临床医生如何看待诊断决策中的人工智能辅助技术:混合方法方法gydF4y2Ba

介绍gydF4y2Ba

概述gydF4y2Ba

人工智能(AI)及相关技术作为支持临床医生决策的工作场所技术的一部分正在迅速发展[gydF4y2Ba1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba]。人工智能是指利用智能技术的集合在“科学和工程中的智能机器和计算部分的能力来实现世界上的目标”[gydF4y2Ba3.gydF4y2Ba]或“以最少的人为干预为智能行为建模”[gydF4y2Ba4gydF4y2Ba-gydF4y2Ba6gydF4y2Ba]。它的影响已经渗透到零售、营销和人力资源管理领域。gydF4y2Ba6gydF4y2Ba]。特别是在医疗保健领域，考虑到预测错误的风险，消费者技术协会(CTA)将医疗保健人工智能重新定义为“辅助智能”，描述为“一类支持人工智能的软件，可以‘通知’或‘驱动’患者的诊断或临床管理”，其中“医疗保健提供者在采取临床行动之前做出最终决定”[gydF4y2Ba7gydF4y2Ba]。在医疗机构的临床和管理领域，人工智能算法越来越多地嵌入到健康信息技术(hit)中，以协助临床功能，如数据监测、临床研究、诊断，并支持计费和管理任务的合规性[gydF4y2Ba8gydF4y2Ba，gydF4y2Ba9gydF4y2Ba]。因此，医疗保健领域的人工智能技术有望通过提供及时的数据分析和必要的建议来简化临床医生的临床和行政决策，从而提高医疗保健的效率和成本效益。gydF4y2Ba

特别是在卫生保健组织的临床方面，临床决策是基于主观和客观的患者信息和其他影响变量。临床决策一般是指在一定的环境中，在利益相关者、背景知识、社会和技术因素之间存在着大量的相互作用，在诊断、干预、互动和评估等多种选择中做出选择的过程[gydF4y2Ba10gydF4y2Ba]。换句话说，临床医生对患者健康结果或医疗保健诊断的决策在很大程度上受到许多因素的影响，如患者和临床医生的特质、咨询环境和所使用的技术[gydF4y2Ba11gydF4y2Ba]。在这种信息丰富的环境中，访问和管理适当和准确信息的能力对于临床医生代表患者做出决定至关重要。正如CTA的定义所反映的那样，在这种情况下，人工智能算法需要补充人类对电子病历、多媒体图像或实验室结果的认知处理。一旦成功纳入，人工智能辅助已被证明可帮助临床医生将重症监护病房外的不良事件减少44% [gydF4y2Ba12gydF4y2Ba]。gydF4y2Ba

到目前为止，关于人工智能如何在医疗评估和诊断过程中“协助”或“与临床医生合作”，人们的看法不一。一方面，人工智能允许临床医生通过患者调查自由地遵循自己的查询路径，并从患者病史、体格检查和实验室测试的问题数据库中进行选择，以做出针对患者的诊断决策[gydF4y2Ba13gydF4y2Ba]。另一方面，用临床医生自己对各种患者病例的主观诊断收集数据来训练人工智能，可能不是充分利用人工智能技术的理想方法[gydF4y2Ba14gydF4y2Ba]。事实上，也有报道说，表现不稳定[gydF4y2Ba15gydF4y2Ba]。鉴于83%的医疗机构在未来几年都制定了人工智能投资和部署战略[gydF4y2Ba16gydF4y2Ba]，特别是用于电子健康档案管理和诊断[gydF4y2Ba17gydF4y2Ba]、保健实践和培训将遵循这一趋势。然而，作为人工智能的核心用户，当前卫生保健系统中的现有卫生保健利益相关者的技术准备程度存在差异;因此，临床医生现有的整合人工智能分析结果的能力可能会阻碍利用人工智能的全部潜力。换句话说，在临床诊断过程中，护理提供者对人工智能技术的态度和积极体验可以帮助医疗机构通过提高一致性、护理质量和降低成本来获得人工智能投资的好处[gydF4y2Ba18gydF4y2Ba]。gydF4y2Ba

