مدى تقبّل الكوادر الصحية لتقنيات الذكاء الاصطناعي في التشخيص الطبي بالمستشفيات السعودية: دراسة كمية
DOI:
https://doi.org/10.59992/IJSR.2026.v5n3p7الكلمات المفتاحية:
الذكاء الاصطناعي، التشخيص الطبي، نموذج قبول التقنية (TAM)، الكوادر الصحية، المملكة العربية السعودية، رؤية 2030، تقبّل التقنيةالملخص
تهدف هذه الدراسة إلى قياس مستوى تقبّل الكوادر الصحية لتقنيات الذكاء الاصطناعي في التشخيص الطبي بالمستشفيات السعودية، وتحديد أبرز العوامل المؤثرة في هذا التقبّل. استندت الدراسة إلى نموذج قبول التقنية (TAM) لـ Davis (1989) والنظرية الموحدة لقبول التقنية (UTAUT) لـ Venkatesh وآخرين (2003)، واتّبعت المنهج الوصفي التحليلي الكمي. جُمعت البيانات عبر استبانة إلكترونية مُوجَّهة لعيّنة من 50 كادراً صحياً في مستشفيات حكومية وخاصة بالمملكة العربية السعودية خلال الفترة من فبراير إلى مارس 2026م.
كشفت النتائج عن متوسط تقبّل عام بلغ (3.78من 5.0)، مع تفاوت في المحاور الخمسة: الفائدة المتصورة (م=3.745)، وسهولة الاستخدام المتصورة (م=3.740)، والثقة في النتائج (م=4.010)، والاستعداد للتدريب (م=3.060)، ونية السلوك (م=3.630). بلغ معامل كرونباخ ألفا للمقياس الكلي (0.902) مؤكداً اتساقاً داخلياً ممتازاً. وبيّن تحليل الانحدار المتعدد أن الثقة (β=0.379) والفائدة المتصورة (β=0.413) وسهولة الاستخدام (β=0.310) هي المتنبئات الأقوى بالتقبّل، إذ فسّر النموذج 96.3% من التباين الكلي (R²=0.963).
تجلّت أبرز النتائج التطبيقية في وجود فجوة تدريبية حادة بلغت (1.240) نقطة بين الرغبة في التدريب (م=3.680) والتدريب المُتلقَّى فعلياً (م=2.440). كما كشف تحليل ANOVA عن فروق دالة إحصائياً في التقبّل بحسب التخصص المهني (F=2.714، p=0.017)، إذ سجّل الأطباء أعلى المتوسطات (م=4.009) والفنيون الصحيون أدناها (م=2.955). في حين لم يُسجَّل فرق دال بين القطاعين الحكومي والخاص (t=−0.912، p=0.366).
المراجع
أولاً: المراجع العربية:
- هيئة البيانات والذكاء الاصطناعي (SDAIA) (2023م). الاستراتيجية الوطنية للذكاء الاصطناعي في المملكة العربية السعودية. الرياض: SDAIA.
- منظمة الصحة العالمية (WHO) (2021م). أخلاقيات وحوكمة الذكاء الاصطناعي في الصحة. جنيف: منظمة الصحة العالمية.
- وزارة الصحة، المملكة العربية السعودية (2022م). استراتيجية التحوّل الرقمي 2022-2026. الرياض: وزارة الصحة.
- وزارة الصحة، المملكة العربية السعودية (2023م). الكتاب الإحصائي الصحي السنوي 2023. الرياض: وزارة الصحة.
ثانياً: المراجع الإنجليزية:
- Albarghoth, M.; Al-Moamary, E.; Alsulaiman, S.; & Al-Sayed, A. (2022). Healthcare professionals’ acceptance of AI in clinical decision support systems. BMC Medical Informatics and Decision Making, 22(1), 1–12.
- Alghamdi, Reem A.; Al-Dosari, Noha; Al-Mutairi, Mohammed; & Al-Aqeel, Sahar (2023). AI readiness in Saudi healthcare: A survey of primary care professionals. Saudi Journal of Health Systems Research, 5(2), 45–60.
- Alsulimani, L. K.; Farhat, A. M.; Bari, A.; Raju, G. S. P.; & Hamidi, M. M. (2022). Health care worker perception of artificial intelligence in medicine. JMIR Formative Research, 6(9), e35588.
- Blease, C.; Kharko, A.; Locher, C.; Wampold, B. E.; & Halvorsen, J. G. (2022). Primary care physicians’ attitudes toward artificial intelligence: A systematic review. Journal of Healthcare Informatics Research, 6, 358–381.
- Choudhury, A.; & Shamszare, H. (2022). Investigating the impact of user trust on the adoption and use of ChatGPT. Journal of Medical Internet Research, 25, e46316.
- Collier, M.; Fu, R.; & Yin, L. (2023). Artificial intelligence and the future of work in healthcare. Health Affairs, 42(3), 404–412.
- Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340.
- Fishbein, M.; & Ajzen, I. (1975). Belief, Attitude, Intention, and Behavior. Reading, MA: Addison-Wesley.
- Guo, J.; Li, B.; & Ouyang, F. (2021). Physicians’ willingness to use artificial intelligence: Cross-sectional survey. Journal of Medical Internet Research, 23(11), e28867.
- Holden, R. J.; & Karsh, B. T. (2010). The technology acceptance model: Its past and its future in health care. Journal of Biomedical Informatics, 43(1), 159–172.
- Huang, M. H.; & Rust, R. T. (2021). Artificial intelligence in service. Journal of Service Research, 24(1), 3–21.
- Mayer, R. C.; Davis, J. H.; & Schoorman, F. D. (1995). An integrative model of organizational trust. Academy of Management Review, 20(3), 709–734.
- McKinney, S. M.; Sieniek, M.; Godbole, V.; & Shetty, S. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577, 89–94.
- Miller, D.; & Brown, T. (2018). Artificial intelligence and clinical decision-making. Journal of Clinical Ethics, 29(4), 287–296.
- Ng, W. Y.; Tan, T. F.; Elangovan, P. L.; Lim, J.; Jain, S.; & Ting, D. S. W. (2021). AI literacy training for healthcare professionals. Frontiers in Medicine, 8, 765927.
- Nunnally, J. C. (1978). Psychometric Theory (2nd ed.). New York: McGraw-Hill.
- Pinto dos Santos, D.; Giese, D.; Brodehl, S.; & Baeßler, B. (2019). Medical students’ attitude towards artificial intelligence. European Radiology, 29(4), 1640–1646.
- Reddy, S.; Fox, J.; & Purohit, M. P. (2019). Artificial intelligence-enabled healthcare delivery. Journal of the Royal Society of Medicine, 112(1), 22–28.
- Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions. Nature Machine Intelligence, 1(5), 206–215.
- Russell, S. J.; & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Hoboken, NJ: Pearson.
- Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56.
- Venkatesh, V.; Morris, M. G.; Davis, G. B.; & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478.
