Patient Attitudes Toward Artificial Intelligence in Jordanian Healthcare: A Cross-Sectional Survey Study

Cette étude transversale menée auprès de 500 patients en Jordanie révèle une acceptation conditionnelle de l'intelligence artificielle en santé, caractérisée par une forte préférence pour un modèle de soins collaboratif associant médecins et IA, tout en soulignant que la confiance et la volonté d'adoption dépendent fortement de la littératie numérique et du niveau d'éducation.

L'essentiel

🏥 L'IA à l'hôpital en Jordanie : Les patients disent "Oui, mais..."

Imaginez que l'intelligence artificielle (IA) est un nouvel assistant très intelligent qui vient aider les médecins. Cette étude, menée en Jordanie, pose une question simple : Les patients sont-ils prêts à laisser cet assistant travailler à leurs côtés ?

Les chercheurs ont interrogé 500 patients dans trois grandes villes jordaniennes (Amman, Balqa, Irbid) pour comprendre ce qu'ils pensent vraiment de cette technologie. Voici ce qu'ils ont découvert, expliqué avec des images du quotidien.

1. Le verdict principal : "Un super assistant, pas un nouveau patron"

Les patients jordaniens ne rejettent pas l'IA. Au contraire, ils sont optimistes, mais prudents.

• L'analogie du copilote : Pour la plupart des patients, l'IA ne doit jamais remplacer le médecin. Ils veulent que l'IA agisse comme un copilote dans un avion. Le pilote (le médecin) garde les commandes et prend les décisions finales, tandis que le copilote (l'IA) vérifie les instruments, suggère des routes et aide à éviter les orages.
• La phrase clé : La réponse la plus populaire a été : "Je préfère que l'IA travaille avec le médecin, plutôt que de compter uniquement sur elle."

2. Ce que les patients aiment (et ce qui les inquiète)

L'étude a mesuré cinq "ingrédients" de la confiance. Voici le résultat :

• 🤝 L'humain avant tout (Le plus important) : C'est le point le plus fort. Les patients disent : "Je veux de l'empathie, de la chaleur humaine." Une machine ne peut pas tenir la main d'un patient ou comprendre la peur dans ses yeux. Ils veulent que l'IA aide, mais que le contact humain reste le cœur du soin.
• 💡 L'utilité (C'est utile !) : Les patients pensent que l'IA peut rendre les diagnostics plus précis et plus rapides. C'est comme avoir un GPS très avancé qui aide le médecin à trouver le bon chemin plus vite.
• 🔒 La confidentialité (La boîte forte) : Il y a une inquiétude modérée. Les patients se demandent : "Mes données médicales sont-elles en sécurité ? Qui les regarde ?" C'est comme laisser ses clés de maison à un inconnu : on y va, mais on vérifie bien qu'il y a une bonne serrure.
• 🤖 La confiance (On y va doucement) : La confiance est moyenne. Les patients ne connaissent pas encore bien l'IA. C'est comme un nouvel outil dans la cuisine : on sait qu'il peut être utile, mais on ne sait pas encore exactement comment l'utiliser sans se couper.

3. Qui est prêt à utiliser l'IA ? (Le fossé numérique)

C'est ici que l'étude devient très intéressante. L'acceptation de l'IA ne dépend pas tant de l'âge ou du genre, mais de deux choses clés :

1. Le niveau d'éducation : Les personnes avec un niveau d'éducation plus élevé sont plus prêtes à accepter l'IA. C'est un peu comme si ceux qui ont déjà lu le mode d'emploi d'un appareil complexe se sentent plus à l'aise pour l'utiliser.
2. La maîtrise du numérique : C'est le facteur le plus important. Les patients qui se sentent à l'aise avec les smartphones et les applications sont beaucoup plus enclins à accepter l'IA.
   • L'image : Si vous avez peur de votre téléphone portable, vous aurez probablement peur d'un robot médecin. Si vous êtes un "expert" du numérique, vous verrez l'IA comme un super-pouvoir.