然而，关于临床医生是否以及如何评估人工智能在决策过程中的帮助的研究仍然有限。到目前为止，在医疗保健人工智能文献中，临床医生的临床任务表现已知受到临床任务类型和支持医疗机构内人工智能数据结构和临床整合能力的循证标准的影响[gydF4y2Ba19gydF4y2Ba]。一种专注于任务类型和医疗诊断的人工智能文献声称，人工智能算法增强了人类临床医生的能力，同时提高了事件报告的效率，减少了不良事件[gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba21gydF4y2Ba]。然而，临床医生和人工智能之间的医疗诊断任务的质量仍然存在广泛的差异[gydF4y2Ba22gydF4y2Ba-gydF4y2Ba24gydF4y2Ba]。根据关于人工智能数据结构的文献，卫生信息管理专业人员提高编码数据质量和数据模式的能力是确保与人工智能合作的最佳适应所必需的[gydF4y2Ba25gydF4y2Ba]。此外，根据有关人工智能临床整合的文献，应认识临床医生的感知，以提高人工智能的临床诊断[gydF4y2Ba21gydF4y2Ba，gydF4y2Ba26gydF4y2Ba-gydF4y2Ba29gydF4y2Ba]。gydF4y2Ba

总之，我们的文献综述显示，尽管先进的人工智能算法有可能提高医疗保健的质量和效率，但人工智能算法的关键用户是临床医生，他们的角色是理解和与人工智能沟通。尽管如此，人工智能医疗保健研究对临床医生在实际诊断决策中对人工智能辅助的态度关注有限，这可能是由于此类人工智能辅助工具尚处于起步阶段，医疗保健利益相关者对人工智能缺乏信任，以及潜在的健康相关风险。因此，迫切需要检查临床医生对人工智能辅助临床决策的态度和看法，以解决现有知识体系中的空白。gydF4y2Ba

背景与理论gydF4y2Ba

医学诊断知识理论gydF4y2Ba

临床医生的决策包括诊断或跨医学专业的高复杂性决策。诊断被视为一个“任务分类”的迭代过程，通过将患者的健康症状分解为不同的任务类别，并根据各自的假设将给定的条件与预定义的疾病类别相匹配[gydF4y2Ba30.gydF4y2Ba]。临床医生应该根据他们的知识和经验，并利用有关焦点临床情况特征的信息来预测和确定行动方案。临床诊断理论围绕着两个重要概念:临床知识和临床推理。前者是指知识的基本基础，可细分为概念性知识、战略性知识和条件性知识三大类[gydF4y2Ba31gydF4y2Ba]。后者是指假设生成、模式识别、情境制定、诊断测试解释、鉴别诊断和诊断验证的整体过程，所有这些都提供了临床问题解决的语言和方法[gydF4y2Ba31gydF4y2Ba]。一旦临床医生获得了临床知识，他们就会使用心理表征、医疗脚本或临床实例来组织这些知识，然后通过认知过程将医学信息转化为每种情况下可测试的假设，并评估他们自己的临床推理以进行临床诊断[gydF4y2Ba32gydF4y2Ba]。具体来说，临床诊断的概念框架包括“假设-演绎模型”(即从患者提供的初步信息中产生多个相互竞争的假设)、决策分析、模式识别和直觉[gydF4y2Ba33gydF4y2Ba]。在这一过程中，临床医生如何将患者病例与已知模式相匹配，并在众多治疗方案中关注复杂的患者信息，这是存在的挑战[gydF4y2Ba33gydF4y2Ba]。总之，典型的临床决策过程包括对情境特征的快速处理，对相关假设的评估，以及一系列的调查和治疗[gydF4y2Ba30.gydF4y2Ba]。gydF4y2Ba

人工智能算法的广义任务分类、模式识别和匹配不能完全支持个体临床医生的这种临床推理[gydF4y2Ba34gydF4y2Ba]。通过对医学图像、幻灯片和图表的简单解释，以及对数据集中复杂关系时间序列模式的检测，目前的人工智能水平在临床知识创造方面表现良好[gydF4y2Ba35gydF4y2Ba，gydF4y2Ba36gydF4y2Ba]。用于临床推理的人工智能算法(即IBM沃森、聊天机器人到智能手机应用程序)被认为是诊断、提供患者咨询和检测某些医学症状的决策支持工具[gydF4y2Ba26gydF4y2Ba]。gydF4y2Ba

