评估沙特阿拉伯医学教育者和临床医生对人工智能的认知与接触情况：一项横断面研究

Summary

这项横断面研究探讨了沙特阿拉伯医学教育者和临床医生对人工智能的看法。尽管有强烈兴趣，但正规AI培训有限，且普遍依赖非正式资源，凸显了结构化AI教育的潜在需求。

Abstract

人工智能（AI）通过诊断和决策的进步正在改变医疗，但大多数研究仍聚焦于医学生的感知，对医学教育者和临床医生的关注较少。理解这些视角对于制定未来医生适应AI增强执业的课程至关重要。本研究调查了沙特阿拉伯医学教育者、实习医生、住院医师、专家和顾问的人工智能认知、暴露情况及影响感知情况。一项横断面研究利用一项经过验证的在线调查，分发给多所沙特医学院和医院。调查收集了人口统计数据、先前的人工智能教育、自我评估的人工智能知识以及对人工智能的兴趣。参与者还评估了自己列出临床相关人工智能应用的能力，评估人工智能对各专科的预期影响，并指出人工智能概念培训是否有益。组别差异采用卡方检验、方差分析和逻辑回归分析，控制年龄和性别。在229名受访者中（60名医学教育者，78名实习医生/住院医师，91名专科医生/顾问），医学教育者更倾向于报告能够列出人工智能的益处（63.3%对38.5%和39.6%），并表达对医疗中人工智能使用的伦理担忧（76.6%对51.3%和51.6%），相较其他组。只有32.3%的人表示接受过正规的人工智能教育，大多数人通过媒体等非正式渠道获得知识。放射学和病理学被确定为最有可能被人工智能改造的专业。总体来看，医学教育者和临床医生对人工智能的认知显示出强烈兴趣，但正规培训有限。尽管各组都充满热情，参与者依赖非正式资源，缺乏人工智能的基础知识。这些发现凸显了将结构化人工智能教育嵌入医学课程和住院医师培训项目中，以支持人工智能集成临床护理准备的重要性。

Introduction

“人工智能”（AI）一词最早于1956年达特茅斯会议上提出，如今被全球视为^{顶级技术之一}。人工智能广义上指能够模拟人类智能² 的技术，通常分为四个领域：用于语音和文本识别与生成的自然语言处理;用于图像解读的计算机视觉;基于神经网络的机器学习;以及依赖语义技术或认知建模的知识型系统³.

人工智能发展最快的应用之一是医疗保健领域。人工智能被描述为有潜力通过将其融入^{临床实践来}革新医疗。通过提升诊断准确性和优化治疗决策，人工智能还能改变医生^{提供医疗的方式}5。为了有效实施这些应用，医疗专业人员必须具备足够的人工智能技术知识和认知。其成功应用已被多个专业领域记录，包括放射学、病理学、眼科、肿瘤学和牙科⁶。在医学教育中，人工智能还通过虚拟患者模拟支持学习，旨在培养沟通和^{临床技能7}.

多项研究评估了医学生对医疗和教育中人工智能的认知，^{分别为5、8、9、10}。这些研究显示学生兴趣在增长，但也凸显了教育差距。然而，只有一项研究专门考察了学生对正规^{人工智能教育的}接触情况。同样，多项研究探讨了沙特临床医生对AI^{11、12、13、14}的认知，但无一项评估了正规AI教育的暴露。目前仍有明显缺乏专门针对医学教育者及其如何看待人工智能及其在医学教育中作用的研究。

为弥补这一空白，本研究评估了沙特阿拉伯医学教育者和临床医生中当前关于人工智能的知识、接触情况、认知和信息来源，以及他们对人工智能在医学专科中影响的看法。我们进行了横断面调查以评估该人群中的这些结构域。这些发现有助于指导未来将人工智能相关能力整合进医学教育和住院医师培训项目的努力 15,16,17。据我们所知，本研究是沙特阿拉伯首批同时考察医学教育者和临床医生对正规人工智能教育的接触情况，以及他们对人工智能的认知和自我报告知识的项目之一。

Protocol

研究建模
本研究获得了阿卜杜勒阿齐兹国王大学机构审查委员会（参考文献500-23）的伦理批准。符合条件的参与者包括18岁及以上在沙特阿拉伯执业的医疗专业人员（医学教育者、实习医师、住院医师、专家和顾问）。非医学毕业生或未积极执业的个人被排除在外。所有参与者在数据收集前均提供知情同意，且参与完全自愿。调查首页展示了电子知情同意声明，参与者需在继续前表示同意。参与者被告知，在提交调查前可以随时退出，无需承担后果。为保持机密性，未收集个人身份信息，所有收集的数据均进行了去识别化并安全存储。

数据收集工具
数据通过之前验证的调查收集，该调查通过谷歌表单在线发送。参与者通过发布招募材料进行便捷抽样，而没有针对性的外展名单。包含调查链接的招聘材料通过电子广告、机构电子邮件以及与沙特医学院和医院医疗专业人员分享的在线消息平台分发。因此，无法计算正式的响应率。

