AI乳腺影像报告触达患者门户的意外效应：对随访行为与医疗诉讼倾向的影响分析

《npj Digital Medicine》：Accessing AI mammography reports impacts patient follow-up behaviors: the unintended consequences of including AI in patient portals

本研究针对人工智能（AI）乳腺影像报告直接向患者开放可能引发的临床与法律风险，通过随机对照实验设计，系统评估了不同AI信息呈现方式（包括异常评分、判定阈值及错误率指标）对患者随访决策、癌症担忧度、信任度及诉讼倾向的影响。结果表明，提供AI结果会显著增加患者随访需求与诉讼考虑，但同步公开错误发现率（FDR）等性能指标可有效缓解这一效应。该研究为AI在患者门户中的透明化沟通提供了关键实证依据，对优化AI辅助诊疗的临床实施策略具有重要指导意义。

　　

随着人工智能（AI）在乳腺影像领域的快速普及，AI辅助诊断工具已被美国食品药品监督管理局（FDA）批准用于筛查乳腺X线摄影（ mammography），并在病灶分诊、检测分类与密度评估中展现出显著潜力。然而，当AI生成的报告通过患者门户（patient portal）直接向患者开放时，其沟通方式可能引发一系列未预见的后果——包括患者焦虑加剧、随访行为改变乃至医疗纠纷风险上升。目前，关于如何向患者有效传达AI辅助影像结果的研究尚属空白，而这一问题在强调医疗透明与患者赋权的当代医疗环境中愈发紧迫。

为此，由布朗大学Warren Alpert医学院Elizabeth C. Song领衔的研究团队在《npj Digital Medicine》上发表了一项开创性研究，通过一项具有高生态效度的随机对照实验，系统探讨了不同AI报告呈现方式对患者心理反应与行为意向的影响。该研究聚焦于一个核心矛盾：尽管患者强烈希望获取AI生成的健康信息（95%的公众表达此意愿），但AI结果若未经妥善解读，可能反而导致信任危机与行为混乱。

为回答上述问题，研究人员招募了1,623名有乳腺X线摄影检查经验的美国英语女性，将其随机分配至13种实验条件之一。所有参与者均阅读一份BI-RADS（Breast Imaging Reporting and Data System） 1类（即“阴性”）的放射科医生报告，其中12组额外附有一份AI报告，该报告呈现四种AI异常评分（0、29、31、50）之一，并分别搭配三种信息组合：仅评分、评分+异常判定阈值（30分）、评分+阈值+相应错误率指标（FDR或FOR）。AI性能参数基于商用软件Lunit INSIGHT MMG设定，在假定乳腺癌患病率为0.57%时，FDR与FOR分别为95%与0.2%。研究通过结构化问卷测量了参与者咨询律师提起医疗诉讼（主要结局）的意愿，以及寻求二次诊断、随访影像、信任度与癌症担忧度等次要结局。

在方法学上，研究依托在线调研平台（Prolific）进行受试者招募与随机分组，采用经过临床验证的vignette（情景模拟）设计模拟患者门户环境，确保AI报告内容与实际商用系统性能一致。关键措施包括通过二项选择项评估诉讼倾向，利用Likert量表（0–100）测量信任度与担忧度变化，并设置多重理解与操纵检查题目以确保数据质量。统计分析使用SAS 9.4，基于广义线性模型与广义估计方程进行假设检验，并对p值进行错误发现率校正。

研究结果揭示出AI报告披露对患者行为的深刻影响：

诉讼倾向

当AI提示存在癌症嫌疑（评分31、50）时，患者考虑诉讼的比例从无AI对照组的39.7%最高升至60.7%。然而，当同时提供FDR（95%）这一高错误率指标时，该比例显著降至31.6%-36.8%，说明透明公开AI的不确定性可有效降低法律风险。

随访行为

AI报告的引入普遍激发了更强的随访需求。即便AI与放射科医生结论一致（评分0、29），提供阈值与FOR（0.2%）仍使寻求不同放射科医生二次意见的比例从8.3%（对照组）升至62.5%-68.0%。在AI提示异常时，该需求进一步升至70.2%-81.3%，但FDR的提供可使其回落至61.0%左右。类似趋势也出现在向原放射科医生申请复核（second look）、联系初级保健医生（PCP）以及要求更高精度影像检查（MAFI）等行为中。

信任与担忧

在所有条件下，患者对放射科医生的信任度始终高于AI。当提供FDR时，对放射科医生的信任度显著提升（如评分31条件下提升12.6分），而对AI的信任度相应下降（如降低24.8分）。同时，AI报告的披露普遍加重了患者对乳腺癌的担忧，尤其在仅提供高分AI评分时担忧度最高，而FDR的引入可显著缓解该效应。

经济因素

约三分之二参与者表示，其随访意愿高度依赖保险覆盖；若需自付费用，多数人会因经济困难而非意愿不足放弃随访，凸显了AI技术应用可能加剧医疗公平性挑战。

研究结论强调，将AI乳腺影像报告直接投放至患者门户虽符合透明化趋势，但若缺乏适当的语境解释（如明确标注FDR/FOR等错误率），可能触发非必要的随访行为、加重患者心理负担、并提高医疗诉讼风险。这一发现对制定AI结果患者沟通指南具有直接政策意义——AI输出中的“异常标志”与具体评分应伴随相应的不确定性指标，以帮助患者理解其固有误差范围。此外，研究揭示了算法厌恶（algorithm aversion）在医疗AI场景中的持续存在，以及经济障碍对患者决策的关键制约，提示未来AI实施策略需统筹考虑信息设计、法律风险与健康公平性等多维度挑战。该工作为推进“良好机器学习实践（Good Machine Learning Practice, GMLP）”在患者沟通环节的落地提供了首个行为学证据基础，也为后续探索更复杂的医患-AI互动机制开辟了道路。