坦桑尼亚一家三级医院中，医疗专业人员在医学诊断和治疗计划中运用人工智能的知识、态度及实践情况

《BMC Artificial Intelligence》：Knowledge, attitude, and practice on the use of artificial intelligence in medical diagnosis and treatment planning among healthcare professionals in a tertiary hospital in Tanzania

　　摘要

背景
尽管人工智能（AI）在医疗保健领域的全球整合日益增加，但关于坦桑尼亚医疗专业人员对其采用的准备情况的证据仍然有限。了解他们的知识、态度和做法对于成功实施至关重要。

目的
本研究旨在评估坦桑尼亚一家三级医院中医疗专业人员对AI在医学诊断和治疗计划中的知识、态度和做法。

方法
2024年9月至12月期间，在Bugando Medical Centre进行了一项描述性横断面研究。采用分层随机抽样技术招募了323名参与者。数据通过经过验证的自我管理问卷收集，并使用IBM SPSS Statistics版本26进行分析。计算了描述性统计量，并使用卡方检验（p<0.05）来评估关联程度。

结果
共有320名医疗专业人员参与了研究（响应率为99.1%）。大多数受访者对AI有中等程度的了解（70%）。大约66.9%的人认为AI的整合在医疗实践中非常重要。约40.9%的人曾在临床实践中使用过AI工具。教育水平、工作经验年限和专业角色与AI的使用显著相关（p<0.05）。

结论
尽管对AI的态度总体上是积极的，但在知识和实际应用方面仍存在差距。需要结构化的培训和政策支持来促进AI在坦桑尼亚医疗保健环境中的采用。

引言
人工智能（AI）是指设计用来执行通常需要人类智能的任务的计算机系统，包括学习、推理和决策。在医疗保健领域，如机器学习和自然语言处理等AI应用正越来越多地被用于支持医学诊断、治疗计划和患者监测。这些技术显示出提高诊断准确性、减少人为错误和提升医疗保健效率的潜力[1, 2]。
在全球范围内，AI驱动的工具正被整合到放射学、病理学、预测分析和个性化医疗中。研究表明，AI辅助的诊断系统在某些任务上的表现可与经验丰富的临床医生相媲美[1, 2]。尽管取得了这些进展，但仍存在关于伦理影响、数据隐私、劳动力替代以及医疗专业人员是否准备好采用这些技术的担忧[3]。
在低收入和中等收入国家，包括撒哈拉以南非洲的国家，AI为解决诸如技能型医疗工作者短缺、疾病负担重和专科服务获取有限等挑战提供了机会。然而，由于基础设施不足、技术专长有限以及医疗专业人员的培训不足，其实施仍受到限制[4, 5]。
在坦桑尼亚，数字健康倡议正在逐步扩大，但关于医疗专业人员对AI在临床实践中整合的准备情况的实证证据仍然有限。了解他们的知识、态度和当前做法对于制定培训计划、机构政策和未来的实施策略至关重要[6, 7]。
因此，本研究旨在评估坦桑尼亚一家三级医院中医疗专业人员对AI在医学诊断和治疗计划中的知识、态度和做法。

研究区域
本研究于2024年9月至12月在坦桑尼亚Mwanza的Bugando Medical Centre（BMC）进行。BMC是坦桑尼亚Lake Zone最大的三级医院之一，为大量人口提供专门的医疗服务。BMC拥有1000张床位，作为Lake Zone的区域转诊医院，服务8个地区：Mwanza、Kagera、Kigoma、Mara、Geita、Shinyanga、Simiyu和Tabora。

研究设计
这是一项基于医院的描述性横断面研究，旨在评估医疗专业人员对人工智能的知识、态度和做法。选择横断面设计是因为它允许在单一点时间内评估结果和相关因素，适用于KAP（知识、态度和做法）研究。

