Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Felix, Marcelo de Maria |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/5/5151/tde-29112024-133234/
|
Resumo: |
CONTEXTO: A pandemia de COVID-19 destacou a necessidade de ferramentas avançadas de suporte à decisão clínica, especialmente em ambientes de radiologia. O RADVID19, um sistema de suporte à decisão clínica baseado em Inteligência Artificial (IA), foi desenvolvido para auxiliar no diagnóstico de COVID-19, mas sua adoção depende de vários fatores que precisam ser investigados. OBJETIVO: Este estudo investiga os fatores que influenciam a adoção do RADVID19, um sistema de suporte à decisão clínica baseado em Inteligência Artificial (IA) para o diagnóstico da doença causada pelo coronavírus (COVID-19) em ambientes de radiologia durante a pandemia. Nossa hipótese é que a interpretabilidade seja a barreira mais significativa para a adoção e que a usabilidade e o suporte técnico tornam-se fatores secundários no contexto crítico da pandemia. MÉTODO: Utilizamos uma abordagem de métodos mistos, combinando entrevistas qualitativas e questionários quantitativos, para capturar as nuances e complexidade dos fatores envolvidos na adoção da IA. A intenção dos radiologistas de usar a IA, familiaridade com a IA e aversão ou confiança no algoritmo foram investigadas antes da utilização do RADVID19. Após seis meses de uso da plataforma, entrevistas detalhadas e questionários foram realizados para avaliar várias dimensões da experiência do usuário. O método da Teoria Unificada de Aceitação e Uso de Tecnologia (UTAUT) foi adotado para avaliar as percepções dos radiologistas sobre desempenho, esforço e fatores facilitadores. RESULTADOS: A interpretabilidade foi a barreira mais significativa para a adoção de IA na tomada de decisões clínicas, mesmo quando a usabilidade da plataforma era subótima. Os radiologistas expressaram preocupações sobre compreender o processo de tomada de decisão do modelo de IA e alinhá-lo com seu raciocínio diagnóstico. No contexto crítico da pandemia, a usabilidade e o suporte técnico tornaram-se fatores secundários, com o foco principal deslocando-se para a capacidade do modelo de IA fornecer informações valiosas e oportunas para apoiar a tomada de decisões clínicas. A análise UTAUT destacou a importância da expectativa de desempenho, expectativa de esforço e condições facilitadoras na condução da adoção da IA. CONCLUSÕES: As circunstâncias excepcionais da pandemia de COVID-19 forneceram uma oportunidade única para investigar o papel crucial da interpretabilidade, objetividade percebida e risco na adoção de IA em Radiologia, em comparação com outras barreiras conhecidas à adoção, como usabilidade e experiência do usuário. Abordar essa \"tríade\" em aplicações reais de IA pode abrir caminho para melhorar o cuidado e os resultados dos pacientes |
