《Frontiers in Digital Health》:Generative AI use before medical visits: disclosure-item responses, trust, and care-seeking behaviors in a cross-sectional social-media survey in Poland
编辑推荐:
背景:面向患者的生成式人工智能(AI)工具(如ChatGPT)越来越多地用于寻求健康信息,但其在医患沟通中的作用仍未得到充分表征。以网络事件模型作为主要框架,本研究在通过社交媒体招募的波兰成年人便利样本中,考察了自我报告的就诊前AI使用情况、受访者是否向医生披
背景:面向患者的生成式人工智能(AI)工具(如ChatGPT)越来越多地用于寻求健康信息,但其在医患沟通中的作用仍未得到充分表征。以网络事件模型作为主要框架,本研究在通过社交媒体招募的波兰成年人便利样本中,考察了自我报告的就诊前AI使用情况、受访者是否向医生披露了该使用情况,以及自我报告的AI相关健康行为改变。研究结果为探索性的。方法:在线横断面调查,对研究人员匿名(N = 1,044),通过Google表单以波兰语实施并设置程序化路由;招募采用多账号社交媒体策略。一项包含24个条目的新编问卷评估了与健康相关及就诊前的AI使用、披露条目响应、信任、自我报告的行为后果及社会人口学特征。在就诊前报告使用AI的受访者中分析了Q13响应;调查并未确认随后的就诊是否发生。探索性分析包括卡方检验、Mann–Whitney U检验、Kruskal–Wallis检验、Spearman相关分析,以及仅限于明确的“是/否”响应的逻辑回归;原先提交的编码和Benjamini–Hochberg调整作为敏感性分析予以保留。结果:84.3%(n = 880;95% CI 82.0–86.4)的受访者报告曾出于健康相关目的使用AI。在就诊前报告使用AI的受访者中(n = 519),82.5%(n = 428;95% CI 79.0–85.5)在被问及是否已就这一使用情况告知医生时选择了“否”。由于就诊情况未获确认,这一比例不能被解释为患者在已完成的临床就诊中隐瞒信息的比率。选择“否”的比例在避免就诊分层中相似(79.2–86.8%)。在选择“否”且未报告因AI相关而避免就诊的受访者中(n = 235),最常见的原因是害怕医生的负面反应(86.4%)和不愿损害医生的权威(74.9%)。在主要的明确响应模型中,男性和较高的AI信任度与结果相关;AI信任度与年龄呈强烈负相关。表面区分度和解释变异度均较为适中。结论:大多数报告就诊前使用AI的受访者在披露条目上选择了“否”。由于就诊出席和明确的索引事件未获确认,无法从该调查中估计已完成临床就诊中的实际披露率。研究结果推进了关于潜在沟通障碍的假设,需要进行基于事件的前瞻性研究。
研究背景方面,面向患者的对话式人工智能(AI)工具在症状解释、药物信息和分诊问题方面的使用日益增加。在波兰,医疗专业人员报告遇到受AI影响的患者,但缺乏管理这些互动的指导。波兰关于医学领域生成式AI的证据主要集中在专业和教育背景,而对面向患者的就诊前使用特征仍不够明确。此外,针对面向患者的大语言模型(LLM)健康应用程序缺乏监管监督,这被认定为系统性漏洞。在理论框架方面,Pescosolido的网络事件模型将医疗服务利用描述为受非正式和专业网络联系影响的动态社会过程,生成式AI可能被视为患者就诊前网络内的一个额外数字信息源。然而,以往研究没有定义单一的索引就诊或确认相关条目指代同一事件,因此未能测试完整或内部连贯的网络事件。其他相关概念如自动化偏见、拟人化和赛博疑病症也作为替代性解释概念被提出,但在本研究中并未经过验证性心理测量量表的操作化或测试。为了探讨这一领域的空白,研究人员开展了这项研究。该研究发表在《Frontiers in Digital Health》上,重要意义在于揭示了生成式AI在患者就医前使用中可能引发的沟通问题,并为未来基于事件的前瞻性研究提供了方向。
