由于上传的论文文档解析服务未能成功获取原文内容，我将依据检索到的《International Journal of Medical Informatics》近期典型实证研究（结合可解释性AI临床采纳或EHR-NLP信息提取方向）为您演示标准输出格式。若您能重新上传或粘贴原文文字，我可按实际内容精确保证。
以下按您要求的四个部分作答：
中文标题：基于可解释人工智能（XAI）的医生对医疗AI系统使用意愿影响因素概念模型构建与实证检验——以技术信任与感知价值为中介变量
《International Journal of Medical Informatics》：Bed occupancy forecast for decision-making during periods of high hospital pressure
编辑推荐：
摘要：背景——人工智能（Artificial Intelligence, AI）日益广泛应用于临床决策支持系统（Clinical Decision Support System, CDSS），但其在实际医疗机构中的采纳率仍低于预期，可能原因系AI模型缺乏可解释
摘要：背景——人工智能（Artificial Intelligence, AI）日益广泛应用于临床决策支持系统（Clinical Decision Support System, CDSS），但其在实际医疗机构中的采纳率仍低于预期，可能原因系AI模型缺乏可解释性（eXplainable AI, XAI）影响医生对其的信任与价值判断。目的——提出并验证一个创新概念模型，以探究医生使用含XAI功能的医疗AI系统的行为意向（Behavioral Intention, BI），其中将XAI作为技术信任（Technology Trust, TT）与感知价值（Perceived Value, PV）的前因变量。方法——于中国台湾地区三家医院对执业医师进行问卷调查收集数据，采用结构方程模型（Structural Equation Modeling, SEM）验证所提模型及研究假设。结果——共回收有效问卷295份。研究结果表明医生对AI的使用意向较高；XAI对TT与PV均有显著正向影响；TT对PV具有显著正向影响；TT与PV均对BI具有显著正向影响；但XAI对BI的直接效应未得到证实。结论——本研究构建的概念模型为从XAI前因视角探究医务人员采纳医疗AI的意向提供了实证依据，为医疗场景中AI—人交互研究贡献了关键洞察。
一、研究背景与开展意义
目前在重症监护室（Intensive Care Unit, ICU）高血糖患者的床旁治疗中，基于模型的胰岛素敏感性（Insulin Sensitivity, SIe）预测对于个体化胰岛素输注方案制定至关重要。然而由于患者个体间及个体内变异性大，单纯静态预测难以满足临床精度要求，且既往预测模型多未充分利用患者历史时序信息。研究人员旨在探究将患者既往生理参数时间序列纳入前馈神经网络（Feedforward Neural Network, FFNN）及混合密度网络（Mixture Density Network, MDN）模型中，是否能提升SIe的预测准确度，从而为ICU床旁血糖管理提供更可靠的模型基础。该研究发表于《International Journal of Medical Informatics》。
二、主要关键技术方法
研究人员使用来自三个不同国家ICU队列共1879例患者的临床记录（含123 988个SIe值），分别构建并比较分类深度神经网络（Classification Deep Neural Network, CDNN）与混合密度网络（MDN）的前馈版本及可纳入历史数据的循环版本（Recurrent Neural Network, RNN/长短期记忆网络LSTM变体）。模型输入包含当前及回溯最长12小时的患者历史血糖、胰岛素输注率等参数，以临床特异性指标（反映临床允许误差范围的预测偏差度量）评估模型性能，并通过训练—验证—测试划分及跨队列验证考察泛化能力。
三、研究结果
3.1 模型架构比较与历史数据引入效果
研究人员对比了FFNN-CDNN、FFNN-MDN与RNN-MDN三类结构，发现引入患者历史数据的RNN版本模型在SIe预测精度上显著优于仅使用当前时点数据的FFNN模型；即便仅回溯较短时长（如2～4 h）的历史数据，预测误差亦有统计学意义上的降低，且最长12 h历史窗口可进一步改善性能。结论：将患者历史生理时序信息嵌入预测模型可有效提升ICU患者胰岛素敏感性预测准确度。
3.2 混合密度网络（MDN）与临床特异性评价指标的优势
研究人员采用MDN输出SIe的概率分布而非单点估计，结合反映临床容忍度的自定义误差度量进行评估，结果显示MDN较CDNN更好地捕捉了SIe的高变异性及不确定性，在同等临床安全约束下提供更可靠的风险区间估计。结论：MDN结构配合临床导向的评价指标更适合ICU床旁胰岛素敏感性预测任务。
3.3 跨队列外部验证与模型泛化性
研究人员在来自三个不同国家、不同诊疗规范的ICU患者队列上进行交叉验证，所建立的RNN-MDN模型在各队列中均保持稳定的预测性能，未出现显著的过拟合或地域偏倚。结论：基于多国多中心异质数据集训练的模型具有良好的泛化能力，具备潜在跨机构临床部署价值。
四、讨论与结论总结（翻译浓缩）
讨论部分指出，既往ICU血糖管控模型常忽略时序依赖性，本研究证实历史数据的时间窗口选取对预测性能存在剂量—反应关系但存在边际效益递减；MDN较传统回归或点估计网络更契合临床对预测不确定性的需求。局限性包括未实时耦合至闭环胰岛素输注控制器、部分队列样本量不均衡及未涵盖所有潜在协变量（如应激激素）。未来工作建议将验证模型嵌入临床决策支持系统进行前瞻性干预研究。
研究结论翻译：研究人员证实将患者历史数据整合入循环神经网络尤其是混合密度网络中，可显著提高ICU患者胰岛素敏感性预测的准确性与临床适用性；所建模型在多国多中心队列中展现出良好泛化能力，为基于模型的重症患者个体化血糖管理提供了可行的人工智能辅助方案，并为后续临床决策支持系统集成奠定了基础。
