AI as a Second Opinion: Evaluating Workflow Timing in Clinical Psychology

Sammanfattning

I denna studie utvärderades hur olika sätt att integrera AI-stöd i det kliniska arbetsflödet påverkar diagnostisk precision och tidseffektivitet. Totalt 51 yrkesverksamma inom psykisk hälsa genomförde diagnostiska bedömningar av simulerade patientfall i plattformen TalkToAlba. Deltagarna randomiserades till en av tre grupper: proaktivt stöd (AI före patientintervjun), retroaktivt stöd (AI före & efter patientintervjun) eller en kontrollgrupp där AI-stödet introducerades först efter att en initial diagnos fastställts. Resultaten visade att den slutgiltiga diagnostiska träffsäkerheten var högre i den retroaktiva än i den proaktiva betingelsen (72.2 % mot 38.5 %), även om skillnaden inte nådde statistisk signifikans (p = .079). Klinikernas träffsäkerhet var starkt korrelerad med huruvida AI-systemets förslag var korrekt (p = .003), vilket tyder på en sårbarhet vid felaktiga AI-svar. Den totala tidsåtgången skilde sig inte mellan grupperna, däremot minskade AI-genererade journalanteckningar dokumentationstiden (p = .048). Samstämmigheten mellan kliniker och AI var högst när klinikerna arbetade utan stöd från AI (κ = .62). Klinikerna uttryckte en stark vilja att använda AI i sitt arbete, samt en signifikant preferens att få stöd efter intervjun snarare än före (p = .029). Sammantaget pekar studien på vikten av ett människa-först-arbetsflöde där AI används som beslutsstöd efter intervjun med patienten snarare än före. Genom att använda AI till att göra ett andra utlåtande efter klinikerns egen bedömning kan man dra nytta av effektivitetsvinster utan att kompromissa med den kliniska autonomin eller riskera kognitiva snedvridningar som förankringseffekter och automationsbias.