在他的书中gydF4y2Ba深医学gydF4y2Ba，埃里克·托波尔[gydF4y2Ba37gydF4y2Ba强调了人工智能作为增强智能在临床诊断中的作用:通过特征选择、任务分类和模式识别形成的一些临床知识可以通过人工智能帮助临床医生通过做出临床诊断来进行临床推理。临床诊断是一个高度复杂的决策，需要基于使用特殊患者数据和基于阈值的决策规则的信息查询。如果没有明确的决策阈值规则，人工智能可能无法完全处理和分析特殊病例和患者不准确的描述;同样，它也可能无法纳入诊断的复杂性并预测患者的不良状况[gydF4y2Ba35gydF4y2Ba]。因此，人工智能在临床推理或临床诊断中的作用有望更具辅助性，临床医生应与人工智能进行良好的沟通，以防止临床推理对患者健康结果产生不利影响。gydF4y2Ba

人工智能技术在实践和仿真中的应用gydF4y2Ba

在实践和模拟中，临床医生是这种“辅助”人工智能的用户或合作者，这取决于在环境中定义的这些技术的程度和范围。换句话说，AI可以引用嵌入在现有hit中的算法或作为独立软件新实现的整体技术工件。因此，人工智能的使用在实践中不再局限于特定的hit。临床医生可能无意中通过系统接口和医学系统中嵌入的人工智能决策逻辑遇到各种人工智能技术。由于人工智能在医疗保健中的定义如此混杂[gydF4y2Ba38gydF4y2Ba]，在之前的研究中，人工智能辅助诊断的效果好坏参半。当临床医生信任并期望人工智能的表现时，预期会有积极的表现[gydF4y2Ba21gydF4y2Ba]，而由人工智能算法驱动的信息过载可能导致情景感知的丧失，从而对临床医生的决策能力产生负面影响[gydF4y2Ba35gydF4y2Ba]。此外，患者认为临床医生更值得信任[gydF4y2Ba26gydF4y2Ba人工智能算法可能无法有效诊断特殊病例。因此，临床医生需要使用人工智能进行诊断并与患者沟通，至少在一段时间内是这样。临床医生在人工智能技术的支持下进行临床诊断的方式，以及对这种诊断决策的理解，值得进一步研究。gydF4y2Ba

不像这些实际的限制，临床医生的医疗保健诊断行为的观察和评估已经在更安全的模拟环境中诱导行为改变的方法。由于在临床保健培训中学到的知识与在临床实践中可能进行的工作有关[gydF4y2Ba35gydF4y2Ba]和类似的技术跨越实践和模拟环境[gydF4y2Ba39gydF4y2Ba]，临床医生对人工智能的态度和表现进行了研究，并通过他们使用模拟人工智能进行了预测[gydF4y2Ba40gydF4y2Ba]。因此，人们可以检查临床医生在模拟中使用和熟悉人工智能的方式，并推断他们在实践中的行为。gydF4y2Ba

鉴于临床医生的行为和使用这项技术的准备可以从模拟经验中预测[gydF4y2Ba39gydF4y2Ba]，我们转向临床诊断模拟的环境——临床医生已经熟悉了人工智能——并在安全可控的环境中评估他们的决策。随后，我们研究了临床医生是否以及如何感知人工智能的帮助，以及他们的感知与其他非基于人工智能的诊断情况有何不同。gydF4y2Ba

综上所述，在模拟环境中，本研究探索了用户使用人工智能进行患者诊断的详细体验，并检查了人工智能辅助对诊断性能的影响。因此，我们制定了以下研究问题，以阐明临床医生对人工智能辅助患者诊断的态度和行为特征:gydF4y2Ba

• 研究问题1。在患者诊断过程中，临床医生对人工智能辅助的看法是什么?他们的看法与其他非人工智能诊断情况有何不同?gydF4y2Ba
• 研究问题2。当前的人工智能辅助如何影响临床医生对增强诊断和未来护理任务绩效的看法?gydF4y2Ba

方法gydF4y2Ba

调查过程gydF4y2Ba

为此，我们的目标人群是具有使用基于人工智能的诊断技术进行患者诊断经验的临床医生，以了解临床医生在受控和安全的环境下对人工智能辅助诊断的看法，在这种环境下，患者护理不会受到潜在不正确的人工智能算法的影响。我们招募了符合上述要求的临床医生，并在护理模拟实验室使用基于人工智能的诊断技术，对患者进行现场模拟。我们访问了3组家庭执业护士(FNP)学生，他们在实验室中体验了3种患者诊断模拟:遇到活的标准患者，遇到使用多媒体患者信息的AI辅助诊断患者，以及遇到患者模拟器(即逼真的人体模型患者)。然后，每位合格的参与者都将获得5美元的亚马逊礼品卡，以奖励他们的完成情况和回答质量。因此，144名临床医生被选中并邀请参加在线模拟调查。gydF4y2Ba

