L’\u00c9chelle de pr\u00e9f\u00e9rence pour l’IA dans les soins de sant\u00e9<\/strong> (en anglais, AI Healthcare Preference Scale<\/em>), d\u00e9velopp\u00e9e par Sophie Kerstan, Nadine Bienefeld et Gudela Grote<\/a> (2024) au sein de l’ETH Zurich, est un instrument psychom\u00e9trique con\u00e7u pour \u00e9valuer les pr\u00e9f\u00e9rences individuelles relatives \u00e0 la d\u00e9l\u00e9gation des actes m\u00e9dicaux et de soins \u00e0 des syst\u00e8mes d’intelligence artificielle<\/a> (IA) par rapport \u00e0 des m\u00e9decins humains. L’\u00e9chelle a \u00e9t\u00e9 op\u00e9rationnalis\u00e9e dans le cadre d’une vaste \u00e9tude en ligne aupr\u00e8s d’adultes recrut\u00e9s via la plateforme Prolific aux \u00c9tats-Unis. Fond\u00e9 sur le mod\u00e8le th\u00e9orique des niveaux d’automatisation (levels of automation<\/em>) initialement formalis\u00e9 par Endsley et Kaber (1999)<\/a>, cet outil est compos\u00e9 de six items mesurant le degr\u00e9 d’intervention privil\u00e9gi\u00e9 par l’usager tout au long du continuum clinique, allant d’une prise en charge assur\u00e9e exclusivement par un praticien humain jusqu’\u00e0 une autonomie d\u00e9cisionnelle compl\u00e8te conf\u00e9r\u00e9e \u00e0 l’IA.<\/p>\n Chaque item est \u00e9valu\u00e9 au moyen d’une \u00e9chelle de r\u00e9ponse de type Likert en 5 points (allant de 1 = \u00ab M\u00e9decin uniquement \u00bb \u00e0 5 = \u00ab IA uniquement \u00bb). Sur le plan des qualit\u00e9s psychom\u00e9triques, l’instrument pr\u00e9sente une consistance interne satisfaisante avec un coefficient alpha de Cronbach (α) de 0,75. Les analyses factorielles exploratoires (AFE) confirment une structure unidimensionnelle robuste, o\u00f9 l’ensemble des six items saturent sur un facteur unique sous-jacent repr\u00e9sentant la pr\u00e9f\u00e9rence globale pour l’automatisation m\u00e9dicale. De plus, une analyse factorielle confirmatoire (AFC) int\u00e9gr\u00e9e \u00e0 un mod\u00e8le structurel \u00e0 cinq facteurs d\u00e9montre des indices d’ajustement conformes aux standards m\u00e9thodologiques internationaux (χ² = 1008,46, df<\/em> = 547, p<\/em> < 0,001 ; χ²\/df<\/em> = 1,84 ; CFI = 0,91 ; TLI = 0,90 ; RMSEA = 0,04 ; SRMR = 0,06). Cet instrument constitue une avanc\u00e9e m\u00e9thodologique majeure pour l’\u00e9tude de l’acceptabilit\u00e9 technologique, de la confiance compar\u00e9e et de l’\u00e9thique appliqu\u00e9e \u00e0 la sant\u00e9 num\u00e9rique.<\/p>\n Intelligence artificielle, soins de sant\u00e9, pr\u00e9f\u00e9rences de traitement, relation m\u00e9decin-patient, automatisation clinique, psychom\u00e9trie, prise de d\u00e9cision m\u00e9dicale, acceptabilit\u00e9 des technologies, confiance compar\u00e9e, interaction humain-machine, t\u00e9l\u00e9m\u00e9decine, \u00e9thique m\u00e9dicale.<\/p>\n L’\u00e9chelle a \u00e9t\u00e9 d\u00e9velopp\u00e9e et valid\u00e9e par une \u00e9quipe de chercheurs du D\u00e9partement de gestion, technologie et \u00e9conomie (D-MTEC), au sein du laboratoire de psychologie du travail et des organisations de l’\u00c9cole polytechnique f\u00e9d\u00e9rale de Zurich (ETH Zurich)<\/a>, en Suisse :<\/p>\n Adresse de correspondance :<\/strong> Sophie Kerstan, ETH Zurich, Department of Management, Technology, and Economics, Work and Organizational Psychology, Weinbergstrasse 56\/58, 8092 Zurich, Suisse.