《Integrative Medicine Research》：Perceptions, acceptance, and concerns for AI adoption among Chinese Medicine Practitioners in Asia: a practitioner-based survey study
编辑推荐：
背景：人工智能（AI）在中医学（CM）中的潜在应用研究日益增多，但中医从业者（CMPs）对其临床效用所持信念、接受度、信任与感知风险仍知之甚少。
方法：研究人员在亚洲CMPs中开展结构化调查，评估在症状识别、辨证、治疗计划和干预四个应用领域中对AI的信念、接
背景：人工智能（AI）在中医学（CM）中的潜在应用研究日益增多，但中医从业者（CMPs）对其临床效用所持信念、接受度、信任与感知风险仍知之甚少。
方法：研究人员在亚洲CMPs中开展结构化调查，评估在症状识别、辨证、治疗计划和干预四个应用领域中对AI的信念、接受度、信任和感知风险。数据预处理包括主成分分析（PCA）。采用Mann–Whitney U检验进行亚组分析，并以小提琴图可视化。构建普通最小二乘（OLS）回归模型以评估信念、接受度、信任和感知风险之间的关系。
结果：共调查490人，分析400份有效应答。受访者平均年龄37.0岁（SD=9.2），女性略占多数（55.5%）。56.0%报告既往使用过AI，93.5%报告熟悉AI。基于情景的分析显示，当AI应用于中医特异性临床干预情景时，信念、接受度和信任较低。未观察到基于从业年限的资历差异，而是在临床角色和工作场所方面存在差异。对AI的熟悉度和既往使用与更高的信念、接受度和信任强相关。回归分析显示，信念与接受度强相关（β = 0.50–0.73），接受度与信任强相关（β = 0.77–0.96），而感知风险影响极小。
结论：总体而言，对AI的信任似乎与由积极信念塑造的接受度相关，而非与风险感知相关；因此，这凸显了通过培训和教育支持AI在中医学中实施的必要性。
论文主体解读
研究背景：近年来，人工智能（AI）在中医学（CM）诊断、治疗和中药研究中的应用不断增加，包括舌面图像分析辅助辨证、脉诊机器学习模型、AI辅助穴位选择与推拿治疗，以及网络药理学和化合物筛选等。尽管AI在CM研究和临床实践中的潜在价值受到关注，但其整合仍面临挑战。关键问题之一在于中医从业者（CMPs）对AI采纳的认知和态度；AI辅助临床决策支持系统（AI-CDSS）的效果与从业者接受度及其融入临床工作流程密切相关。CM诊断强调个体化辨证和因人而异的健康需求，使AI-CDSS整合更为复杂，同时还需考虑人口学特征和计算机素养等因素。既往研究虽探讨了物联网健康设备、胃肠病学AI应用中的信任、接受与风险感知，但针对亚洲CMPs在多种CM临床情景下对AI的信念、接受度、信任和感知风险的综合评估仍有限。因此，研究人员开展本研究，以评估亚洲CMPs对AI在CM相关临床情景中的总体观点，考察人口学因素对这些认知的影响，并建立模型理解信念、接受度、信任和感知风险之间的关系。
关键技术方法：本研究为2024年11月至12月开展的在线结构化调查，采用便利抽样纳入亚洲持牌CMPs，纳入标准为21–70岁、能以英文和/或中文读写；共调查490人，最终分析400份有效应答。问卷基于Goh等验证工具并源自期望价值框架、计划行为理论和技术接受模型，设置症状识别、辨证与诊断、CM治疗计划设计、CM干预实施四个临床情景，多数条目采用7点Likert量表，Cronbach’s alpha为.911，并设置注意力检查。数据分析使用Python，包括PCA探索性分析、KNN插补（k=5）、Mann–Whitney U检验或Wilcoxon符号秩检验、Benjamini–Hochberg（BH）校正控制错误发现率（FDR）、Bonferroni校正阈值.002及OLS回归。
研究结果：
3.1 基线特征：调查收到490份应答，排除90份后纳入400份分析，排除原因包括未通过注意力检查、非亚洲地区及年龄不符合要求。受访者平均年龄37.0岁（SD=9.2），平均临床经验10.1年（SD=8.3），女性占55.5%；中国内地占60.5%，新加坡占15.75%，香港特别行政区占14.25%等；56.00%来自公立医院，角色以TCM physician为主（43.75%），专科以内科为主（49.25%）。通过基线描述，研究显示样本覆盖亚洲多个地区、机构类型和临床角色。
3.2 总体认知构念：通过描述性均值分析，CMPs对AI在CM实践中的期望总体积极，尤其是减少错误（均值=5.40）、提高诊断效率（均值=5.34）和支持更及时的患者照护（均值=5.30）；同时对算法透明性（均值=3.68）和学习使用AI技术的难度（均值=3.32）存在中等顾虑。CMPs多将AI视为支持工具而非替代者，对AI最终替代临床医生（均值=2.21）、给患者带来心理伤害（均值=2.96）和妨碍医患关系（均值=3.21）的担忧较低；但强调AI输出用于临床前需适当验证（均值=4.87）和许可（均值=4.77）。责任方面，CMPs认同开发者应承担共同责任（均值=5.37），临床医生仍承担最终责任（均值=5.76），患者应被告知（均值=6.01）并同意（均值=5.61）。AI采纳决策主要受AI测试结果证据（均值=7.46）、实施成本（均值=7.25）和机构领导（均值=7.18）驱动；健康采纳与工作流程效率（均值=5.85）、结果可重复（均值=5.84）、减少医生疲劳（均值=5.72）和降低医疗法律风险（均值=5.50）相关。由此得出，CMPs总体态度积极，但仍关注透明性、学习负担、验证监管和责任归属。