在护理学院的模拟实验室中，人工智能诊断技术已用于现场课程，教师和学生合作完成虚拟患者病例和家庭诊断决策[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba41gydF4y2Ba，gydF4y2Ba42gydF4y2Ba]。在我们的大学，在人工智能系统开发人员实施了焦点人工智能技术并对研究生护理教师进行了技术培训之后，在成功的上线事件之后，该技术随后被整合为学生临床模拟的一部分。该软件基于专家和人工智能汇编的数百名实际患者的数据，并基于生理学算法[gydF4y2Ba13gydF4y2Ba]。在课程的最后一年特别强调使用该系统，以促进临床诊断技能的培养和实践。gydF4y2Ba

这种交互式人工智能结合了人类和人工智能生理算法的智能，使得系统另一端的评估人员可以识别临床诊断过程中特定用户所展示的任何模式。临床医生会体验到AI的一些技术特征，如搜索能力、知识表达功能、推理能力、抽象能力、语音识别能力、模糊临床信息处理能力等[gydF4y2Ba13gydF4y2Ba]。在我们的研究中，FNP教师将推理能力嵌入到人工智能诊断技术中，这样参与者就可以在人工智能的帮助下做出诊断决策，并在完成每个病例后获得反馈。gydF4y2Ba

调查工具gydF4y2Ba

我们的在线模拟调查由两部分组成:调查工具和开放式模拟问题。首先，对于调查工具，每位临床医生使用7分李克特量表报告了他们对人工智能辅助的感知，以及对患者诊断和整体临床任务的感知表现，范围从“非常不同意”(1)到“非常同意”(7)。gydF4y2Ba表1gydF4y2Ba介绍了来自现有信息系统(IS)文献的主要调查项目。gydF4y2Ba

如图所示gydF4y2Ba表1gydF4y2Ba，我们的研究有两个因变量。一个是诊断绩效，我们将其定义为亲自或通过在线或远程医疗平台提供医疗保健咨询和正确诊断健康相关问题的能力[gydF4y2Ba3.gydF4y2Ba]。我们将临床医生的诊断能力在虚拟环境中情境化和操作化(平均值5.39，标准差0.13)[gydF4y2Ba30.gydF4y2Ba]。另一个因变量是临床任务表现，其调查项目改编自IS文献(平均值5.48，标准差0.12)[gydF4y2Ba43gydF4y2Ba]。gydF4y2Ba

我们纳入了个人技术特征和人口特征的控制变量。一方面，个人技术特征是通过个人技术进步水平来衡量的，例如个人创新能力[gydF4y2Ba44gydF4y2Ba]，技术习惯[gydF4y2Ba45gydF4y2Ba]和电脑知识[gydF4y2Ba46gydF4y2Ba]。在IS文献中，个人创新和计算机素养在解释个人用户的技术采用行为方面是突出的。在此，我们将个人创新定义为“个人尝试任何新资讯科技的意愿”[gydF4y2Ba1gydF4y2Ba]，而电脑知识则是“对临床医生使用电脑能力的判断”[gydF4y2Ba6gydF4y2Ba]。我们还纳入了技术习惯来控制参与者对使用人工智能诊断技术的潜在自动反应，包括社交媒体平台上的多媒体信息和类似的人工智能算法[gydF4y2Ba47gydF4y2Ba]。最后，参与者的人口统计学特征，如自我认同的性别、年龄、收入、教育程度和职业，都被纳入调查，以控制潜在的混杂效应。gydF4y2Ba

接下来，在列出开放式模拟问题的部分，每位临床医生被要求描述他们在三种不同诊断模式下的患者诊断经验:诊断活体患者，诊断类人人体模型，以及使用人工智能辅助的基于人工智能的诊断模拟。在三个模拟提示中，参与者被要求回忆他们在学期中完成的病例，并使用关键词或关键短语写下评论。例如，特别是对于AI案例，场景提示符如下所示gydF4y2Ba文本框1gydF4y2Ba．在阅读这个提示之后，参与者在2个开放式问题中使用关键字或关键短语描述“最喜欢”和“最不喜欢”的诊断经历。每位临床医生的6次诊断遭遇被记录为文本叙述，以及患者诊断的3种不同模拟背景。gydF4y2Ba