问卷的第一部分收集了人口统计信息，包括出生日期、性别、医疗领域的角色、专科，以及住院医师的培训年份。第二部分则聚焦于参与者之前接触人工智能的情况。他们被问及是否接受过正规的人工智能教育（如学院或大学课程）。该项目故意宽泛，依赖参与者对“正规”人工智能教育的自我解读。参与者还被要求识别他们接触人工智能的来源。

为了评估参与者对人工智能的认知和理解，我们使用了一项此前验证的调查，该调查最初旨在评估^医学生对人工智能使用的影响感知。调查内容包括人工智能对不同医学专科的影响。参与者还评估了他们对基础人工智能概念的自我认知理解，包括卷积神经网络（CNN）、交叉验证、受试者工作特征（ROC）曲线和曲线下面积（AUC）。这种方法使我们能够探讨参与者对人工智能兴趣与其正式准备程度之间的差距。

调查回答会自动记录在 Google 表单中，并导出到 Microsoft Excel 进行数据整理。数据在统计分析前进行了完整筛查。去标识化的数据集被加密并存储在一个只有研究团队成员访问的密码保护驱动器上。

统计分析
参与者被分类为医学教育者、实习医生/住院医师或专家/顾问。所有李克特量表问题在组别比较中被分为“同意”（同意或强烈同意）和不同意（中立、不同意或强烈不同意）。

描述性统计包括连续变量的均值和标准差，以及类别变量的比例。连续变量采用方差分析比较，类别变量采用卡方检验比较各组人口统计变量。组组的调查反应（同意或不同意）采用逻辑回归模型（结果为同意或不同意）与事后测试进行了比较。所有测试均采用Bonferroni校正以调整组间的多重比较。通过线性多重回归模型对连续变量（年龄）进行关联测试，并利用逻辑多元回归对类别变量（是否接受过正规人工智能教育）进行测试。所有回归模型均控制参与者的年龄和性别。

通过计算方差膨胀因子（VIF）来测试多重共线性，结果发现所有模型中均可忽略不计。通过Kolmogorov–Smirnov检验，线性回归模型残差被证实为正态分布。统计分析在R版本4.3.1中完成，除多重共线性评估使用usdm软件包外，所有建模均使用基础统计软件包。所有显著性检验均使用α=0.05的阈值。最终模型输出被导出，用于生成结果部分展示的分析、表格和图表。

Results

样本
这项横断面调查通过观察性比较，反映了自然存在的参与群体，符合研究的探索性质。样本共229名参与者（60名医学教育者，78名实习医生/住院医师，91名专科医生/顾问）。两组在性别（男性47.6%，组间p=0.088）或接受过正式AI教育（32.3%接受培训，p=0.067）方面差异不大。实习医生和住院医师的年龄显著年轻（平均年龄28.1岁，标准差=5.2），低于医学教育者（平均=39.2岁，标准差=8.2）或专科医生/顾问（平均年龄=39.9，标准差=9.2）（F（2,226）=55.84，p<0.001）。参与者的年龄与其正规人工智能教育无关。参与者的人口统计和群体特征见 表1。

表1。样本人口统计和各群体特征。

Discussion

据我们所知，这是沙特阿拉伯最早探讨医学教育者和临床医生如何看待人工智能的研究之一。强烈的关注度与人工智能在医疗领域的更广泛应用相符，这一趋势已在临床和教育环境中得到记录¹⁸。这一趋势在医学教育者中获得了积极认可，尤其是在医学教育领域，ChatGPT等工具因其在总结、信息收集和支持教学活动等任务中的实用性而受到认可。与此同时，医学教育者也对将人工智能工具整合进教育环境提出了伦理^问题。这些担忧反映了国际社会普遍共识，即人工智能伦理应正式纳入^{医学教育。}同样，沙特阿拉伯和德国大学附属医院的执业医生对人工智能表现出兴趣，主要关注学习和未来采用，同时也表达了对数据保护和伦理责任的关切^12,21。我们的研究反映了这一日益增长的兴趣：大多数参与者相信人工智能将在他们有生之年中在医学中发挥重要作用，并对其在临床实践中的应用感到兴奋...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
谷歌表单	谷歌有限责任公司	无	用于分发和收集在线调查的回答
Microsoft Excel	Microsoft公司	无	用于数据组织和导出，分析前的分析
PubMed 数据库	美国国家医学图书馆	无	用于文献综述和文献检索
问卷	刘D、索耶J、露娜A、Aoun J、王J、Boachie L、Halabi S、Joe B 美国医学生对人工智能的认知：混合方法调查研究 JMIR医学教育2022;8（4）：e38325 URL： https://mededu.jmir.org/2022/4/e38325 DOI：10.2196/38325	无	经验证的问卷评估对医学中人工智能认知，改编自2022年发表于JMIR医学教育的一项研究
R（统计软件）	R统计计算基金会	无	用于统计分析和数据可视化