<\/p>\n L’introduction exponentielle des algorithmes d’apprentissage automatique<\/a>, de vision par ordinateur et de mod\u00e8les de traitement du langage naturel dans la pratique clinique transforme radicalement le paradigme traditionnel du colloque singulier entre le patient et son m\u00e9decin. Si les performances diagnostiques de certains algorithmes \u00e9galent ou surpassent d\u00e9sormais celles des sp\u00e9cialistes humains dans des domaines tels que la radiologie, l’oncologie ou la dermatologie, l’adoption effective de ces technologies d\u00e9pend fondamentalement de la disposition psychologique des patients \u00e0 accepter que des actes de soin soient d\u00e9l\u00e9gu\u00e9s \u00e0 des entit\u00e9s artificielles. L’objectif principal de l’AI Healthcare Preference Scale<\/em> est de quantifier pr\u00e9cis\u00e9ment la pr\u00e9f\u00e9rence relative des individus quant \u00e0 la r\u00e9partition du contr\u00f4le clinique entre le m\u00e9decin humain et l’agent automatis\u00e9.<\/p>\n Sur le plan de la recherche fondamentale et appliqu\u00e9e, cet instrument r\u00e9pond \u00e0 un manque m\u00e9thodologique majeur dans la litt\u00e9rature sur l’interaction humain-machine (Human-Computer Interaction<\/em>, HCI). Jusqu’alors, la majorit\u00e9 des \u00e9tudes \u00e9valuaient l’acceptation de l’IA via des mesures dichotomiques (\u00ab Accepteriez-vous un diagnostic pos\u00e9 par une IA ? Oui\/Non \u00bb) ou des questionnaires d’acceptabilit\u00e9 g\u00e9n\u00e9riques, tels que le Technology Acceptance Model (TAM)<\/a> ou le mod\u00e8le UTAUT. Ces outils classiques omettent souvent de conceptualiser le soin de sant\u00e9 comme un processus multidimensionnel impliquant des degr\u00e9s variables d’autonomie algorithmique et ignorent le caract\u00e8re intrins\u00e8quement comparatif du choix du patient, qui arbitre constamment entre les comp\u00e9tences per\u00e7ues de l’humain et celles de la machine.<\/p>\n Dans le domaine clinique et organisationnel, la mesure standardis\u00e9e des pr\u00e9f\u00e9rences des patients permet d’identifier les segments de population r\u00e9fractaires \u00e0 l’automatisation, d’isoler les phases du parcours de soin o\u00f9 la pr\u00e9sence humaine est jug\u00e9e non n\u00e9gociable, et de mod\u00e9liser les facteurs explicatifs du refus ou de l’adh\u00e9sion aux protocoles de t\u00e9l\u00e9m\u00e9decine assist\u00e9e par IA<\/a>. L’\u00e9chelle permet ainsi aux d\u00e9cideurs de sant\u00e9 publique, aux concepteurs de dispositifs m\u00e9dicaux et aux praticiens de calibrer les syst\u00e8mes d’aide \u00e0 la d\u00e9cision pour qu’ils respectent l’autonomie et les attentes des usagers, \u00e9vitant ainsi le rejet technologique ou la rupture de l’alliance th\u00e9rapeutique.<\/p>\n Le construit psychologique cibl\u00e9 par l’instrument est d\u00e9fini comme la pr\u00e9f\u00e9rence pour l’intelligence artificielle dans les soins de sant\u00e9<\/strong> (Artificial Intelligence Healthcare Preferences<\/em>). Ce construit ne mesure pas une simple attitude favorable ou d\u00e9favorable envers la technologie, mais un positionnement pr\u00e9f\u00e9rentiel relatif et continu quant au lieu de contr\u00f4le d\u00e9cisionnel et op\u00e9rationnel lors de la dispensation des soins.<\/p>\n Contrairement aux repr\u00e9sentations simplistes opposant radicalement l’humain \u00e0 la machine, le construit repose sur un continuum d’arbitrage. \u00c0 un p\u00f4le de ce continuum se trouve la pr\u00e9f\u00e9rence exclusive pour l’expertise clinique humaine, caract\u00e9ris\u00e9e par l’attribution de la confiance, de l’empathie et de la comp\u00e9tence diagnostique au seul m\u00e9decin en chair et en os. \u00c0 l’autre p\u00f4le se situe la pr\u00e9f\u00e9rence exclusive pour les syst\u00e8mes autonomes d’IA, motiv\u00e9e par la perception d’une pr\u00e9cision analytique sup\u00e9rieure, d’une absence de biais cognitifs humains, d’une disponibilit\u00e9 permanente ou d’une objectivit\u00e9 statistique accrue.