人工智能时代中国医学生数字胜任力框架构建与实证研究

随着数字医疗技术广泛应用，医学教育面临数字化能力培养体系缺失的挑战。中国学者采用德尔菲法(Delphi)和层次分析法(AHP)，通过两轮专家咨询构建包含3大领域、9项一级指标和27项二级指标的医学生数字胜任力框架，为医学教育改革提供实践导向的评估工具，助力健康中国2030数字化医疗人才培养。

　　

在人工智能和大数据技术重塑医疗格局的今天，中国医学生正面临前所未有的数字化挑战。《健康中国2030》规划纲要虽明确要求推进医学教育数字化，但现实却存在课程体系滞后、师资短缺、城乡数字鸿沟达17.83个百分点等困境。尤其令人担忧的是，65.92%城市成人具备基础数字能力，而农村地区仅50.57%，这种差距在医学生培养中可能加剧医疗资源分布不均。当前医学信息学课程仍沿用计算机专业内容，缺乏临床针对性，导致医学生难以将数字技术转化为临床实践能力。

针对这一现状，国内某高校医学教育研究中心的研究团队在《International Journal of Medical Informatics》发表重要成果。研究人员基于胜任力理论，通过系统文献回顾初步构建评价体系，采用改良德尔菲法组织20位跨学科专家（临床医学、医疗AI、公共卫生等领域）进行两轮咨询，专家权威系数达0.81-0.82，最终运用层次分析法确定指标权重。

主要技术方法
研究整合定性与定量分析方法：1）文献分析法检索PubMed、Web of Science、CNKI等数据库建立初始指标池；2）德尔菲专家咨询法（100%应答率）达成共识（Kendall's W=0.143-0.275，p<0.05）；3）层次分析法计算三级指标权重；4）伦理审查确保研究合规性。

研究结果

专家组成分析
专家组覆盖15所院校/医院，50%具有副高以上职称，80%持有硕士以上学位，专业背景涵盖临床医学、护理学、健康信息学等8大领域，确保评价体系的临床实践导向。

框架构建
最终模型包含三大核心领域：

1. 社会价值与高阶思维：涵盖AI伦理、数据隐私保护等数字时代必备素养
2. 临床数字胜任整合：包括医疗大数据分析、AI辅助诊断工具应用等实践能力
3. 专业发展促进能力：强调持续学习数字医疗新技术的能力

讨论与结论
该研究首创性地构建了中国语境下的医学生数字胜任力"3-9-27"模型：3个维度、9个一级指标和27项可测量二级指标。相较于Young-Mee Lee团队提出的36项AI能力，本研究更突出临床场景整合，如将大型语言模型(LLM)应用纳入医学决策支持系统培训。框架不仅解决现有课程与临床需求脱节问题，还为院校提供量化评估工具——例如通过层次分析法确定"临床数据治理"权重达0.275，凸显其在数字医疗中的核心地位。

研究团队特别指出，该模型可双向应用：既指导医学院校开发横向（跨学科）与纵向（本硕博贯通）的数字课程体系，又帮助医疗机构针对性培养数字化转型人才。随着深度学习(DL)在医学影像识别、自然语言处理(NLP)在电子病历分析中的深入应用，这一框架将持续迭代更新，为健康中国战略输送具备"数字+医疗"复合能力的新时代医学生。