资源匮乏地区一线临床医生对烧伤自动诊断技术的使用意愿与风险认知研究

针对资源匮乏地区烧伤诊疗资源不足的问题，研究人员通过问卷调查探究一线临床医生对自动诊断技术的使用意愿（基于自动化接受模型AAM的7个构念）及临床风险认知。结果显示73%的医生愿意采用该技术，模型解释度达R2=0.432，但风险认知存在专科差异。研究为AI技术在烧伤诊疗中的落地提供了关键用户视角。

　　

在医疗资源分布不均的全球背景下，烧伤诊疗面临严峻挑战——每年约1100万烧伤患者中，近90%来自中低收入国家，而专科医生匮乏导致误诊率高达30%。这种"医疗荒漠"现象催生了人工智能辅助诊断的需求，但技术落地始终面临"最后一公里"难题：医生是否愿意用？用了会不会更糟？

南非开普敦大学（University of Cape Town）的研究团队在《JMIR Human Factors》发表了一项开创性研究。他们巧妙选取56名非洲一线临床医生和35名烧伤专科医生，采用自动化接受模型(AAM)框架设计问卷，通过结构方程模型(SEM)分析使用意愿的影响因素，并用曼-惠特尼U检验比较两组风险认知差异。

研究采用三项关键技术：1) 基于AAM理论构建7维度量表（含行为意向、感知有用性等），通过Cronbach α检验信度；2) 偏最小二乘结构方程模型(PLS-SEM)验证8项假设；3) 非参数检验分析临床风险认知差异。所有数据均来自2019年南非烧伤学术会议的现场调查。

【研究结果】

• 使用意愿：73%一线医生愿意采用自动诊断技术，但AAM模型仅解释43.2%变异量。路径分析显示感知有用性(β=0.47)比使用态度(β=0.11)更具预测力，5/8假设成立。值得注意的是，兼容性通过双路径（β_有用性=0.31, β_易用性=0.42）间接影响使用意愿。

• 风险认知：两组医生最担忧算法漏诊复杂烧伤（29%认为高发）。但一线医生对严重烧伤漏诊（27% vs 6%）和轻伤过度治疗（23% vs 6%）的忧虑显著更高（P<0.05）。在严重性评估中，64%一线医生认为漏诊后果"重大"，远高于专科医生组的41%（P=0.02）。

• 模型缺陷：信任构念因Cronbach α=-0.658被剔除，揭示医生对AI诊断的信任机制尚未形成。焦虑情绪通过负向影响态度（β=-0.28）间接降低使用意愿。

这项研究犹如一面棱镜，折射出AI医疗落地的复杂光谱。一方面，73%的采纳率印证了"技术饥渴"现象——在撒哈拉以南非洲，每10万人口仅有0.3名烧伤专家，迫使一线医生将AI视为"救命稻草"。另一方面，风险认知的专科差异暴露出"知识鸿沟"效应：非专科医生因临床经验不足，更依赖算法却又更担心误判，这种"既期待又怕受伤害"的矛盾心理，恰是AAM模型未能捕捉的关键维度。

研究开创性地提出"临床风险感知"应作为独立构念纳入技术接受模型，这对AI产品设计具有启示意义——开发者需建立"风险可视化"机制，例如通过置信度评分显示诊断不确定性。更深远的是，该研究为WHO数字医疗战略提供了实证依据：在资源匮乏地区，AI落地不仅是技术问题，更是心理信任的构建过程。正如作者强调的，只有当算法能主动"安抚"临床医生的风险焦虑时，数字医疗才能真正跨越"最后一公里"。