<\/p>\n Le construit s’articule autour des diff\u00e9rentes \u00e9tapes fonctionnelles de la trajectoire clinique, incluant :<\/p>\n Ce construit capture ainsi les tensions cognitives et affectives inh\u00e9rentes \u00e0 la confiance compar\u00e9e<\/a>. Il est \u00e9troitement corr\u00e9l\u00e9 \u00e0 la perception des risques m\u00e9dicaux (e.g., crainte de l’erreur logicielle, d\u00e9shumanisation des soins, violation du secret m\u00e9dical) et \u00e0 la perception des b\u00e9n\u00e9fices (e.g., r\u00e9duction des d\u00e9lais de prise en charge, personnalisation bas\u00e9e sur le big data).<\/p>\n Le socle th\u00e9orique de l’AI Healthcare Preference Scale<\/em> repose directement sur le mod\u00e8le s\u00e9minal des niveaux et fonctions d’automatisation formalis\u00e9 par Mica R. Endsley et David B. Kaber (1999)<\/strong>. Dans leurs travaux sur l’ing\u00e9nierie cognitive et les facteurs humains, Endsley et Kaber ont d\u00e9construit l’automatisation en une taxonomie gradu\u00e9e \u00e0 10 niveaux, articul\u00e9e autour de quatre fonctions cognitives majeures :<\/p>\n Dans ce mod\u00e8le, l’automatisation n’est pas un \u00e9tat binaire (pr\u00e9sente vs absente), mais une distribution dynamique du contr\u00f4le partag\u00e9 entre l’op\u00e9rateur humain et l’agent technologique. Les auteurs de l’\u00e9chelle (Kerstan, Bienefeld, & Grote, 2024) ont transpos\u00e9 ce cadre au contexte de la consultation m\u00e9dicale. Aux niveaux inf\u00e9rieurs d’automatisation, le praticien humain r\u00e9alise l’ensemble des t\u00e2ches cliniques, la machine n’intervenant au mieux que comme un support passif d’archivage. Aux niveaux interm\u00e9diaires, une collaboration hybride s’\u00e9tablit : l’IA g\u00e9n\u00e8re des options ou sugg\u00e8re des diagnostics diff\u00e9rentiels, mais le m\u00e9decin conserve l’autorit\u00e9 d\u00e9cisionnelle finale (mod\u00e8le de l’\u00ab humain dans la boucle \u00bb ou human-in-the-loop<\/em>). Aux niveaux sup\u00e9rieurs, le syst\u00e8me algorithmique prend les d\u00e9cisions de mani\u00e8re autonome, l’humain n’ayant plus qu’un r\u00f4le de supervision passive, voire aucun droit de veto.<\/p>\n Ce cadre th\u00e9orique int\u00e8gre \u00e9galement les paradigmes de la th\u00e9orie de la confiance dans l’automatisation<\/strong> (Lee & See, 2004) et des heuristiques de jugement sous incertitude<\/strong> (Tversky & Kahneman<\/a>). La d\u00e9cision de pr\u00e9f\u00e9rer l’humain ou l’IA implique un arbitrage psychologique sous contrainte de risque vital. La litt\u00e9rature montre que les individus manifestent fr\u00e9quemment une \u00ab aversion pour l’algorithme \u00bb (algorithm aversion<\/em> ; Dietvorst et al., 2018), refusant de s’en remettre \u00e0 des mod\u00e8les pr\u00e9dictifs d\u00e8s lors qu’ils les voient commettre une erreur minime, alors m\u00eame qu’ils tol\u00e8rent l’imperfection humaine. L’\u00e9chelle op\u00e9rationnalise pr\u00e9cis\u00e9ment ce basculement d’adh\u00e9sion en fonction des exigences cognitives de chaque phase du soin.<\/p>\n La validit\u00e9 psychom\u00e9trique de l’AI Healthcare Preference Scale<\/em> a \u00e9t\u00e9 rigoureusement d\u00e9montr\u00e9e dans l’\u00e9tude fondatrice de Kerstan, Bienefeld et Grote (2024) men\u00e9e sur un \u00e9chantillon repr\u00e9sentatif de participants adultes am\u00e9ricains (N<\/em> = 553 apr\u00e8s filtrage de qualit\u00e9 des donn\u00e9es).