编辑推荐：
这篇系统综述聚焦医疗保健专业人员对人工智能（AI）在患者护理中应用的看法。通过分析相关研究，梳理出不同层面的促进和阻碍因素，为 AI 在医疗领域的应用提供参考，有助于推动其合理实施。
引言
人工智能（AI）在医疗领域的应用愈发广泛，涵盖疾病诊断、治疗、预防等多个方面。然而，其在临床护理中的实际应用仍处于早期阶段。了解关键利益相关者，尤其是医疗保健专业人员对 AI 的看法，对于 AI 在医疗领域的成功实施至关重要。本系统综述旨在综合现有证据，探究医疗保健专业人员视角下，影响 AI 在患者护理中应用的阻碍和促进因素，并运用社会生态模型（SEM）进行分析。与以往研究不同，本综述更注重情境因素，采用 Davenport 和 Kalakota 提出的 AI 系统分类方法，且纳入了更多近期研究。
方法
- ** eligibility criteria**：遵循 2020 年 PRISMA 清单进行研究，未对纳入研究进行质量评估。纳入同行评审的英文和德文文章，这些文章需调查医疗保健专业人员对临床 AI 的看法，研究方法包括定量、定性或混合方法。排除非原发性研究、仅关注一般技术发展而非 AI 的文章，以及涉及无直接患者接触人员或混合人群且未分层报告结果的文章，同时排除综述、评论等灰色文献。
- Study selection and data extraction：2024 年 2 月 14 日在 MEDLINE via PubMed、PsychInfo 和 Web of Science 数据库进行检索，检索词围绕 AI、医疗保健专业人员和看法三个概念。检索限定为 2017 年及以后发表的原创文章，并排除综述。检索到的研究导入 Endnote 进行去重，由两名评审员筛选标题和摘要，两名独立评审员筛选全文，如有分歧通过讨论和咨询解决。数据由三名评审员独立提取，定量研究中一致性≥70% 的因素被提取，定性研究提取所有因素。
- Synthesis of results：对提取的促进和阻碍因素进行主题分析和分类。促进因素指对医疗保健专业人员在患者护理中使用 AI 的认知有积极影响的因素，阻碍因素则相反。编码策略包括初始编码、聚焦编码和理论编码三个阶段，并依据 SEM 框架将因素分类到个体、人际、机构、社区和政策五个层面。
结果
- Study selection：文献检索共获得 4499 条记录，去除 761 条重复记录和 22 条非英文或非德文记录后，对 3716 篇文章进行标题和摘要筛选，排除 3565 条记录。随后对 151 篇文章进行详细评估，其中 1 篇文章无法获取，最终 72 项研究符合纳入标准。
- Study characteristics：72 项研究涵盖多个地区的医疗保健专业人员，涉及 20 个不同医学专业，其中放射学和初级保健领域研究较多。研究方法以定量研究为主，多数研究评估 AI 工具的假设部署或基于场景的实施，且多数研究未明确 AI 类型。
- Facilitating factors
- Individual level：包括熟悉 AI、有时间试用 AI 应用、接受教育和培训、减少对工作冗余的恐惧、认为 AI 可辅助决策且用于教育目的、提高决策自信、减少重复性任务时间、提高信息管理效率、AI 易于使用等因素。
- Interpersonal level：涉及与患者沟通增强、促进医护人员团队合作与协作等方面。
- Institutional level：主要体现在改善临床决策质量、提高工作流程效率、优化临床过程、提升护理质量等，如提高诊断准确性、提供个性化治疗建议、减少工作量、保障患者安全等。
- Community level：强调 AI 应用结果应基于证据，开发过程透明，系统可解释和验证，同时领域领导者、学术团体和专家的认可也很重要。
- Policy level：包括缓解医疗人员劳动力危机、提高医疗系统成本和时间效率、改善患者就医途径、确保 AI 公平无歧视、建立明确法律框架等。
- Hindering factors
- Individual level：存在 AI 知识有限、缺乏合适教育项目、担心工作被替代、依赖 AI 导致能力丧失、与 AI 系统意见冲突、担心工作量增加等问题。
- Interpersonal level：AI 缺乏同理心和人情味，可能影响医患关系，阻碍与患者沟通，且患者对 AI 使用存在疑虑，影响依从性。
- Institutional level：AI 系统可靠性存疑，可能导致临床错误，组织准备不足，如缺乏负责人员、资金和支持，以及实施成本高等。
- Community level：医疗保健组织存在去人性化问题，商业利益引发担忧，AI 系统研发缺乏透明度，存在数据偏差和可解释性问题。
- Policy level：涉及医疗资源分配、报销模式、健康公平性、法律责任和监管政策等方面的担忧。
讨论
- Healthcare professionals：医疗保健专业人员认为 AI 可提高工作效率，但也担心过度依赖 AI 导致自身技能下降。同时，AI 知识缺乏和教育项目不足也是阻碍因素，需开发相关医学课程和增加培训机会。
- Healthcare organisations：AI 有望提高医疗组织效率，但组织需做好技术实施准备，解决结构问题，确定推动变革的关键人员，加强数字健康基础设施投资。
- Patient outcomes：AI 对患者护理质量有积极影响，但也存在风险，如无法考虑患者多样性、引发临床错误等。需要通过临床试验验证 AI 应用的有效性和安全性，确保其结果具有普遍性。
- Limitations：本综述存在一定局限性，如多数研究中 AI 在医疗环境的实际实施仍在进行，研究结果多基于无临床 AI 使用经验的人员；研究多集中在放射学和未明确的普通医学领域，难以区分不同 AI 类型的影响；仅检索了三个数据库，排除了灰色文献，可能存在发表偏倚；未对纳入研究进行质量评估；使用 SEM 框架时，某些因素的层面划分存在困难，且难以衡量各层面因素的相互影响。
结论
本系统综述表明，医疗保健专业人员总体对在医疗中采用 AI 持积极态度，但也存在诸多阻碍因素。临床 AI 的实施涉及不同社会生态维度的复杂因素，需要在多个层面采取行动，以确保 AI 在医疗领域的成功整合。研究结果可为制定 AI 实施指南提供基础，未来研究应聚焦于实际使用中的 AI，明确 AI 类型差异，并重视定性研究。
