《Healthcare》:Predictors of Trust and Engagement in Personalized Healthcare: A Study of AI-Driven Diagnosis and Treatment in Saudi Arabia
编辑推荐:
背景(Background):在"2030愿景(Vision 2030)"推动下,沙特阿拉伯正快速将人工智能(Artificial Intelligence, AI)整合入其医疗生态系统。本研究调查沙特阿拉伯成年人群中AI在医疗决策中依赖(Dependence
背景(Background):在"2030愿景(Vision 2030)"推动下,沙特阿拉伯正快速将人工智能(Artificial Intelligence, AI)整合入其医疗生态系统。本研究调查沙特阿拉伯成年人群中AI在医疗决策中依赖(Dependence)与信赖(Reliance)的模式、预测因子及社会人口学决定因素,重点关注信任(Trust)如何影响向个性化数字诊断的转变。方法(Methods):采用横断面研究(Cross-sectional Study),对627名沙特阿拉伯成年人通过便利抽样(Convenience Sampling)进行在线问卷调查,使用JMP Student Edition 18软件分析用户对症状检查器(Symptom Checkers)、可穿戴设备(Wearables)及生成式AI(Generative AI)的交互情况,多维框架评估信任(Trust)与依赖(Dependence)如何影响健康寻求行为(Health-seeking Behaviors)。结果(Results):63.7%受访者每周使用AI工具,对话式AI与大型语言模型(Large Language Models, LLMs)为主要界面(92.2%),主要作为个性化诊断(71.6%)与治疗建议(76.9%)的"看门人(Gatekeeper)"在正式就诊前使用。性别显著影响依赖程度(p = 0.0037),而信任(Trust)是整体参与度(Engagement)唯一显著预测因子(p < 0.0001);年龄、教育程度和收入无统计学影响(p > 0.05),表明各群体采纳均匀。结论(Conclusions):在所调查队列中,信任(Trust)是AI依赖(Reliance)的主要决定因素,超越传统人口学因素。培养用户信任(Trust)对成功实施AI驱动的个性化医疗解决方案至关重要。
论文解读:沙特阿拉伯个性化医疗中AI信任与参与度的预测因素研究
本研究发表于《Healthcare》期刊,聚焦于沙特阿拉伯(Kingdom of Saudi Arabia, KSA)在"2030愿景(Vision 2030)"战略下推进医疗人工智能(Artificial Intelligence, AI)应用背景下,公众如何将AI工具(大型语言模型Large Language Models, LLMs、症状检查器Symptom Checkers、可穿戴生物计量设备Wearables)用于健康信息查询、自我初步诊断及治疗建议获取。现有文献指出,尽管AI在疾病监测与筛查中价值凸显,但对话式健康咨询存在准确性隐患,且公众对AI的临床胜任力信任(Competence Trust)、诚信透明信任(Integrity Trust)及善意信任(Benevolence Trust)呈多维分化;同时所谓"信任–胜任力悖论(trust–competence paradox)"——即公众乐于用AI辅助却不愿视其为医师替代——尚未在沙特阿拉伯人群中以量化模型明确解析。因此,研究人员开展此项横断面推断性研究,旨在辨析社会人口学变量与心理信任(Trust)维度何者真正驱动AI依赖(Reliance)与参与(Engagement),明确"信任–依赖缺口(reliance–trust gap)"的行为内涵,为政策制定与数字医疗落地提供实证依据。研究最终确认:心理层面的治疗信任(Treatment Trust)是AI依赖(Reliance)唯一显著预测变量,年龄、教育、收入等人口学特征无预测力,性别的单变量关联被信任(Trust)完全中介;结论强调信任构建而非人口学细分应是AI个性化医疗推广核心。
主要关键技术方法:
研究人员于2026年1月至3月在沙特阿拉伯全境五行政区通过WhatsApp、X及LinkedIn发放Google Forms在线问卷,采用非概率便利抽样(Convenience Sampling),最小样本量按总体率公式估算(预期比例52.3%、置信水平95%、容许误差5%),引入设计效应1.5并追加8%无应答缓冲,最终回收有效问卷627份(排除医护人员及医学生以消除专业偏见)。量表含四大模块:社会人口学、AI使用模式、感知与自我效能(改编自Zhang等之可信度量表)、AI依赖(Reliance)与行为依赖(Dependence)(分别采用Cao and Huang之AI Reliance Scale及Morales-García等之AI Dependence Scale),另设治疗信任(Treatment Trust)量表(4—8分,高分=高信任);原题经英–阿正向翻译与回译及专家文化调适,预实验(n=23)验证可读性,全样本Cronbach's α=0.907(总表),分亚量表α分别为0.830与0.880。数据分析采用JMP软件(SAS JMP, Cary, NC, USA),描述性统计结合卡方检验(Chi-square Test)、独立样本t检验、单因素方差分析(One-way ANOVA)及多元线性回归(Multiple Linear Regression),显著性水准设为p < 0.05。
