医疗保健AI治疗决策支持：设计原则以增强临床医生的采用和信任

文献标题

Healthcare AI Treatment Decision Support: Design Principles to Enhance Clinician Adoption and Trust

文献信息

• 主题领域: 健康信息学与人工智能在医疗支持领域的应用研究
• 关键词: 人工智能，机器学习，2型糖尿病，临床决策支持，设计原则，医疗工作流程，药物处方，信任，用户研究

研究背景与问题

• 问题与挑战: 当前人工智能驱动的临床决策支持（CDS）技术能够解析大量患者数据，但在医疗实际中的使用仍面临挑战。具体问题包括：生成的见解是否对临床医生有用，与现有工作流的集成性，以及医生对这些系统的信任度较低。
• 重要性: 生成有效的AI支持见解对于提高治疗效果、减少试错时间以及改善患者健康具有重要意义。2型糖尿病因其高发病率和高医疗费用，成为一种亟需优化治疗决策的研究对象。
• 研究动机与相关工作: 尽管已有大量技术开发用于AI及机器学习驱动的医疗支持，其重点多集中于算法的技术可行性和准确性，而非医生的接纳程度或使用模式。本研究旨在通过原型研究和用户反馈，改进AI治疗决策支持系统的设计。

解决方案

• 方法/方案: 提出一个基于AI的治疗决策支持系统原型，专注于优化糖化血红蛋白（A1c）的降幅，为医生提供药物选择见解。通过与41名美国临床医生的访谈，收集对原型的反馈，并不断迭代设计。
• 创新点:
  • 提出六项设计原则，以提高医疗AI支持系统的用户信任。
  • 突出了医生决策中权衡人口数据水平与个性化见解的需求。
  • 使用病例数据验证药物组合在真实世界中的有效性。
• 关键技术与实施步骤:
  • 原型构建使用了超过14万患者的健康保险索赔数据，结合生物标志物和药物处方记录。
  • 模型通过A1c变化对不同治疗方案进行排序，并模拟了药物成本、副作用等信息。
  • 设计分三个版本的原型，以不断优化数据展现方式和医生使用体验。

研究成果

• 具体成果:
  • 比较不同原型的用户反馈，总结了一些核心需求，包括医生对“现有知识形式（如随机临床试验）”的信任，以及对AI支持见解透明度的需求。
  • 提出了六项设计原则（如需支持医生对个体患者特征的权衡；AI工具的引入是建立信任的关键机会；不要增加医生"研究任务"的负担等）。
• 与现有解决方案的比较优势:
  • 基于真实世界数据的AI模型不仅可以针对个体患者给予建议，还能提供药物组合效果的预见性见解。
  • 将医生-患者共享决策（shared decision-making）框架融入工具设计。
  • 针对医生工作流进行了多轮优化，使工具更符合诊断和治疗情境。
• 实验与评估结果: 不同医疗角色对原型工具的适用性评估不一，例如护士执业助理更容易接纳此科技，而专科医生认为自身已有相关知识并不需要工具辅助。
• 局限性与未来方向:
  • 局限性包括：研究数据及参与者局限于美国医疗体系；原型研究未涉及患有多疾病（如糖尿病与慢性肾病）的患者。
  • 未来方向：
    • 探讨患者与医生协作为核心的工具设计。
    • 研究多模型/多AI工具并存环境中的医生信任与适应机制。
    • 对工具的法律与伦理影响（如AI推荐错误的责任归属问题）进行深入分析。

输出格式

• 文献整体结构非常完整。本次研究中，文献提供了基于多学科交叉研究的洞见和设计思路，这些原则和洞察可推广到其他医疗情境，为日益复杂的AI驱动医疗实践铺路。