AI如何重塑临床决策？医生行为改变背后的风险与机遇

《npj Mental Health Research》：Reply: Matters Arising: The importance of understanding AI’s impact on physician behavior

本刊推荐：为探究AI对初级保健精神卫生治疗中医师决策的影响，研究者通过假设情景实验发现，当AI建议采取行动（如开药或转诊）时，医生更易改变初始决策与之对齐；而当AI不建议干预时，医生更倾向于坚持自身临床判断。该研究揭示了AI输出框架对决策行为的关键影响，为优化临床AI工具设计提供实证基础。

　　

当人工智能悄然走进诊室，医生的听诊器会变得更智能还是更被动？在精神卫生领域，AI辅助诊断工具正迅速普及，但这些工具究竟如何影响医生的临床决策行为？是强化了专业判断，还是引发了不必要的决策依赖？斯坦福大学研究团队在《npj Mental Health Research》发表的最新研究，通过精巧的实验设计揭开了AI与医生决策博弈的微妙面纱。

AI推荐与决策改变的悖论

研究团队采用假设情景实验（vignette study）方法，向参与研究的医生展示两种典型临床场景：注意力缺陷多动障碍（ADHD）转诊案例和选择性5-羟色胺再摄取抑制剂（SSRI）处方案例。每个场景中，医生先基于基础信息形成初始决策，随后接收与初始判断相左的AI建议。令人惊讶的是，数据分析显示当AI明确推荐采取临床行动（如“建议转诊”或“建议处方”）时，医生改变初始决策的几率显著增加；相反，当AI建议不采取行动时，医生更倾向于坚持原有判断。

这种不对称的决策改变模式揭示了临床实践中的风险偏好差异。特别是在ADHD转诊场景中，医生对AI“建议转诊”的遵从度更高，研究者推测这可能源于转诊决策的感知风险低于直接处方行为。该发现为理解“防御性医疗”（defensive medicine）在AI时代的新表现形式提供了重要线索。

决策测量的方法论创新

针对Bernstein等学者提出的方法学疑问，研究团队详细解释了决策改变的量化方式。虽然主要结局问题采用5级李科特量表（Likert scale）测量，但为贴近临床决策的二元本质，研究者将应答结果二分处理：4-5分视为“同意治疗”，1-3分视为“不同意”。只有当医生从“同意”转为“不同意”（或反向转变）时才被记为决策改变。这种方法既捕捉了临床印象的连续性特征，又契合了实际诊疗的决策逻辑。

AI输出框架的模糊性挑战

研究还暴露了AI输出设计的关键问题。当AI将患者置于第52百分位数并描述为“平均水平”时，这种模糊表述可能引发解读差异。尽管研究主要关注治疗建议（治疗vs不治疗），但百分位数和描述符的交互作用可能引入额外变异。这提示未来AI工具需要更精细的输出框架设计，例如采用更极端的百分位数（如第20百分位以下）来增强建议明确性。

反事实推理的解决方案

为精准分离AI的影响效应，研究者建议引入结构化反事实推理提示（counterfactual reasoning prompts），例如让医生思考“如果AI不可用，我会做出什么结论”。这种设计能构建反馈循环，既促进工具的反省式使用，又有助于量化AI对决策过程的真实影响。

技术方法概要

本研究采用随机对照实验设计，通过在线平台向初级保健医师呈现标准化临床情景（vignette）。主要测量工具包括5点李科特量表的决策倾向评估和AI建议干预后的决策改变记录。采用逻辑回归分析计算比值比（OR），并针对不同情景类型（ADHD转诊/SSRI处方）进行辅助分析验证结果稳健性。

研究结果

决策改变存在场景特异性差异

在ADHD转诊场景中，当AI推荐转诊时，医生改变决策的比值比（OR）达到3.00；而当AI不推荐转诊时，OR降至0.24。在SSRI处方场景中，相应数值分别为1.57（AI推荐处方）和0.31（AI不推荐）。这表明医生对AI建议的敏感性高度依赖临床场景的风险特征。

AI建议方向决定决策对齐模式

无论场景如何，当AI建议采取行动时，医生改变决策与之对齐的倾向均显著高于AI建议不行动的情况。这种不对称性提示AI工具设计需考虑建议框架对临床决策的差异化影响。

讨论与展望

本研究通过受控实验揭示了AI建议对医师决策行为的复杂影响机制，特别是发现了决策改变对AI建议方向（行动vs不行动）的敏感度差异。这些发现对临床AI工具的负责任部署具有重要启示：首先，AI输出设计需要充分考虑其对不同风险决策的差异化影响；其次，需要建立决策反馈机制帮助医生反思AI建议的适用性；最后，医疗责任认定框架需与时俱进，避免AI工具加剧防御性医疗行为。

随着AI更深度地融入临床工作流，理解其如何重塑医患互动和决策模式变得愈发紧迫。这项研究不仅为AI辅助决策的心理机制提供了实证依据，更为构建更安全、更有效的临床AI生态系统奠定了方法论基础。未来研究需要进一步探索医生特征、患者因素和医疗环境等调节变量，以及这些发现在不同医学专科的普适性。