计算机辅助诊断工具在喀麦隆西部宫颈癌筛查中的采纳障碍与促进因素：基于医疗提供者视角的质性研究

为解决低收入国家宫颈癌筛查中视觉醋酸染色检查(VIA)主观性强、诊断准确性不足的问题，研究人员针对计算机辅助诊断(CAD)工具在喀麦隆西部医疗机构的预采纳阶段开展质性研究。通过焦点小组访谈和个体访谈，揭示了系统易用性、数据安全、基础设施限制等关键障碍，以及提升诊断准确性、优化患者护理等促进因素。该研究为AI辅助诊断工具在资源受限地区的落地提供了实践指导，对实现宫颈癌早筛早治具有重要意义。

　　

宫颈癌是全球女性癌症死亡的主要原因之一，在低收入和中等收入国家(LMIC)尤为突出。视觉醋酸染色检查(VIA)因其成本低廉被广泛采用，但这种方法高度依赖医疗提供者(HCP)的主观判断，导致诊断准确性存在显著差异。尽管计算机辅助检测和诊断(CAD)系统有望通过标准化分析弥补这一缺陷，但在资源受限地区的实施面临诸多挑战，包括基础设施不足、数据安全顾虑以及技术采纳的文化障碍。这种"试点病"(pilotitis)现象——即数字健康工具难以超越试点阶段——亟待系统性解决方案。

针对这一现实问题，来自瑞士日内瓦大学医院与喀麦隆卫生部合作团队的研究人员，在喀麦隆西部Dschang地区开展了开创性研究。他们采用质性研究方法，通过焦点小组讨论(mFGDs)和个体深度访谈，收集了8名医疗专业人员(6名助产士和2名妇科医生)对VIA-CAD工具采纳障碍与促进因素的见解。研究基于技术采纳生命周期(TAL)理论框架，特别关注预采纳阶段的"使用前可接受性"和"初始使用接受度"两个维度。这项发表在《JMIR Cancer》的研究，为AI辅助诊断工具在资源匮乏地区的落地提供了宝贵的一线洞察。

研究团队采用三项关键技术方法：1) 基于半结构化访谈指南的质性数据收集，在3T宫颈癌筛查项目框架下对Dschang和Bafoussam地区医院的HCP进行分组访谈；2) 使用ATLAS.ti软件进行双人独立编码的内容分析法；3) 应用TAL理论模型对编码数据进行系统归类。所有流程严格遵循COREQ和SRQR报告规范，确保研究严谨性。

系统可用性挑战
研究发现智能手机在妇科检查中的固定位置限制了HCP操作灵活性。一位参与者(P6)描述道："当需要移动而宫颈未完全进入拍摄范围时，我们不得不扭曲身体完成操作"。此外，图像质量要求(如避免血液/粘液干扰)增加了操作难度，可能影响诊断准确性(P2)。

数据保密性顾虑
医疗人员对患者隐私保护表现出强烈担忧。有参与者(P8)指出："如果用私人手机拍摄，儿童可能偶然看到这些图像"，强调必须使用专用设备并限制设备流动。研究建议通过仅拍摄宫颈局部区域实现匿名化(P2)，这一发现与肯尼亚眼科mHealth研究相呼应。

工作流程改变
部分HCP担忧技术依赖可能导致临床技能退化。一位助产士(P1)直言："医生可能变得懒惰，不再独立思考诊断"。这种现象被文献称为"自动化偏倚"，与AI辅助诊断可能降低临床判断力的研究结论一致。

基础设施限制
网络连接不稳定、设备质量参差和电池续航等问题被反复提及(P8)。研究建议开发离线功能解决方案，这与乌干达创伤性脑损伤CAD研究和尼泊尔电子诊断算法研究中发现的挑战高度吻合。

患者护理改善
绝大多数参与者认可CAD工具能加速诊断流程，减少患者焦虑。一位助产士(P3)观察到："患者可以带着明确结果回家，不必等待电话通知"。此外，技术有望降低VIA的主观性，减少过度治疗(P7)，这对妊娠相关并发症的预防尤为重要。

临床验证需求
HCP强调必须通过真实环境下的性能评估建立信任，包括与传统诊断方法、组织病理学结果的对比研究。这一发现与WHO医疗设备评估指南相契合，突显了持续监测对于AI-CDS系统安全性的重要性。

培训与资源供给
参与者一致认为，全面的操作培训(P7)和专用设备(如智能手机、三脚架)配备是成功实施的关键。研究建议采用分阶段培训策略，这与泛非洲电子健康能力建设框架的建议不谋而合。

这项研究通过TAL理论透镜，系统识别了VIA-CAD工具在预采纳阶段的4类障碍和4类促进因素。研究发现，尽管技术本身设计精良，但上下文因素(如基础设施)和人为因素(如工作流程适应)共同决定了采纳成功率。特别值得注意的是，在3T项目这个资金充足、培训完善的特定环境中，文献中常见的财务约束和设备盗窃风险等障碍并未显现，这提示外部支持体系的关键作用。

研究团队建议采取三项核心策略克服"试点病"：1) 通过用户参与式设计确保技术适配本地环境；2) 建立涵盖监管、维护的全生命周期管理系统；3) 开展针对不同文化背景的阶梯式培训。这些建议与WHO医疗设备实施指南高度一致。研究还创新性地提出，信任建立机制应包含技术可解释性(explainability)要素——即让AI决策过程对临床医生透明可理解，这一观点对知识型与AI型CDS系统的融合发展具有启示意义。

该研究的独特价值在于：首次系统探索了撒哈拉以南非洲地区宫颈癌AI诊断工具的采纳影响因素；采用异质性专业背景的参与者样本(不同性别、资历的助产士和妇科医生)，确保了视角的全面性；将TAL理论创新性地应用于医疗AI领域，为后续研究提供了概念框架。尽管存在样本量有限、地域特异性等局限，但研究揭示的障碍-促进因素矩阵，为其他LMIC实施类似技术提供了可迁移的经验。未来研究可拓展至更多样化的临床环境，并纳入患者视角的互补分析，以构建更完整的技术采纳路线图。

这项来自喀麦隆西部医疗前线的实证证据表明，克服CAD工具采纳障碍需要技术适配性、系统管理和用户参与的三维协同。只有将AI解决方案深度嵌入本地医疗生态，才能真正实现宫颈癌筛查从"试点示范"到"规模应用"的跨越，最终达成WHO消除宫颈癌的全球战略目标。