4. Pourquoi est-ce important ?

Cette étude nous apprend que pour réussir à introduire l'IA dans les hôpitaux jordaniens (et ailleurs), il ne suffit pas de mettre des robots partout. Il faut :

• Garder l'humain au centre : Ne jamais laisser l'IA parler seule au patient. Le médecin doit toujours être là pour expliquer et rassurer.
• Éduquer et rassurer : Il faut montrer aux gens comment l'IA fonctionne et garantir que leurs données sont aussi sûres que dans un coffre-fort.
• Combler le fossé : Il faut aider les personnes moins à l'aise avec la technologie (souvent celles avec moins d'éducation formelle) à gagner en confiance, sinon l'IA risque de créer une inégalité : ceux qui la comprennent l'aimeront, les autres la craindront.

En résumé 🎯

Les patients jordaniens disent : "Oui à l'IA, mais seulement si elle aide le médecin, ne remplace pas le cœur humain, et protège nos secrets."

C'est une invitation à construire une médecine du futur où la technologie est un super-outil entre les mains d'un médecin humain, et non un remplacement froid et distant.

Résumé technique

1. Problématique et Contexte

L'intégration croissante de l'intelligence artificielle (IA) dans les systèmes de santé soulève des questions cruciales concernant l'acceptation par les patients, en particulier dans les contextes à ressources limitées comme la Jordanie. Bien que la littérature internationale identifie des facteurs clés d'acceptation (utilité perçue, confiance, transparence, vie privée, interaction humaine), les données spécifiques aux patients dans les pays à revenu intermédiaire et de la région arabe restent fragmentaires.

• Problème central : Il existe un manque de preuves empiriques sur la façon dont les patients jordaniens perçoivent l'IA, comment ces perceptions varient selon les facteurs démographiques et la littératie numérique, et quels sont les déterminants de leur intention comportementale (préparation à l'adoption).
• Objectif de l'étude : Évaluer les attitudes des patients hospitaliers en Jordanie envers les soins assistés par l'IA, en examinant spécifiquement les corrélats démographiques et de littératie numérique de l'acceptation.

2. Méthodologie

L'étude a adopté une approche quantitative transversale rigoureuse.

• Conception et Lieu : Enquête transversale menée entre juillet et octobre 2025 dans sept hôpitaux tertiaires publics et académiques situés dans trois gouvernorats jordaniens : Amman, Balqa et Irbid.
• Échantillonnage : Un échantillon de commodité de 500 patients adultes (âgés de ≥18 ans) a été recruté dans les cliniques externes, les services hospitaliers et les salles d'attente.
• Instrument de mesure : Un questionnaire électronique administré en arabe, composé de 25 items sur une échelle de Likert en 5 points (1 = fortement en désaccord à 5 = fortement d'accord).
• Variables et Construits : Les items ont été regroupés en six construits théoriques :
  1. Exposition à l'IA dans les soins de santé.
  2. Confiance et transparence.
  3. Utilité perçue / Attente de performance.
  4. Vie privée et risques perçus.
  5. Empathie et interaction humaine.
  6. Préparation / Intention comportementale.
• Analyse Statistique :
  • Tests de cohérence interne (Alpha de Cronbach).
  • Statistiques descriptives (Moyennes, écarts-types).
  • Tests de différences de groupes (t-test de Welch, ANOVA à un facteur avec comparaisons post-hoc de Tukey).
  • Corrélations de Pearson entre les construits.
  • Régression linéaire multiple pour identifier les prédicteurs indépendants de la « préparation » (variable dépendante), ajustée pour le genre, l'âge, le niveau d'éducation, l'usage antérieur d'appareils d'IA et l'auto-évaluation des compétences numériques.
  • Logiciels utilisés : Python (pandas, SciPy, statsmodels).

3. Résultats Clés

A. Statistiques Descriptives et Attitudes Globales

Les patients ont exprimé un optimisme conditionnel :

• Empathie et interaction humaine : Score le plus élevé (M = 4,33), indiquant une forte préférence pour le maintien de l'implication humaine. L'item le mieux noté était : « Je préfère que l'IA travaille aux côtés du médecin plutôt que de compter uniquement sur elle » (M = 4,47).
• Utilité perçue : Score élevé (M = 3,97), suggérant que les patients reconnaissent le potentiel de l'IA.
• Confiance et Transparence : Scores modérés à élevés (M = 3,57).
• Préparation (Intention comportementale) : Score modéré à élevé (M = 3,66).
• Vie privée et Risques : Préoccupations modérées (M = 3,51).
• Exposition : Score le plus bas (M = 2,57), révélant une expérience directe limitée avec les services de santé assistés par l'IA.