研究设计gydF4y2Ba

利用临床医生从我们的在线模拟调查中获得的定量和定性反应，我们使用混合方法来分析我们的混合数据。据克雷斯韦尔说[gydF4y2Ba48gydF4y2Ba克雷斯韦尔和克拉克[gydF4y2Ba49gydF4y2Ba]，混合方法研究“结合定性和定量数据来解决复杂的研究问题和假设，它适用于解释什么(即，估计人口中参与者行为的总体趋势)和获得对原因的深入理解(即，子样本中的特定个人行为)。”这种方法对于探索上下文特定变量和通过使用因果模型深入研究潜在机制而超越研究变量的重要性的理解特别有用。gydF4y2Ba

混合方法研究包括顺序设计和并行设计，前者可以按顺序收集定性和定量数据，后者可以同时获得两种类型的数据[gydF4y2Ba50gydF4y2Ba]。基于对定性或定量数据的重要性、分析过程和理论重点的强调，每个类别都有一个特定的设计类型(参见Castro等人)。gydF4y2Ba50gydF4y2Ba]以深入讨论混合方法研究的设计)。我们采用了并发三角测量设计，因为定量和定性数据是同时收集的，这些数据用于准确描述和检查临床医生对人工智能辅助临床决策的经验和感受[gydF4y2Ba50gydF4y2Ba]。gydF4y2Ba

统计分析gydF4y2Ba

我们利用自然语言理解(NLU)和层次线性建模(HLM)对定性和定量数据进行了分析。关于第一个研究问题——捕捉临床医生在3例患者诊断模拟中的各自情绪——我们分析了文本叙述，以了解临床医生在与人工智能合作时对诊断过程的看法，并将其与使用非人工智能的诊断情况进行了比较。文本注释由单句或少量关键词组成。为了整合这些数据特征，我们认为NLU作为计算机科学的一个子领域，是一种适当的方法，基于其明确关注使用计算技术来学习、理解和产生人类语言内容，许多信息技术公司，如微软、谷歌和IBM，已经开发了NLU平台和算法[gydF4y2Ba51gydF4y2Ba，gydF4y2Ba52gydF4y2Ba]。我们使用IBM Watson自然语言理解-77来获得众所周知的性能和交叉评估结果。理解每个参与者的语言内容比传统的文本挖掘分析更合适[gydF4y2Ba52gydF4y2Ba-gydF4y2Ba54gydF4y2Ba]。gydF4y2Ba

接下来，对于定量数据分析，我们实施HLM估计技术来回答第二个研究问题-测量当前形式的人工智能辅助对临床医生诊断决策和护理任务绩效的影响。在我们的数据中，每个临床医生的临床诊断经验都嵌套在程序中。换句话说，在相同的研究生课程中，每个参与者都暴露于具有3种模式的相同患者诊断模拟集，并重复报告他们对3种诊断模拟的反应。这种情况可能导致各回应之间的统计依赖[gydF4y2Ba55gydF4y2Ba]。此外，在研究模型中，结果变量(即临床诊断)处于个体水平，人工智能辅助变量处于群体水平(或护理研究生项目)，导致同一研究模型中存在多层次的研究项目[gydF4y2Ba21gydF4y2Ba]。为了减轻这种依赖性并估计这个多层模型，我们使用STATA 16.1 (StataCorp, College Station, TX) xtmixed程序，使用限制最大似然或剩余最大似然估计进行广义线性建模。xtmix程序拟合线性混合模型，其中包括固定(或标准回归系数)和随机效应，这些效应不是直接估计的，而是通过方差分量估计的。默认的协方差结构是独立协方差。我们还指定了其他协方差结构(例如，可交换和非结构化)来验证我们的混合模型结果(参见[gydF4y2Ba56gydF4y2Ba]以深入讨论混合模型和协方差结构)。gydF4y2Ba

结果gydF4y2Ba

我们探讨了临床医生对人工智能在患者诊断研究中的帮助的看法和表现前景。这些关系和情绪是由广义线性模型的结果以及定性文本分析与直接引用卫生保健工作者的样本证明。gydF4y2Ba

用户数据gydF4y2Ba

在2020-2021年研究期间，共有114名临床医生完成了我们的在线调查(响应率:114/144,79.2%)。总体而言，66.7%(76/114)的参与者年龄在26 - 40岁之间，49.1%(56/114)为白人，84.2%(96/114)为女性。此外，89.5%(102/114)在医院或诊所全职或兼职工作。在教育程度方面，24.6%(28/114)的参与者具有研究生学位，而所有参与者在参加研究生课程之前都获得了护理学士学位，并有临床经验，见gydF4y2Ba表2gydF4y2Ba．gydF4y2Ba