3.3 基于情景的差异：通过基于四个CM相关临床情景的分布分析和配对Wilcoxon符号秩检验，CMPs在症状识别、辨证、治疗计划和干预四个情景中的感知风险相似；但信念、接受度和信任在CM相关临床干预情景中持续较低。研究据此得出，AI应用于更接近患者干预和安全的CM临床情景时，CMPs更为谨慎。
3.4 亚组分析：通过Mann–Whitney U检验、Wilcoxon检验及BH校正，并以小提琴图展示，亚组分析显示人口学和职业特征与部分AI认知差异相关，但模式并不统一。性别差异主要见于信任，男性CMPs在症状、辨证、治疗计划和干预四个领域均报告更高信任，而信念和风险感知在两性间大体相似。年龄和工作经验主要与风险感知差异相关，尤其在治疗计划和干预领域，对信念、接受度和信任影响有限。工作场所、专业角色和国家或地区显示更多情景特异性差异，尤其在治疗计划和干预领域的接受度和信任方面。相反，AI熟悉度和既往AI使用与积极AI认知一致相关；熟悉或曾使用AI的CMPs在四个领域中通常报告显著更高的接受度和信任，风险感知差异较不一致。由此得出，AI熟悉度和既往使用与更积极的AI认知稳定相关，而人口学因素影响相对有限且不均一。
3.5 多变量回归分析：通过OLS回归路径模型分析，信念与接受度强相关（β=0.50–0.73），接受度与信任强相关（β=0.77–0.96）；感知风险与接受度呈弱负相关（β=–0.12至–0.10）。感知风险未显著预测信任，接受度×风险交互项不显著。研究据此得出，CMPs对AI的信任更多与接受度相关，而接受度受信念强关联；感知风险虽略微降低接受度，但总体影响不如信念和接受度显著。
讨论总结：讨论部分将关键发现概括为：CMPs对AI总体持积极态度，尤其认可其提高诊断效率、在人机结合下减少错误、改善照护及时性和支持工作流程效率的潜力；对AI替代医生或显著损害医患关系的担忧较低。基于情景的分析显示，感知风险在四个CM临床情景中相似，但信念、接受度和信任在干预情景中持续较低，反映CM实践需基于辨证、从业者经验和体质进行个体化判断，而干预决策直接关系患者结局和安全。亚组分析中，讨论部分指出中国内地CMPs的风险感知显著低于其他地区同行，并将其与更广泛的社会技术和制度背景及数字化动力联系起来；AI熟悉度和既往使用与更高信念、接受度和信任相关；主任级CMPs和医院工作CMPs报告更高信任。多变量回归和亚组分析显示，信念和接受度是信任的最强决定因素，感知风险对接受度抑制较弱且与信任关联不显著，这与技术接受模型（TAM）和统一技术接受与使用理论（UTAUT）一致。与既往研究比较，讨论部分指出医务人员总体对AI积极但仍有关切，实践接触、参与式设计和算法透明解释可影响信任和接受；CM患者对CM-AI服务有一定意愿，但对AI生成诊断结果的信任较低；与西医不同，本研究未观察到基于临床经验的年资差异，而观察到临床角色和工作场所差异，原文将此与CM以经验学习和导师制为主、管理结构差异及CM纵向整体照护特点联系起来。临床和科学意义上，讨论部分建议AI开发优先支持临床医生的功能，如症状记录、辨证支持、决策辅助和工作流程优化，而非替代临床决策；应通过工作坊、AI继续医学教育和导师计划等实践性培训提升AI素养，透明沟通AI性能、安全性和局限，促进临床医生与数据科学家跨学科合作，并建立数据隐私、知情同意和问责治理框架，采用“human-in-the-loop”模式。优势与局限方面，本研究为首个综合评估CMPs对AI信念、接受度、信任和感知风险并覆盖多临床情景的结构化调查，具有亚洲多国样本、多种实践场所、PCA、非参数检验和多变量回归等方法优势；局限包括中国内地受访者占60.50%可能影响外推、分析为探索性且未系统校正CM培训背景、临床哲学、区域数字化和机构AI采纳等混杂因素、OLS用于Likert结局未正式评估残差正态性、方差齐性和线性等假设，以及未区分具体AI模态或CM干预类型。
研究结论（翻译）：总之，研究人员发现，对AI的熟悉度和直接使用是CMPs对AI信念、接受度和信任的关键驱动因素，而人口学因素的影响相对有限。通过突出影响AI信任的多种因素，本研究可为未来研究设计和政策制定提供指导，最终目标是促进AI更无缝地整合到CM临床实践中。未来研究可考虑将研究扩展至CM实践流行的其他地区（如欧洲），以考察文化、教育和医疗政策差异是否塑造CMPs对AI的态度，并为区域特异性实施策略提供信息。还可开展纵向研究，评估CMPs在真实世界接触特定AI工具后的认知，以检验结构化AI培训是否随着时间改善信念、接受度和信任。最后，实施研究应评估患者结局、临床工作流程和安全终点，以确定如何在保留独立临床判断核心作用的同时，将AI负责任地整合到CM实践中。