B. Corrélations et Associations

• La confiance/transparence et l'utilité perçue sont positivement corrélées avec la préparation (r = 0,48 et r = 0,44 respectivement, p < 0,001).
• Les préoccupations liées à la vie privée et aux risques sont négativement corrélées avec la confiance et l'utilité perçue.
• L'exposition à l'IA est positivement corrélée à la confiance et à la préparation.

C. Facteurs Démographiques et de Littératie Numérique

• Éducation : Un niveau d'éducation plus faible (moins que le secondaire ou secondaire) prédit une réduction significative de la préparation à accepter l'IA, même après ajustement pour d'autres variables.
• Compétences numériques : Une auto-évaluation élevée des compétences numériques prédit une augmentation de la préparation.
• Usage antérieur : Les patients ayant déjà utilisé des applications ou appareils de santé basés sur l'IA ont montré des scores plus élevés en matière d'exposition, de confiance, d'utilité perçue et de préparation.
• Genre et Âge : Les différences étaient statistiquement détectables mais de faible ampleur (taille d'effet faible). Par exemple, les femmes rapportaient une exposition légèrement plus élevée, tandis que les hommes percevaient une utilité légèrement supérieure.

D. Fiabilité Psychométrique

• Les construits « Confiance & Transparence » (α = 0,745) et « Utilité perçue » (α = 0,756) ont montré une cohérence interne acceptable.
• Les autres construits (Exposition, Vie privée, Empathie, Préparation) ont montré une fiabilité plus modeste (α entre 0,62 et 0,66), suggérant une hétérogénéité dans les réponses.

4. Contributions Principales

1. Première caractérisation patient-centrée en Jordanie : Cette étude comble un vide dans la littérature en fournissant des données empiriques sur les attitudes des patients jordaniens, au-delà des études se concentrant uniquement sur les professionnels de santé ou les étudiants.
2. Validation du modèle « Humain dans la boucle » : Les résultats confirment que l'acceptation de l'IA en Jordanie est maximale lorsque celle-ci est positionnée comme un outil de soutien au clinicien et non comme un remplacement autonome.
3. Identification des leviers d'intervention : L'étude démontre que l'acceptation n'est pas uniquement liée à la démographie, mais fortement corrélée à des facteurs modifiables : la littératie numérique et l'expérience antérieure.
4. Nuance sur la vie privée : Bien que les préoccupations concernant la vie privée soient présentes, elles ne bloquent pas nécessairement l'adoption si la confiance et l'utilité perçue sont élevées.

5. Signification et Implications

Les résultats de cette étude ont des implications directes pour la modernisation du système de santé jordanien et les pays similaires :

• Stratégie de Déploiement : L'implémentation de l'IA doit prioriser des flux de travail centrés sur l'humain, où l'IA assiste le médecin. La communication doit être transparente sur le rôle de l'IA pour renforcer la confiance.
• Réduction des Inégalités : Il existe un risque de creuser l'écart d'acceptation entre les groupes éduqués et non éduqués. Des interventions ciblées pour renforcer la confiance numérique et la littératie auprès des populations moins éduquées sont essentielles.
• Gouvernance des Données : Le renforcement des garanties de confidentialité et de la gouvernance des données est crucial pour atténuer les préoccupations modérées mais persistantes liées aux risques.
• Recherche Future : Il est nécessaire de valider davantage les instruments de mesure dans les contextes arabophones, en particulier pour capturer la dimension de « contrôle partagé » et d'« supervision humaine » qui semble être un facteur distinct et critique de l'acceptabilité.

Limites notées : L'étude est transversale (pas de causalité), basée sur un échantillon de commodité (limites de généralisation), et repose sur des déclarations auto-rapportées susceptibles de biais de désirabilité sociale. Le modèle de régression explique environ 10 % de la variance de la préparation, indiquant que d'autres facteurs non mesurés (comme l'expérience clinique spécifique ou l'équité perçue) jouent également un rôle.