusionistas en ejercicio, con años de práctica en CEC, pueden reaccionar a una simulación adaptativa con IA con la misma reserva de autonomía que los clínicos frente a un sistema de apoyo a la decisión, y que la forma de mitigar esa barrera está en la propia evidencia: capacitación previa en varias sesiones, participación de perfusionistas en el diseño de los escenarios e integración con su práctica cotidiana. En el Cap 3 esto sugiere medir aceptación al inicio y al final de la intervención, y prever un módulo de inducción para el grupo experimental y luego para el de lista de espera. Se conecta con n-5-7 (metaanálisis UTAUT), n-5-8 (confianza y preparación organizacional), n-5-10 (barreras y facilitadores) y n-3-6 (adopción de agentes educativos con IA).
Preguntas orientadoras
- ¿Cuántas sesiones de inducción a la plataforma de simulación con IA recibirán los perfusionistas antes de la medición de línea base, dada la relación entre entrenamiento y uso que reporta la revisión?
- ¿Cómo se medirá el miedo a la pérdida de autonomía profesional en perfusionistas, y conviene añadirlo como ítem específico al cuestionario UTAUT adaptado?
- ¿La experiencia en años de CEC debe entrar como moderador en el análisis de aceptación tecnológica, siguiendo la evidencia de que los profesionales más experimentados aceptan menos la IA?
Conexiones
- Subárea: N-Carga de trabajo y aceptación tecnológica
- Notas relacionadas: n-5-7, n-5-8, n-5-10, n-3-6
- Autores: Lambert S.I., Madi M., Sopka S., Stephan A.
Ir más a fondo
- Nota subatómica: Lambert (2023), 14 pasajes subrayados
- Pregúntale a los documentos: cuaderno de NotebookLM con los PDF del corpus (acceso restringido)
Mi reflexión
Graba tu reflexión de voz o escríbela usando los controles que aparecen abajo.