<\/p>\n La validit\u00e9 de construit a \u00e9t\u00e9 examin\u00e9e par le biais d’une d\u00e9marche factorielle rigoureuse. L’analyse factorielle exploratoire (AFE) a confirm\u00e9 que les 6 items convergent vers un seul et m\u00eame construit sous-jacent, d\u00e9montrant que les pr\u00e9f\u00e9rences pour l’IA forment une attitude globale coh\u00e9rente face \u00e0 la d\u00e9l\u00e9gation technologique. Par la suite, l’analyse factorielle confirmatoire (AFC) a ins\u00e9r\u00e9 l’\u00e9chelle au sein d’un mod\u00e8le structurel comprenant quatre autres construits latents th\u00e9oriquement li\u00e9s : la confiance compar\u00e9e (envers les m\u00e9decins vs l’IA), les connaissances per\u00e7ues en IA, la perception des risques li\u00e9s \u00e0 l’IA en sant\u00e9, et la perception des b\u00e9n\u00e9fices. Les indices d’ajustement globaux obtenus attestent d’une excellente validit\u00e9 de construit globale (χ² = 1008,46, df<\/em> = 547, p<\/em> < 0,001 ; χ²\/df<\/em> = 1,84 ; CFI = 0,91 ; TLI = 0,90 ; RMSEA = 0,04 [IC 90 % : 0,036 – 0,044] ; SRMR = 0,06).<\/p>\n Bien que l’article princeps n’ait pas administr\u00e9 d’\u00e9chelle concurrente pr\u00e9existante d’automatisation m\u00e9dicale \u2014 celles-ci \u00e9tant inexistantes sous ce format comparatif \u2014, la validit\u00e9 pr\u00e9dictive et nomologique s’av\u00e8re hautement significative :<\/p>\n La fid\u00e9lit\u00e9 de l’AI Healthcare Preference Scale<\/em> a \u00e9t\u00e9 \u00e9tablie principalement par l’\u00e9valuation de sa consistance interne<\/a>. Les donn\u00e9es empiriques publi\u00e9es par Kerstan et al. (2024) rapportent les m\u00e9triques suivantes :<\/p>\n \u00c0 ce jour, la fid\u00e9lit\u00e9 test-retest n’a pas \u00e9t\u00e9 formellement rapport\u00e9e dans l’article initial en raison du devis transversal de l’administration Prolific ; de futures recherches longitudinales devront documenter la stabilit\u00e9 temporelle de ces pr\u00e9f\u00e9rences \u00e0 mesure que l’acculturation technologique de la population progresse.<\/p>\n L’architecture factorielle de l’instrument a fait l’objet d’investigations statistiques rigoureuses combinant d\u00e9marches exploratoires et confirmatoires.<\/p>\n Lors de la phase initiale d’\u00e9valuation de la structure latente, une AFE a \u00e9t\u00e9 conduite sur les six items de l’\u00e9chelle. L’analyse des valeurs propres (crit\u00e8re de Kaiser-Guttman, valeurs propres > 1) et l’examen du graphique des \u00e9boulis (scree plot<\/em> de Cattell) ont nettement indiqu\u00e9 l’extraction d’un facteur unique<\/strong>. Tous les items ont pr\u00e9sent\u00e9 des saturations factorielles substantielles sur ce facteur primaire, sans saturation crois\u00e9e complexe, validant ainsi l’unidimensionnalit\u00e9 du construit.<\/p>\n Afin d’\u00e9prouver la robustesse de cette solution unidimensionnelle au sein d’un r\u00e9seau nomologique \u00e9tendu, les auteurs ont conduit une AFC multivari\u00e9e int\u00e9grant cinq instruments de mesure distincts pour un total de 547 degr\u00e9s de libert\u00e9. Les param\u00e8tres d’estimation par le maximum de vraisemblance ont d\u00e9montr\u00e9 une excellente ad\u00e9quation aux donn\u00e9es empiriques :<\/p>\n Toutes les saturations factorielles standardis\u00e9es des six items sur leur variable latente respective se sont r\u00e9v\u00e9l\u00e9es statistiquement significatives (p<\/em> < 0,001), confirmant la contribution psychom\u00e9trique essentielle de chaque item \u00e0 la capture du construit global.