研究问题1:情感分析结果gydF4y2Ba

为了确定临床医生对人工智能辅助的看法，我们比较了临床医生对人工智能辅助诊断和非人工智能诊断环境的看法。gydF4y2Ba表3gydF4y2Ba在我们的数据集中展示了一些叙述性的例子，其中临床医生在人工智能辅助技术的帮助下，用一个活生生的人类患者和一个类似人类的人体模型/患者模拟器描述了他们对患者诊断过程的喜欢和不喜欢。gydF4y2Ba

NLU分析的结果见gydF4y2Ba表4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba,gydF4y2Ba6gydF4y2Ba．我们发现临床医生在3个模拟病例中对患者诊断经验的感知不同。在诊断过程中，对活体患者的积极情绪得分为0.99，对与人工智能辅助合作的积极情绪得分为0.92，对患者模拟器的积极情绪得分为0.41。相反，患者模拟器的负面情绪得分最高(情绪得分为-1)，其次是活体患者(情绪得分为-0.97)和人工智能辅助(情绪得分为-0.87)。具体来说，我们的受访者认为，与诊断活体患者相比，使用人工智能技术进行诊断模拟的负面影响更小，积极程度更高。gydF4y2Ba表4gydF4y2Ba报告所有三种情况的正面和负面情绪得分，得分范围从-1到1。gydF4y2Ba

表5gydF4y2Ba和gydF4y2Ba6gydF4y2Ba从三个模拟案例的文本叙述中给出最相关的关键词。受访者认为基于人工智能的诊断模拟有以下积极的原因:“方便的访问”、“全面的评估技能”、“学生互动的便利性”、“互动学习的基本原理”、“良好的学习机会”和“广泛的问题”。与此同时，他们还认为基于人工智能的诊断模拟包含“长系统”、“严格的敏感点击”、“鉴别诊断”、“大学习曲线”和“技术难点”，是一个“硬系统”。这些关键词表明，目前的人工智能辅助形式可能会导致与临床医生自身逻辑和假设相关的鉴别诊断逻辑，技术上的困难可能会导致用户对该技术产生反感。gydF4y2Ba

定量方法:混合模型结果gydF4y2Ba

表7gydF4y2Ba从多层混合效应模型中展示了我们对第二个研究问题——人工智能辅助对临床医生临床诊断和护理绩效的影响——的研究结果。模型1和模型2分别报告了诊断绩效和临床任务绩效这两个因变量的结果，其中自变量是人工智能辅助的经验(二进制)。就个人水平的协变量而言，除了人口统计协变量外，社交媒体使用、个人创新能力和计算机素养也被纳入个人技术特征。将HLM结果与具有聚类标准误差的基线普通最小二乘模型进行比较。人工智能辅助的效果在解释增强临床诊断的差异方面没有统计学意义。相反，教育程度和年龄与临床医生的整体实践经验相关，与临床诊断呈正相关。混合模型结果定性一致，但协方差结构不同。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

这项混合方法研究旨在探索临床医生中人工智能辅助决策模式的现状，并详细了解这种人工智能-人类协作和决策的新方法在未来如何取得进展。定性方法的结果显示，临床医生对人工智能支持下的诊断过程的描述比自己遇到活生生的病人更积极。尽管如此，受访者的关键词显示，人工智能帮助阻碍了临床医生根据他们的临床推理制定自己的主观诊断，临床医生的主要抱怨与人工智能算法中的一些步骤有关。此外，我们的定量结果显示，临床医生对其临床诊断能力的看法既不能表明人工智能辅助的当前水平，也不能提高他们的护理任务绩效。参与者认为他们的gydF4y2Ba事前gydF4y2Ba素质和能力，如教育、年龄和日常技术习惯，与提高他们的护理任务表现更相关。gydF4y2Ba