研究人群
研究包括在BMC工作的医生、护士和其他医疗专业人员及支持人员，约1000名工作人员。

样本量估计、选择标准和抽样方法
样本量根据Kish-Leslie公式确定，假设95%的置信区间和5%的误差范围，以及估计的患病率为30%[7]。根据这些参数，计算出所需的最小样本量为323名参与者。采用分层随机抽样方法以确保BMC内不同部门的医疗专业人员得到充分代表。纳入标准包括目前在BMC工作并同意参与研究的医疗专业人员。排除标准包括实习生和所有志愿医疗专业人员。

数据收集与分析
数据通过改编自先前发布的关于医疗保健领域人工智能的知识、态度和做法（KAP）研究的自我管理结构化问卷收集[3, 7]。原始工具报告了可接受的内部一致性可靠性，Cronbach’s alpha值在0.78到0.86之间。在Sekou Toure Regional Hospital对30名医疗专业人员进行了预测试，以评估问卷的清晰度、一致性和可靠性。试点研究的Cronbach’s alpha值分别为：知识部分0.82，态度部分0.85，实践部分0.79，表明内部一致性良好。在最终数据收集前进行了必要的修改。
问卷包括四个部分：社会人口统计特征、知识（10个项目）、态度（李克特量表项目）和与实践相关的问题。知识得分分为良好（≥7）、中等（4–6）和较差（<4）。
在分析之前，数据集经过了完整性筛查。排除了缺失响应较多的问卷。对于缺失值较少的变量（<5%），采用了完整案例分析。

伦理
本研究获得了BMC/CUHAS联合研究伦理委员会和研究与创新主任的批准（批准编号CRECU/3247/2024）。在招募研究参与者之前，向他们提供了关于研究风险和益处的充分信息，并获得了书面知情同意。确保了数据的保密性，同意参与的人签署了同意书，而文盲参与者则提供了拇指印。

研究参与者的 demographic 特征
在323名同意参与的受试者中，共有320名参与者，响应率为99.1%。大多数受访者是医生（44.5%），其次是护士（32.8%）。大多数参与者拥有学士学位（70.3%），工作经验为1-5年（62.1%）。下表1显示了更多的人口统计信息。

表1 研究参与者的 demographic 特征（N=320）

医疗专业人员对在临床实践中采用AI技术的态度
关于医疗专业人员对在临床实践中采用AI技术的态度，超过三分之二的受访者（214人，66.9%）认为将AI整合到医疗实践中非常重要，特别是在诊断和治疗计划中。其中大多数人强烈同意AI可以提高医学诊断的准确性（89人，27.9%）、减少等待时间（245人，76.5%）和降低医疗成本（182人，56.8%）[图1]。另一方面，大多数医生、专家和外科医生明确表示AI未来可能会取代医生（161人，50.3%）。

表2 医疗专业人员对AI采用的态度（N=320）

图1

人工智能在医疗实践中的潜在益处
大约三分之一的受访者（131人，40.9%）曾在实际工作中使用过AI，其中大多数是专家（14人，94.1%，n=17）、医学技术员（15人，93.7%，n=16）和医生（55人，38.7%，n=142），他们都认为AI使他们的工作更加容易完成。与此同时，其余215人（67.2%），包括护士（65人，61.9%，n=105）、药剂师（13人，12.5%，n=105）和医生（121人，85.2%），从未在任何任务中使用过AI。关于未来的实践，318人（67.7%），包括88名医生（62.3%）和其他77名（73.5%，即护士和药剂师），表示愿意在未来实际应用AI；而28名医生（26.5%）对是否在未来使用AI没有意见。此外，教育水平、工作经验年限和个人角色等因素与AI在医学诊断和治疗计划中的实践或使用有显著关联（p<0.05），下表3显示了更多细节。