<\/p>\n L’instrument se caract\u00e9rise par une administration simple, standardis\u00e9e et rapide, sp\u00e9cialement optimis\u00e9e pour les plateformes de recherche num\u00e9rique et les environnements cliniques informatis\u00e9s :<\/p>\n Les formulations textuelles officielles et exactes des items de cette \u00e9chelle sont prot\u00e9g\u00e9es par le droit d’auteur de l’\u00e9diteur de la revue et des auteurs originaux. En cons\u00e9quence, les items officiels ne sont pas reproduits int\u00e9gralement dans le domaine public ouvert.<\/p>\n Conform\u00e9ment au cadre th\u00e9orique des niveaux d’automatisation d’Endsley et Kaber (1999) d\u00e9crit par Kerstan et al. (2024), l’instrument structure son inventaire en 6 situations cliniques distinctes r\u00e9parties le long du processus de prise en charge :<\/p>\n Response format used for each clinical task:<\/strong><\/p>\n Note: Pour obtenir la formulation textuelle standardis\u00e9e int\u00e9grale utilis\u00e9e lors de la passation de l’\u00e9tude, les chercheurs sont invit\u00e9s \u00e0 contacter directement l’auteur correspondant \u00e0 l’adresse skerstan@ethz.ch ou \u00e0 consulter l’article original publi\u00e9 dans la revue Risk Analysis.<\/em><\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":" L’\u00c9chelle de pr\u00e9f\u00e9rence pour l’IA dans les soins de sant\u00e9 (Kerstan et al., 2024) est un instrument psychom\u00e9trique en 6 items \u00e9valuant les pr\u00e9f\u00e9rences individuelles relatives \u00e0 la d\u00e9l\u00e9gation des actes cliniques \u00e0 des syst\u00e8mes d’intelligence artificielle par rapport aux m\u00e9decins humains, selon les niveaux d’automatisation d’Endsley et Kaber.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[26859,2539,10349],"tags":[21196,26860,11319,424,589,25622,16,6005],"class_list":["post-17396","psych_scale","type-psych_scale","status-publish","hentry","category-echelles-dacceptabilite-technologique","category-interaction-humain-machine","category-psychometrie-en-sante","tag-automatisation","tag-confiance-dans-lia","tag-ethique-clinique","tag-intelligence-artificielle","tag-medecine","tag-preferences-des-patients","tag-psychometrie","tag-sante-numerique"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/17396","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_scale"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=17396"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_scale\/17396\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=17396"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=17396"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=17396"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}2. Mots-cl\u00e9s \/ Keywords<\/h2>\n
3. Auteurs \/ Authors<\/h2>\n
\n
4. Objectif \/ Purpose<\/h2>\n
5. Construit psychologique \/ Construct<\/h2>\n
\n
6. Cadre th\u00e9orique \/ Theoretical Framework<\/h2>\n
\n
7. Validit\u00e9 \/ Validity<\/h2>\n
Validit\u00e9 de construit et dimensionnalit\u00e9<\/h3>\n
Validit\u00e9 convergente et pr\u00e9dictive<\/h3>\n
\n
8. Fid\u00e9lit\u00e9 \/ Reliability<\/h2>\n
\n
9. Analyse factorielle \/ Factor Analysis<\/h2>\n
Analyse factorielle exploratoire (AFE)<\/h3>\n
Analyse factorielle confirmatoire (AFC)<\/h3>\n
\n
10. Instrument de mesure \/ Instrument<\/h2>\n
\n
\n 1 = M\u00e9decin uniquement (Only physician<\/em>)
\n 2 = Principalement le m\u00e9decin (Mostly physician<\/em>)
\n 3 = Collaboration \u00e9gale m\u00e9decin-IA (Equal collaboration<\/em>)
\n 4 = Principalement l’IA (Mostly AI<\/em>)
\n 5 = IA uniquement (Only AI<\/em>)\n <\/li>\n11. Permissions, Tarifs et Ann\u00e9e du test \/ Permissions & Fee and Test Year<\/h2>\n
\n
12. R\u00e9f\u00e9rences \/ References<\/h2>\n
\n
13. Questions et items du questionnaire \/ Scale Items<\/h2>\n
\n
\n