人工智能辅助心电图解读：支持呈现方式对诊断准确性、心理需求满足和诊断时间的影响

文献标题

AI-Supported Electrocardiogram Interpretation: The Effect of Support Presentation on Diagnostic Accuracy, Psychological Need Satisfaction, and Diagnosis Time

出版信息

• 主题领域: 面向AI支持的临床决策系统的交互设计。
• 关键词: 可解释AI，心电图（ECG）解读，临床决策支持，用户体验，心理需求满足，自主性，能力感，安全感，两阶段支持，诊断准确性。

背景与问题

• 问题/挑战: 尽管已有用于心电图解读的诊断支持算法，但AI支持的最佳呈现形式和时机仍未得到充分研究。现有系统往往难以在诊断准确性与用户体验（UX），特别是心理需求满足之间取得平衡。
• 重要性: 准确的心电图解读对患者安全至关重要，但这一任务认知负担重且容易出错。改进临床医生与AI系统的交互可以提升诊断结果和临床医生的满意度。
• 动机与相关研究: 先前研究表明，AI支持可以提高诊断准确性，但常忽视自主性和能力感等用户体验因素。研究还指出，可解释AI有助于增强理解，但视觉解释和两阶段协议对用户体验和效率的影响尚不明确。

解决方案

• 提出的方法: 设计了一项预注册实验研究，比较五种心电图诊断支持条件，包括无支持、即时支持（文本或文本+视觉标记）以及两阶段支持（初步独立审查后提供文本或标记）。
• 创新点:
  1. 引入无需初步书面诊断的两阶段协议。
  2. 将心理需求满足（自主性、能力感、安全感）融入AI支持的临床决策评估中。
  3. 提供视觉可解释AI和交互设计对诊断准确性、用户体验和诊断时间影响的定量证据。
• 流程与关键技术:
  • 参与者（58名临床医生）在五种条件下诊断心电图。
  • 因变量：诊断准确性、心理需求满足/挫败感（自主性、能力感、安全感）、诊断时间和条件偏好。
  • 随机化被试内设计，使用预选的心电图和模拟AI支持（始终正确）。
  • 统计分析包括重复测量方差分析和探索性事后检验。

结果

• 具体发现:
  • 在AI支持下，诊断准确性显著提高（75%-78% vs. 无支持的57%）。
  • 两阶段支持条件下诊断时间最短（57-65秒 vs. 其他条件的85-101秒）。
  • 两阶段支持相比即时支持或无支持，显著提升了能力感（4.83 vs. 4.39-4.47）、自主性（5.12-4.97 vs. 4.58-4.89）和安全感满足（4.60-4.69 vs. 3.88-4.39）。
• 相较基线的优势:
  • 视觉标记相比仅文本支持提高了准确性（76%-78% vs. 70%-75%）。
  • 两阶段支持缓解了即时支持条件下的自主性和能力感挫败。
• 实验/评估:
  • 参与者: 58名临床医生（29名女性，29名男性；平均年龄32.3岁；平均工作经验2.2年）。
  • 材料: 每种条件下15份心电图，随机呈现。
  • 指标: 准确性、需求满足/挫败感（7点Likert量表）、诊断时间和偏好。
• 局限性与未来工作:
  • AI支持始终正确，可能无法反映真实场景。
  • 使用美国标准心电图和德国临床医生，且缺乏患者病史，限制了结果的普适性。
  • 未来研究应探索不完美的AI支持、团队决策以及领域特定的用户体验量表。

总结

本研究表明，精心设计的AI支持心电图解读可以提高诊断准确性和临床医生体验。两阶段支持协议允许临床医生在获得AI辅助前形成独立判断，增强了能力感、自主性和安全感满足，同时缩短了诊断时间。视觉可解释AI（如心电图片段高亮）进一步提升了准确性。这些发现强调了在临床决策支持设计中整合用户体验考量的重要性，以平衡性能和用户满意度，最终促进更安全、更高效的医疗服务。