研究结果
3.1. Sociodemographic Characteristics of Participants
样本(n=627)女性占64.7%,67.8%为18—24岁青年,66%为学生,77.3%未婚,55%具文凭或学士学位,97.1%为沙特籍,中部地区占比最高(41.3%),收入分布均匀。说明受在线便利抽样影响样本偏年轻化。
3.2. AI Tool Utilization and Engagement Patterns
26.3%每日使用、37.2%每周数次使用AI健康工具,仅7.6%极少或从不使用。LLM聊天机器人(如ChatGPT、Gemini)占绝对主导(92.2%),健康健身App为22.8%,专用症状检查器仅3.0%。71.6%用于自我诊断,71.8%作为正式就医前初筛,46.7%明确为规避医疗费用。表明LLM已成健康信息首要入口及"预咨询(pre-consultation)"环节。
3.3. Determinants of AI Adoption and Behavioral Engagement
首要驱动为获取初步治疗建议(76.9%)、生活方式与营养推荐(73.0%)、就医前初筛(71.8%)及独立自查(71.6%),69.2%比较药物与了解临床风险;经济动机分化。整体健康AI决策频率均值3.75/5,显示高频互动。
3.4. Distribution of User Trust, Reliance, and Dependence
AI依赖(Reliance)均值15.025±3.24、AI依赖(Dependence)均值14.695±3.63(满分20),治疗信任(Treatment Trust)均值6.489±0.92(满分8)。分类显示59.8%为高依赖(Reliance)、55.7%为高行为依赖(Dependence),低依赖组占比很小(<9%),反映普遍较高心理与行为卷入但信任处中等水平。
3.5. Sociodemographic Determinants of AI Reliance
卡方检验示性别差异显著(χ2=11.196, p=0.0037),女性高依赖(Reliance)绝对人数更多;年龄组(χ2=9.066, p=0.5258)、教育程度(χ2=2.694, p=0.6103)均无统计学意义,初步提示人口学影响有限。
3.6. Correlation and Regression Analyses
3.6.1 Pearson相关矩阵显示AI依赖(Reliance)与AI依赖(Dependence)强正相关(r=0.7308, p<0.01),治疗信任(Treatment Trust)与依赖(Reliance)(r=0.3843)、依赖(Dependence)(r=0.4476)均呈显著正相关。
3.6.2 回归诊断:所有容忍度>0.20,方差膨胀因子VIF 1.15—2.40(<5),残差正态P-P图与同方差散点图满足线性回归假设。
3.6.3 多元线性回归预测AI依赖(Reliance):以人口学+治疗信任(Treatment Trust)为自变量,模型R2=0.614, Adj R2=0.610, F=145.32, p<0.0001。年龄(beta=-0.151, p=0.7529)、性别(beta=-0.192, p=0.1630)、教育(beta=-0.170, p=0.4642)均不显著;高治疗信任(Treatment Trust)显著正向预测依赖(Reliance)(beta=2.149, t=12.15, p<0.0001),低信任显著抑制。
3.6.4 仅人口学变量的回归模型R2=0.036, Adj R2=-0.0003, p=0.475,所有人口学预测因子p>0.05,证实社会人口学特征无独立预测价值,初始性别关联系由与信任(Trust)共享方差造成(被信任完全中介)。
讨论与结论翻译
讨论指出:(1)LLM已取代传统搜索引擎成为临床"新前门(new clinical front door)",充当预咨询阶段看门人(Gatekeeper);(2)存在"依赖–信任缺口(reliance–trust gap)"——行为依赖高而治疗信任中等,体现战略性对冲(strategic hedging):视AI为高级助理而非最终临床权威;(3)近半数因费用规避使用,但主因仍为获取即时健康资讯;(4)沙特阿拉伯呈现跨代际均匀采纳,违背典型数字鸿沟假设,或归因于高智能手机渗透率与国家数字基建;性别在双变量中显著但在多变量模型中不显著,证明为信任(Trust)下游反映而非独立预测因子;(5)信任(Trust)——尤其中等以上治疗信任(Treatment Trust)——是唯一实质行为催化剂,建议通过标注信息来源与引用增强可解释性以培育信任(Trust)。局限含横断面设计无因果推断、便利抽样年轻偏倚、未测AI健康素养及隐私顾虑、无临床真值核验。
结论(Conclusions)原文翻译:
在本研究评估的参数中,心理测量信任(Trust)——而非社会人口学背景——是受访年轻人中AI驱动个性化医疗参与(Engagement)的主要驱动因素。虽然未测量的行为习惯与技术系统特征可能影响采纳,但对AI用于初步诊断与治疗规划的高度依赖(Reliance)——伴随用户怀疑AI替代专业人员这一显著"依赖–信任缺口(reliance–trust gap)"——提示AI当前发挥的是复杂临床辅助者而非替代者的作用。这些发现意味着医疗保健政策与数字医疗实施应聚焦于培育心理信任(Trust)并确保AI驱动初筛的准确性,因为经济驱动与便利性持续加速向自主导向数字健康管理的转变。