Barriers and facilitators to developing and implementing artificial intelligence-based clinical decision support in the emergency department: a qualitative study.

内容摘要

This study examined why artificial intelligence (AI)-based clinical decision support tools have had limited clinical translation in the emergency department (ED) and identified barriers and facilitators to their development and implementation. We conducted a qualitative study involving semi-structured interviews with researchers who have expertise developing and implementing AI clinical decision support tools for use in the ED. We used purposive and snowball sampling to identify participants. We used platform-based AI transcription and anonymized transcripts manually. Using grounded theory framework, two coders iteratively analyzed transcripts in three stages (initial, focused, and theoretical) to identify barriers, facilitators, and themes. We adhered to SRQR and COREQ guidelines. We achieved data saturation after ten interviews conducted between October 15, 2024 and March 22, 2025. Participants ranged across a variety of medical and academic professions. We identified eight themes pertaining to developing and implementing AI clinical decision support in the ED, in descending frequency: team capacity; data infrastructure; defining the clinical problem and solution; research, ethics, and regulatory approval; legal and liability; model building and performance; time; and cost. We identified "engaging multiple healthcare end-users" and "sharing resources with other departments" as the highest yield facilitators. Successful implementation of AI clinical decision support tools in the ED requires a clear clinician- and patient-defined problem, robust data infrastructure, and a diverse research team able to navigate challenges with regulatory, legal, and financial challenges over a long timeline. Anticipating barriers and leveraging facilitators early in the development process may increase the likelihood of successful implementation. RéSUMé: OBJECTIFS: Cette étude a examiné pourquoi les outils d’aide à la décision clinique basés sur l’intelligence artificielle (IA) ont eu une traduction clinique limitée dans le service des urgences et a identifié des obstacles et des facilitateurs pour leur développement et leur mise en œuvre. MéTHODES: Nous avons mené une étude qualitative impliquant des entretiens semi-structurés avec des chercheurs ayant une expertise dans le développement et la mise en œuvre d’outils d’aide à la décision clinique par IA pour utilisation au service des urgences. Nous avons utilisé l’échantillonnage ciblé et en boule de neige pour identifier les participants. Nous avons utilisé manuellement la transcription IA basée sur la plateforme et les transcriptions anonymisées. En utilisant la théorie ancrée, deux codeurs ont analysé de manière itérative des transcriptions en trois étapes (initiale, ciblée et théorique) afin d’identifier les obstacles, les facilitateurs et les thèmes. Nous avons respecté les directives SRQR et COREQ. RéSULTATS: Nous avons atteint la saturation des données après dix entretiens menés entre le 15 octobre 2024 et le 22 mars 2025. Les participants exerçaient diverses professions médicales et universitaires. Nous avons identifié huit thèmes relatifs au développement et à la mise en œuvre de l’aide à la décision clinique en IA dans le service d’urgence, par ordre décroissant de fréquence : capacité de l’équipe ; infrastructure des données ; définition du problème clinique et de la solution ; recherche, éthique et approbation réglementaire ; juridique et responsabilité ; construction de modèles et performance ; temps ; et coût. Nous avons identifié « l’engagement de plusieurs utilisateurs finaux du secteur de la santé » et « le partage des ressources avec d’autres départements » comme les facilitateurs à plus haut rendement CONCLUSION: La mise en œuvre réussie des outils d’aide à la décision clinique de l’IA dans le service d’urgence nécessite un problème clairement défini par les cliniciens et les patients, une infrastructure de données robuste et une équipe de recherche diversifiée capable de surmonter les défis réglementaires, juridiques et financiers sur une longue période. Anticiper les obstacles et mobiliser des facilitateurs dès le début du processus de développement peut accroître la probabilité d’une mise en œuvre réussie.