表3 显示人口统计因素与当前在医学诊断和治疗计划中使用AI工具之间的关联的二元分析（N=320）

医疗专业人员对人工智能在医学诊断和治疗计划中的知识水平
关于AI的知识水平，受访者被询问了AI的基本概念，如AI的定义、机器学习（ML）和自然语言（NL）及其应用。研究发现，大多数受访者对AI有中等程度的了解（70%）[图2]，其中约98%的人能够将AI定义为用于模仿人类行为的计算机程序，约88.5%的人知道机器学习（ML）是最常见的AI技术，其次是自然语言（NL）（10.5%）。此外，超过70%的人知道AI在医疗系统中的主要功能是帮助医疗工作者了解患者诊断（91.4%）、分析患者数据并建议治疗计划（96.1%）。还有87.9%的受访者理解AI有助于预测疾病结果和减少诊断中的人为错误。下图2显示了更多细节。

图2

讨论
本研究评估了坦桑尼亚一家三级医院中医疗专业人员对人工智能在医学诊断和治疗计划中的知识、态度和做法。研究发现，尽管大多数受访者对AI有中等程度的了解，但其实际应用仍然有限。大约70%的受访者对AI概念有中等程度的了解。这一发现与在叙利亚和英国进行的研究结果一致，那里的医疗专业人员表现出基本的认识，但在技术理解上较为有限[2, 3]。然而，本研究中具有高级知识的参与者比例低于高收入地区的报告比例。这种差异可能归因于结构化AI培训的获取、技术基础设施和数字健康工具的接触差异。
关于态度，超过三分之二的受访者认为AI的整合在医疗实践中非常重要。这种积极的看法与在印度和肯尼亚进行的研究结果一致，那里的医疗专业人员对AI提高诊断准确性和效率的潜力表示乐观[8, 9]。本研究中观察到的总体积极态度表明，如果有足够的机构支持和培训，他们愿意采用AI。
尽管态度积极，但只有40.9%的参与者曾在临床实践中使用过AI工具。知识与实践之间的差距突显了结构和系统性障碍，包括AI支持系统的有限可用性、缺乏机构政策和不足的实际培训。在其他资源匮乏的环境中也报告了类似的实践差距，即意识并不一定转化为实际应用。
AI使用与教育水平、工作经验年限和专业角色之间的显著关联表明，接触和学术背景影响技术的采用。专家和医学技术员显示出更高的AI使用水平，这可能是由于他们在放射学和实验室服务中更多地接触到了数字诊断工具。
总体而言，虽然医疗专业人员对AI整合持开放态度，但针对能力的建设、基础设施的加强和政策制定对于弥合坦桑尼亚医疗保健环境中知识与实际应用之间的差距至关重要。

研究局限性
本研究存在几个局限性。首先，研究仅在一个三级医院（Bugando Medical Centre）进行，这可能限制了研究结果在坦桑尼亚其他医疗环境中的普遍性。其次，该研究依赖于受试者的自我报告，这些报告可能受到回忆偏差或社会期望偏差的影响。第三，横断面设计限制了确定变量之间因果关系的能力。尽管存在这些局限性，该研究仍提供了关于坦桑尼亚医疗专业人员在临床环境中对人工智能的知识、态度和实践的重要基线信息。

建议：
为了成功将人工智能（AI）整合到医疗保健中，医疗机构应优先考虑全面的培训计划，以消除人们对AI技术的误解，强调其在提高诊断准确性、简化行政流程以及最终改善患者结果方面的潜力。同样重要的是，促进AI开发人员与医疗专业人员之间的合作，以确保开发出用户友好的界面和针对临床环境独特需求的解决方案。随着医疗保健领域的不断发展，在医疗工作者中培养持续学习和适应的文化将至关重要，这样才能充分实现AI的益处，同时解决一线工作人员面临的挑战和问题。

结论：
研究结果强调了针对医疗专业人员知识差距进行有针对性教育干预的迫切需求。随着医疗行业越来越多地整合人工智能（AI）技术，掌握和接受这些创新对于提供最佳的患者护理变得至关重要。显然，医疗工作者对AI的熟悉程度与其对其采用的积极态度之间存在正相关关系。