Những điểm nổi bật của nghiên cứu
- Các bác sĩ thể hiện mức độ tham gia phê phán cao, thành công trong việc xác định và bỏ qua các khuyến nghị AI không chính xác, điều này cho thấy AI chỉ đóng vai trò là công cụ而非替代临床判断。
- 当AI系统建议不要从静脉注射转为口服抗生素时，对临床行为的影响最大，这强化了在感染病管理中的保守决策和风险规避。
- 尽管学术研究中强调可解释性AI（XAI），但本研究中的临床医生仅在9%的时间内使用了AI生成的解释，优先考虑快速决策而非详细逻辑。
- 技术可用性评分较高（系统可用性量表：72.3），但行为惯性和现有医院基础设施仍然是实际应用中最主要的障碍。
背景：抗菌管理的临床必要性
抗菌素耐药性（AMR）是一场无声的流行病，威胁着现代医学的基础。抗菌管理的主要支柱之一是及时从静脉注射（IV）转为口服（PO）抗生素治疗。这种转换——通常称为静脉注射转口服（IVOS）——对于减少医院获得性感染、降低医疗成本以及提高患者的舒适度和活动能力至关重要。然而，在临床实践中，由于医生的不确定性、缺乏标准化监测和经验水平不同，IVOS经常被延迟。
人工智能（AI）和临床决策支持系统（CDSSs）通过分析大量患者数据来识别最佳转换时机，提供了潜在的解决方案。然而，将AI从实验模型转化为床边工具充满挑战。在感染病领域，往往没有明确的“事实依据”，决策受到复杂文化和行为因素的影响，理解AI如何影响人类医生与算法本身的准确性同样重要。
研究设计：实践中的AI多方法评估
这项由Bolton等人进行并发表在《柳叶刀数字健康》上的研究，采用随机、多方法的方法评估了AI驱动的CDSS对医生决策的影响。研究涉及来自英国23家医院的42名医疗专业人员，包括顾问医生和培训级别的医生，特别是在感染病领域的专家。
三阶段方法论
该研究分为三个部分，以全面了解AI的整合情况：
- 半结构化访谈：研究人员探讨了参与者对抗生素处方的基本经验、他们对AI的看法以及其所在医院现有的技术景观。
- 临床案例实验：使用定制的网络应用程序，参与者评估了12个患者病例。他们被随机分配到标准护理组（SOC），接收典型的临床信息，或AI-CDSS组，除了SOC数据外还接收AI推荐和解释。参与者需要决定是否将患者转为口服抗生素或继续静脉治疗。
- 可用性和接受度问卷：实验结束后，参与者完成了系统可用性量表（SUS）和技术接受模型（TAM）问卷，以量化他们对工具的效用和易用性的看法。
关键发现：AI的保守影响
研究结果提供了一个关于AI医疗保健“人在环路”模型的细致视角。有趣的是，研究发现在有无AI支持的情况下，医生完成案例的时间没有显著差异。这表明AI工具没有增加认知负担，但在模拟环境中也不一定加快了决策过程。
决策多样性和影响
最显著的结果之一是AI影响的方向。当AI CDSS提供的建议与标准护理共识不同时，当它建议不要转为口服抗生素时，影响最大。统计分析显示，当AI建议不转换时，向保守管理（不转换）的显著转变（logistic回归优势比0.13 [95% CI 0.03-0.50]；p=0.0031）。相反，当AI在复杂情况下建议转换而医生犹豫时，其影响不太明显。
这种“保守偏差”表明，医生可能将AI用作安全网，以证明更谨慎的临床路径，而不是作为更积极管理的催化剂。至关重要的是，医生并不是盲目地遵循AI；他们能够识别并忽略认为不正确的建议，保持其最终决策者的角色。
可解释性差距
在AI研究领域，“可解释性AI”（XAI）常被认为是临床信任的要求。然而，研究揭示了一个令人惊讶的脱节：临床医生仅在9%的时间内访问了AI的解释。这表明在临床决策点，临床医生更关注“什么”（建议）和“谁”（对系统证据基础的信任）而不是“如何”（算法的底层逻辑）。对于忙碌的医生来说，系统整体的可信度似乎比逐案的功能分解更有价值。
专家评论：解读行为变化
这项研究的结果突显了医疗技术的一个关键方面：实施科学与数据科学一样重要。医生更可能受“不要转换”建议的影响，反映了感染病管理中的固有风险规避。不适当的口服疗法转换可能导致临床复发，而多留24小时静脉治疗通常被视为“更安全”的错误，尽管这对管理目标有影响。
此外，低参与XAI功能表明，我们可能需要重新思考如何呈现AI见解。如果医生不阅读解释，我们必须确保通过严格的、透明的临床试验和基于证据的验证来建立对系统的信任，而不仅仅是复杂的可视化仪表板。“黑盒子”对医生来说可能是可以接受的，前提是“盒子”已被证明在现实世界临床结果中有效。
研究局限性包括使用临床案例而非实时床边决策，这可能无法完全捕捉到活生生的医院环境中的压力。此外，尽管样本在许多医院中多样化，但样本量仍然较小，不足以对所有处方行为进行全面评估。
结论：整合之路
这项研究表明，AI驱动的决策支持在英国医疗保健环境中受到积极评价且技术上可行。它显示AI可以影响处方行为，特别是通过加强临床谨慎。然而，要真正革新抗菌管理，系统必须超越简单的建议，解决目前限制其使用的文化和基础设施障碍。
未来的研究必须集中在前瞻性、真实世界的试验上，这些试验测量患者结果——如住院时间、再入院率和感染解决——而不仅仅是真空中的决策。随着AI进入临床工作空间，其成功将取决于其无缝集成到现有工作流程中的能力，并通过一致的、基于证据的表现赢得医生的信任。