在关键技术方法上,样本队列来源为通过Instagram多账号招募的18岁及以上居住在波兰的成年人便利样本。研究采用横断面在线调查设计,对研究人员匿名,通过Google表单以波兰语实施,并设置程序化路由。使用新编制的包含24个条目的问卷进行评估。数据分析中,采用卡方检验、Mann–Whitney U检验、Kruskal–Wallis检验、Spearman相关分析进行探索性双变量分析。针对就诊回避和AI相关行为改变的结果,构建了二元逻辑回归模型,仅限于提供明确“是/否”响应的受访者。此外,对模型进行了非参数自助法重采样的内部验证,并进行Benjamini–Hochberg错误发现率(FDR)校正。
研究结果方面:
3.1 样本特征
通过分析1,044名受访者的数据,发现样本中女性占54.8%,25至34岁年龄段占比最高(28.4%),中等教育程度最为常见。与波兰基准相比,样本存在显著的选择效应,年轻和中等教育程度受访者偏多。
3.2 AI健康使用的普及率和模式
通过对问卷数据的分析,84.3%的受访者报告曾出于健康相关目的使用AI。在这些用户中,59.0%报告在就诊前专门使用过AI。最常见的用途包括症状检查、评估就诊必要性和就诊准备。
3.3 就诊前AI用户中的披露情况
在报告就诊前使用AI的受访者中(n = 519),82.5%在被问及是否告知医生时选择了“否”。由于调查未确认就诊是否发生,这一比例被报告为条目响应分布。在未报告因AI相关而避免就诊且选择“否”的受访者中,最频繁的原因是害怕医生的负面反应(86.4%)和不愿损害医生权威(74.9%)。
3.4 自我报告的行为响应
分析表明,在报告就诊前使用AI的受访者中,52.2%报告在AI使用后更早安排就诊。在自我报告的焦虑增加方面,均值达到3.75,且AI信任度与焦虑呈负相关。此外,27.7%的人报告因AI回答提示不需要就诊而放弃就医,42.8%的人报告在未事先咨询医生的情况下发生了AI相关的健康行为改变。
3.5 各年龄组的AI信任度
统计分析显示,AI信任度在各年龄组间存在显著差异。信任度在25至34岁年龄组中达到最高,从35岁起显著下降,在65岁以上组中降至最低。Spearman相关分析显示AI信任度与年龄呈强烈的负相关。
3.6 性别相关差异
通过性别分层分析发现,男性报告的就诊回避率高于女性,而女性报告的健康相关焦虑增加和额外检查及第二诊疗意见请求率高于男性。在逻辑回归模型中,男性和较高的AI信任度与这两个建模结果均存在关联。
3.7 逻辑回归
在主要的明确响应逻辑回归模型中,针对就诊回避和任何AI相关健康行为改变,男性性别和更高的AI信任度与结果相关。模型的表面区分度(AUC)和解释变异度(Nagelkerke R
2)均较为适中。自助法内部验证显示性能存在乐观现象。
3.8 对披露和患者教育的态度
在所有受访者中,71.8%认为医生应询问患者是否在就诊前使用过AI,74.6%认为医疗机构应就如何安全使用AI进行健康相关事务教育患者。
在讨论与结论部分,研究人员指出,尽管大多数就诊前AI用户在披露项上选择了“否”,但由于未确认就诊出席、单一索引事件或同一经历,该比例应被视为条目响应,而非已完成临床就诊中的不披露率。选择“否”的常见原因(如害怕负面反应)提示了潜在的沟通障碍,但这仍是一个假设。在性别相关响应模式上,男性性别和AI信任度与回避就诊及行为改变相关,但未测量的因素也可能影响这些行为。研究结论部分指出,在这个社交媒体招募的便利样本中,生成式AI常被报告为就诊前使用的资源,且大多数此类受访者在披露条目上选择了“否”。由于未确认就诊出席和索引事件,实际披露率仍然未知。最常选择的原因是害怕负面反应和不愿损害权威。这些初步且探索性的结果支持未来使用验证工具、概率招募、纵向随访和预注册的前瞻性、基于事件的研究,以直接测量AI衍生信息如何进入临床沟通和就医决策。