British Columbia Institute of Technology

Integrating Artificial Intelligence (AI) into healthcare systems fundamentally transforms clinical workflows by augmenting diagnostics, documentation, and patient engagement. AI-powered medical assistants, driven by Natural Language Processing (NLP) and Machine Learning (ML), facilitate operational efficiency, mitigate clinician burnout, and improve quality and continuity of care. This study critically examines the impact of AI medical assistants on clinical productivity, patient outcomes, and administrative operations. Through a systematic literature review of peer-reviewed studies, case analyses, and empirical evaluations, we identify core use cases where AI contributes measurable gains, such as enhanced documentation accuracy, optimized triage, and reduced clerical workloads. These systems, often integrated with Electronic Health Records (EHRs), enable real-time data capture, automated symptom screening, and tailored treatment suggestions. Despite their benefits, adoption is constrained by algorithmic bias, data governance challenges, and professional resistance. This paper underscores the transformative potential of AI assistants in clinical settings while emphasizing the need for ethical frameworks, interoperability standards, and robust regulatory compliance to ensure safe, equitable, and effective AI deployment.

Introduction Bien que la prescription sociale constitue un courant de plus en plus important en faveur de la santé globale et de la société, aucune étude Delphi n’a déterminé quels résultats sont essentiels à évaluer. Notre objectif était de faire émerger un ensemble de résultats fondamentaux en fonction des commentaires de divers groupes d’utilisateurs susceptibles d’être concernés par la prescription sociale (aînés de 60 ans et plus) ou de personnes pouvant avoir une influence sur elle (comme les fournisseurs ou les chercheurs). Méthodologie Conformément aux lignes directrices normalisées pour les études Delphi, nous avons élaboré une enquête en ligne à deux cycles en ciblant les perspectives canadiennes. Nous avons demandé aux participants d’évaluer 21 résultats comme « cruciaux » (7 à 9 sur une échelle de 9 points), « importants mais non cruciaux » (4 à 6 points) ou « sans importance » (1 à 3 points). Nous présentons une description du sous-groupe de résultats obtenus du point de vue des aînés et de leurs familles et amis. Résultats Le premier cycle a été complété par 74 personnes relevant de 10 groupes d’utilisateurs et le second par 52 personnes relevant de 8 groupes d’utilisateurs (taux de rétention de 70 %). Les évaluations entre les cycles ont été généralement uniformes. Sept résultats ont atteint le seuil de résultat « crucial ». Aucun résultat n’a été exclu. Les résultats cruciaux portaient sur la santé mentale, le fonctionnement physique et social et le bien-être. Les participants ont formulé des commentaires sur les facteurs contextuels (ressources, prestation de soins, etc.) et les facteurs liés à l’équité Conclusion Cette étude a permis de faire émerger sept résultats cruciaux à prendre en compte dans les évaluations en matière de recherche et d’interventions portant sur la prescription sociale. Les recherches futures devraient porter sur la manière dont les facteurs contextuels et personnels ont une influence sur les résultats et elles devraient définir des outils précis (questionnaires, tests axés sur le rendement) pour évaluer chaque résultat. Définir quels résultats sont importants est un processus continu qui nécessite des mises à jour régulières dans la mesure où ces résultats sont susceptibles de changer en fonction de l’évolution de la prescription sociale et d’autres facteurs.

ABSTRACT Evidence-based clinical care and outcomes research are essential for developing objectively based standards of practice in prosthetic and orthotic care. Traditionally, outcome measures have been collected using paper-based methods. However, digital collection of these measures may offer several advantages. The COMET© (Clinical Outcome Measures Electronic Toolkit) mobile app was developed to facilitate the assessment of commonly used patient-reported and performance-based outcome measures in prosthetics and orthotics. The usability of the COMET app was evaluated among 15 individuals with lower limb amputation and nine clinicians using the System Usability Scale (SUS). The mean SUS score among individuals with lower limb amputation was 84 ± 12 (Grade: A; Percentile: 90–95; Adjective: Excellent; Acceptable), and the mean SUS score among the clinicians was 80 ± 14 (Grade: A-; Percentile: 85–89; Adjective: Good; Acceptable). There were no significant differences in SUS score between the two groups, indicating that the app was acceptable to both groups of participants in clinical settings.