Artificial intelligence in medical imaging: Utilization, challenges, and practitioner perceptions in Rwanda.
Artificial intelligence (AI) holds transformative potential for medical imaging in low-resource settings like Rwanda, where shortages of imaging professionals contribute to diagnostic delays. While global research has examined AI adoption in high-income countries, limited evidence exists for sub-Sah...
| Publicado en: | Journal of Medical Imaging & Radiation Sciences Vol. 57; no. 1 |
|---|---|
| Autores principales: | , , , , , , |
| Formato: | research Journal Article |
| Publicado: |
Elsevier B.V.
Jan2026
|
| Acceso en línea: | Ver este registro en EBSCOhost |
| fields | @attributes: recordID: 1 pdfLink: plink: https://search.ebscohost.com/login.aspx?direct=true&db=ccm&AN=190694380&site=ehost-live header: @attributes: shortDbName: ccm uiTerm: 190694380 longDbName: CINAHL Complete uiTag: AN controlInfo: bkinfo: dissinfo: jinfo: jid: 19398654 6BU7 jtl: Journal of Medical Imaging & Radiation Sciences issn: 19398654 maglogo: N pubinfo: dt: Jan2026 vid: 57 iid: 1 pid: 467 pub: Elsevier B.V. place: New York, New York artinfo: ui: 190694380 190694380 190694380 10.1016/j.jmir.2025.102127 190694380 ppct: 1 formats: tig: atl: Artificial intelligence in medical imaging: Utilization, challenges, and practitioner perceptions in Rwanda. aug: au: Mukandayisenga, Marie Tabaro, Joseph Chinene, Bornface Adam, Afodun Mecthilde, Mukangendo Turatsinze, Fils Odumeru, Emmanuel A. affil: University of Rwanda-CMHS, Department of Medical Imaging Sciences, Kigali, Rwanda sug: subj: Artificial Intelligence Utilization Image Processing, Computer Assisted Attitude of Health Personnel Evaluation Resource-Limited Settings Diagnosis, Delayed Rwanda Human Descriptive Statistics Cross Sectional Studies Questionnaires Chi Square Test Automation Sensitivity and Specificity Academic Medical Centers Health Care Costs Health Care Delivery, Integrated ab: Artificial intelligence (AI) holds transformative potential for medical imaging in low-resource settings like Rwanda, where shortages of imaging professionals contribute to diagnostic delays. While global research has examined AI adoption in high-income countries, limited evidence exists for sub-Saharan Africa. This study aimed to assess AI utilization patterns, implementation challenges, and practitioner perceptions across Rwanda's healthcare system, providing critical insights for optimizing AI integration in resource-constrained environments. A cross-sectional study was conducted from December 2024 to April 2025, surveying 107 medical imaging practitioners (74% response rate) across teaching, provincial, and district hospitals. Using a validated questionnaire, data were collected on AI utilization, implementation barriers, and practitioner attitudes. Descriptive statistics and chi-square tests analyzed patterns and associations. Automated measurements were the most widely used AI application (69.2% of practitioners), while segmentation AI was the least adopted (7.7%). Utilization disparities were stark: 71.0% of teaching hospitals used AI versus 13.1% of district hospitals. Key barriers included high costs (27.1% of respondents), system integration challenges (26.2%), and training deficiencies (44.2% across all professional ranks, p > 0.05). Despite these challenges, 86% of practitioners viewed AI positively, with 37.4% strongly agreeing it improves diagnostic accuracy. Rwanda's AI adoption in medical imaging shows promise but remains uneven, with teaching hospitals leading implementation. Systemic barriers, particularly costs, infrastructure limitations, and training gaps, must be addressed to ensure equitable expansion. The overwhelmingly positive practitioner attitudes indicate readiness for AI integration, suggesting Rwanda is poised for growth with targeted policy interventions. These findings provide a foundation for optimizing AI implementation in low-resource settings across sub-Saharan Africa. Future research should explore cost-effective scaling strategies and long-term impacts on diagnostic outcomes. L'intelligence artificielle (IA) recèle un potentiel transformateur pour l'imagerie médicale dans les pays à faibles ressources comme le Rwanda, où la pénurie de professionnels de l'imagerie contribue à retarder les diagnostics. Alors que la recherche mondiale s'est penchée sur l'adoption de l'IA dans les pays à revenu élevé, il existe peu de données sur l'Afrique subsaharienne. Cette étude visait à évaluer les modes d'utilisation de l'IA, les défis liés à sa mise en œuvre et les perceptions des praticiens dans l'ensemble du système de santé rwandais, afin de fournir des informations essentielles pour optimiser l'intégration de l'IA dans les environnements aux ressources limitées. Une étude transversale a été menée de décembre 2024 à avril 2025, auprès de 107 praticiens en imagerie médicale (taux de réponse de 74%) dans des hôpitaux universitaires, provinciaux et de district. À l'aide d'un questionnaire validé, des données ont été recueillies sur l'utilisation de l'IA, les obstacles à sa mise en œuvre et les attitudes des praticiens. Des statistiques descriptives et des tests du chi carré ont permis d'analyser les modèles et les associations. les mesures automatisées étaient l'application d'IA la plus largement utilisée (69,2% des participants), tandis que l'IA de segmentation était la moins adoptée (7,7%). Les disparités d'utilisation étaient frappantes: 71,0% des hôpitaux universitaires utilisaient l'IA, contre 13,1% des hôpitaux de district. Les principaux obstacles comprenaient les coûts élevés (27,1% des répondants), les difficultés d'intégration des systèmes (26,2%) et les lacunes en matière de formation (44,2% dans toutes les catégories professionnelles, p > 0,05). Malgré ces difficultés, 86% des praticiens avaient une opinion positive de l'IA, 37,4% d'entre eux étant tout à fait d'accord pour dire qu'elle améliore la précision du diagnostic. L'adoption de l'IA dans le domaine de l'imagerie médicale au Rwanda est prometteuse, mais reste inégale, les hôpitaux universitaires étant les chefs de file de sa mise en œuvre. Les obstacles systémiques, notamment les coûts, les limites des infrastructures et les lacunes en matière de formation, doivent être surmontés afin de garantir une expansion équitable. L'attitude extrêmement positive des praticiens indique qu'ils sont prêts à intégrer l'IA, ce qui suggère que le Rwanda est en passe de connaître une croissance grâce à des interventions politiques ciblées. Ces conclusions constituent une base pour optimiser la mise en œuvre de l'IA dans les milieux à faibles ressources en Afrique subsaharienne. Les recherches futures devraient explorer des stratégies de mise à l'échelle rentables et les impacts à long terme sur les résultats diagnostiques. pubtype: Academic Journal doctype: research Journal Article ougenre: Article language: English refInfo: holdings: @attributes: islocal: N |
|---|