与前期工作比较gydF4y2Ba

我们期望我们的研究对现有的IS和卫生保健文献做出两项重要贡献。首先，我们从临床医生文本评论中的关键词中发现，临床医生对人工智能的帮助持积极态度。然而，目前的人工智能界面可能与他们的临床推理过程不一致，因此，这种人工智能界面问题可能会对临床医生对人工智能是否可以作为团队成员与他们合作的看法产生负面影响。临床关键词，如“长系统”、“严格敏感点击”、“鉴别诊断”、“大学习曲线”、“技术难点”和“硬系统”，显示了人机交互(HCI)问题。换句话说，这种现象可以与人工智能研究中的用户界面主题和可解释或可理解的案例场景联系起来。关于HCI的研究通常通过考虑设计和与用户界面交互的原则、指导方针和策略来关注技术对用户的影响[gydF4y2Ba57gydF4y2Ba]。人工智能(或从HCI角度来看的人工智能)设计方面的重要性在医疗保健中更为明显，因为利益相关者在设计阶段的积极参与可以促进重点技术的利用和意义，并增加人工智能实施的好处[gydF4y2Ba58gydF4y2Ba，gydF4y2Ba59gydF4y2Ba]。关于机器学习-人类交互的研究强调了人工智能使用中的“以人为本”，这样人类和机器就可以作为一个团队整合或一起工作[gydF4y2Ba60gydF4y2Ba]。要做到这一点，人工智能必须是可解释的、可理解的、有用的，并且在使用场景中对临床医生可用，无论是在实践中还是在模拟中。gydF4y2Ba

然而，也存在一些挑战。首先，将快速发展的机器学习技术整合到常见的用户体验设计中，在现实场景中受到环境、法律和法规的限制[gydF4y2Ba57gydF4y2Ba]。第二，在不确定的情况下，人工智能生成的自动推理和功能会产生意想不到的后果[gydF4y2Ba61gydF4y2Ba因此，在出现假阳性或假阴性的情况下，基于人工智能的决策会对临床医生的护理任务绩效和患者的健康结果产生负面影响[gydF4y2Ba57gydF4y2Ba]。从临床医生的角度来看，在当前人工智能算法的发展下，病例场景或过程逻辑可能是临床医生面临的主要界面。然而，我们也表明，人工智能算法的复杂性可能会扰乱临床医生的患者诊断决策，因为临床医生可能不了解如何访问人工智能的完整功能和能力[gydF4y2Ba36gydF4y2Ba]。因此，基于之前的文献和本文中当前的证据，我们的研究结果呼吁更多地关注HCI问题，积极让最终用户参与系统开发过程，并为他们提供足够的教育，以便在人工智能的帮助下共同创建有效的决策场景。gydF4y2Ba

另一方面，我们实证量化了人工智能对临床医生决策的影响，并探讨了它是否可以作为提高临床诊断能力和整体健康任务绩效的一个因素。我们的研究结果表明，尽管临床医生在更安全的模拟中与人工智能算法进行了互动，但人工智能辅助对临床医生的诊断决策的影响要么是负面的，要么是不存在的。相反，临床医生gydF4y2Ba事前gydF4y2Ba个人特征，即教育程度和年龄，与增强的结果呈正相关。这一发现与现有的认识相一致，即培训年限、专业背景和教育背景会影响诊断表现[gydF4y2Ba62gydF4y2Ba]。此外，我们发现人工智能协助与临床医生对任务表现的看法呈负相关。这可能是由于一线医护人员对人工智能的信任。gydF4y2Ba14gydF4y2Ba]或实施问题[gydF4y2Ba63gydF4y2Ba在医疗保健方面。在未来的研究中，有必要重新审视我们的研究模型，以确定人工智能的特定因素，并测试对临床医生人工智能使用绩效的下游影响。gydF4y2Ba

此外，我们发现临床医生gydF4y2Ba事前gydF4y2Ba技术特征在统计学上与临床决策相关。首先，我们发现技术习惯与临床诊断和卫生保健任务绩效呈正相关。在这项研究中，我们将技术习惯视为社交媒体习惯。临床医生使用的社交媒体技术可能将人工智能算法和技术嵌入到非医疗保健环境中[gydF4y2Ba64gydF4y2Ba]。每天处理和访问基于多媒体的信息可能有助于临床医生在人工智能平台上管理基于多媒体的患者信息。其次，我们发现计算机素养与人工智能辅助下的整体医疗保健任务表现呈负相关。在卫生保健领域，临床医生的文化水平因环境而异，如信息[gydF4y2Ba65gydF4y2Ba]，健康[gydF4y2Ba66gydF4y2Ba]， YouTube [gydF4y2Ba67gydF4y2Ba]、资讯工具[gydF4y2Ba68gydF4y2Ba]和电脑[gydF4y2Ba69gydF4y2Ba]。特别是，电脑知识的概念很广泛，包括硬件和软件[gydF4y2Ba69gydF4y2Ba]、资讯工具(例如决策支援系统)、手提装置[gydF4y2Ba68gydF4y2Ba]、计算机统计分析、数据库、演示图形、电子表格应用程序和书目数据库搜索的循证实践[gydF4y2Ba70gydF4y2Ba]。这种扫盲措施与了解重点工具或在卫生保健环境中解释卫生信息有关。与此同时，计算机素养的新概念已经出现，被称为“数字素养”，或者是在技术饱和的文化中蓬勃发展所必需的知识、技能和能力的综合。gydF4y2Ba71gydF4y2Ba];它包括通过视觉、电子和数字形式的表达和交流的各种形式的读写能力[gydF4y2Ba72gydF4y2Ba]。在手术中使用三维虚拟图像或在病理实验室中使用虚拟现实护目镜[gydF4y2Ba73gydF4y2Ba]或医生与专业演员在Zoom上进行医疗即兴表演的匹配[gydF4y2Ba74gydF4y2Ba]是临床医生应该具备的计算机知识的充分例子。因此，有必要在人工智能使用领域重新定义和语境化计算机素养的定义，并在实践和培训中积极教育临床医生。gydF4y2Ba

本研究的发现具有多种实际意义。通过明确关注临床医生的人工智能辅助决策，我们发现他们对人工智能提供的诊断逻辑和系统功能的理解可能对医疗保健工作人员构成挑战。我们的发现与美国国家医学院最近的一份报告一致[gydF4y2Ba75gydF4y2Ba]，强调了"增强智能"，强调人工智能在为临床医生、患者和其他相关专业人员等医疗保健多方利益攸关方提供数据综合、解释和决策方面的支持作用。为了让临床医生为这种变化做好准备，报告建议，他们的培训应包括如何为新的和现有的专业人员适当地评估和使用人工智能产品和服务的教育计划[gydF4y2Ba75gydF4y2Ba]。gydF4y2Ba

此外，为了防止人工智能算法生成简化的决策计划，医疗保健提供者应参与患者诊断的案例场景，以提高人工智能算法的有效性[gydF4y2Ba36gydF4y2Ba]。在讨论中，很大程度上被忽视的是，需要缩小实践和临床培训之间的差距，以提高对人工智能的理解。人工智能的开发人员需要考虑临床医生目前在实践和模拟中接触技术的水平，然后设计以临床医生为中心的算法和界面。实现人类与人工智能协同医疗的目标[gydF4y2Ba76gydF4y2Ba]，除了让临床医生参与临床人工智能算法的开发之外，这些算法及其界面应该更加以人为本。必须对人工智能在实践和培训中做出的诊断进行评估，以缩小卫生保健工作人员在使用人工智能方面的理论与实践之间的差距。这可以通过从不同学科的临床医生那里收集行为大数据来实现，以帮助人工智能算法与人类在临床诊断中使用的独特的主观推理模式保持一致。gydF4y2Ba

限制gydF4y2Ba

与所有的研究一样，这项研究并非没有局限性，其结果应谨慎解读。首先，我们对目标人群采用了有目的的抽样技术。由于我们的目标受众是在各种情况下具有临床诊断经验的个人，因此我们将FNP学生作为我们的样本。因此，回复率相对较低，数据中缺失值普遍存在。未来的研究可能会受益于增加样本量，以更深入地比较组间差异。虽然我们的样本代表了本研究的目标人群，但在全国范围内抽样将有利于推广本研究的结果。其次，我们的AI变量被操作为二元(1:AI协助;0:否则)。未来的研究可能会考虑一个调查结构，其中的项目可以捕捉到研究模型中多媒体技术变量的丰富特征。最后，由于我们的结果来自于人工智能诊断技术的使用，我们的结果可能无法推广到其他类型的人工智能或其他临床决策类别。gydF4y2Ba

结论gydF4y2Ba

为了与最近对医疗保健中人工智能辅助决策的兴趣和期望保持一致，作为第一步，我们的研究利用情感分析和混合方法设计探索了临床医生对人工智能辅助的看法和他们的看法。我们的研究结果表明，虽然人工智能辅助在增强临床决策方面存在负面影响或不存在影响，但临床医生在决策过程中对人工智能辅助持积极态度，这与他们与实际患者的接触相当。鉴于这种潜力，我们建议医疗保健领导者、政策制定者和人工智能开发人员需要收集临床医生的行为数据，并重新审视人工智能的设计和用户界面，使其更加以临床医生为中心和协作。gydF4y2Ba