Towards clinical implementation of artificial intelligence in cancer care: Concept mapping analysis of provincial workshop findings

该研究通过概念映射分析 2024 年 BC 省癌症峰会的工作坊数据，揭示了利益相关者更重视人工智能在癌症护理中的临床效益与效率提升，并据此提出了一个分阶段实施的实用框架，以区分短期可落地的临床工作流应用与长期所需的系统治理投资。

要点

这篇文章就像是一份**“癌症治疗界的 AI 导航图”**。

想象一下，我们正站在一个巨大的十字路口，面前是充满希望的“人工智能（AI）”高速公路，可以带我们更快地到达更好的癌症治疗目的地。但是，这条路该怎么走？哪里会有坑？哪些车可以先上路？大家心里都有很多不同的想法。

为了搞清楚这些问题，研究团队在 2024 年举办了一场特别的**“头脑风暴派对”**（研讨会），邀请了 48 位来自不同领域的朋友：有正在与癌症抗争的患者和家属，有医生护士，有写代码的科学家，还有医院的管理者。

他们一起聊了三个核心问题：

1. 担心什么？（怕 AI 出错？怕隐私泄露？）
2. 期待什么？（能省时间吗？能更准吗？）
3. 先做什么？（哪些事现在就能干，哪些得慢慢来？）

🧠 核心发现：把想法变成“地图”

大家聊完后，产生了 265 条想法。研究团队用一种叫**“概念映射”的魔法工具，把这些杂乱的想法整理成了一张清晰的“思维地图”**。

这张地图把大家的想法分成了两个大阵营（就像地图上的两个大岛屿）：

🏝️ 岛屿 A：“挑战与护栏” (Challenges and Safeguards)

• 这是什么？ 这里聚集了大家的担忧和规则。
• 比喻： 就像开车上路前，大家担心“刹车灵不灵”、“会不会撞车”、“谁负责修路”、“数据会不会被偷”。
• 大家怎么看？ 大家觉得这些非常重要（毕竟安全第一），但觉得很难马上解决（因为需要修路、立规矩、建系统，耗时耗力）。
• 具体包括： 隐私保护、防止算法偏见、法律责任、数据安全等。

🏝️ 岛屿 B：“临床益处与效率” (Clinical Benefits and Efficiency Gains)

• 这是什么？ 这里聚集了大家期待的好处和效率提升。
• 比喻： 就像期待“自动驾驶能帮我省下时间”、“导航能帮我避开拥堵”、“助手能帮我整理病历，让我多陪陪家人”。
• 大家怎么看？ 大家觉得这些既重要，又相对容易实现（因为可以直接用在现有的工作流程里，比如帮医生写病历、快速筛选病人）。
• 具体包括： 减少文书工作、快速诊断、让医生有更多时间照顾病人、24 小时在线的助手等。

📊 关键结论：一张“红绿灯”地图

研究团队不仅画了地图，还画了一张**“红绿灯图”**（Go-Zone Analysis），告诉大家该怎么做：

1. 🟢 绿灯区（高重要 + 高可行）：立刻行动！

   • 做什么？ 那些能直接帮医生“减负”的工具。比如：自动整理病历、快速翻译医学术语给患者听、24 小时在线的初步分诊助手。
   • 为什么？ 这些工具就像给医生配了个“超级秘书”，大家觉得既有用，现在技术也能做到，赶紧用起来吧！

2. 🟡 黄灯区（高重要 + 低可行）：慢慢修路，长期投资。

   • 做什么？ 那些涉及“大系统”的问题。比如：制定全国统一的 AI 法律、建立超级安全的数据库、确保算法绝对公平。
   • 为什么？ 这些很重要，但就像要“重建整个交通法规”，需要政府、大公司、医院一起努力，不能一蹴而就。

3. 🔴 红灯区（低重要 + 低可行）：暂时放一放。

   • 那些大家觉得既不太重要，现在又很难做到的事情。

🎯 医生和患者想的一样吗？

有趣的是，研究团队发现，医生（临床人员）和非医生（如管理员、科学家）的看法非常一致。大家都觉得：

• 能帮医生省时间、少写病历的 AI，大家最欢迎，觉得马上就能用。
• 那些需要改法律、改大系统的“大工程”，虽然重要，但大家觉得还得等一等。

💡 总结：我们该怎么做？

这篇文章告诉我们，要把 AI 引入癌症治疗，不能“一把抓”，要分步走：

• 第一步（现在）： 先给医生装上“小助手”，帮他们处理繁琐的文书工作，让他们有更多时间看着患者的眼睛说话（保持“人情味”）。
• 第二步（未来）： 同时，大家得坐下来慢慢商量，把“交通规则”（法律、伦理、数据标准）定好，确保未来的 AI 高速公路既快又安全。

一句话总结：
AI 是癌症治疗的好帮手，但我们要先让它做“秘书”帮医生减负，同时慢慢修好“地基”确保它不跑偏。这样，我们就能既快又稳地走向更好的治疗未来。

技术摘要

这是一份关于该论文的详细技术总结，涵盖了研究背景、方法论、关键贡献、主要结果及意义。

论文技术总结：面向癌症护理临床实施的人工智能概念映射分析

1. 研究背景与问题 (Problem)

• 背景：人工智能（AI）在医疗保健领域展现出巨大的潜力，能够提高质量、效率和患者预后。癌症护理具有高度的多学科协作性质和复杂的协调需求，非常适合从 AI 技术中受益。
• 问题：尽管关于医学中 AI 实施的一般态度已有研究，但针对癌症护理这一特定领域的研究仍然匮乏。现有的文献缺乏对患者和医疗专业人员（包括临床医生、研究人员、IT 专家等）关于 AI 实施的具体观点、担忧、优先事项的系统性整合。
• 目标：本研究旨在通过参与式方法，理解利益相关者（患者、家属、临床医生、研究人员、IT 专家等）对 AI 在癌症护理中实施的看法，特别是其感知到的益处、担忧和实施优先事项，从而为负责任且有效的循证 AI 实施提供指导框架。

2. 方法论 (Methodology)

本研究采用**概念映射（Concept Mapping）**这一结构化的混合方法，结合了定性参与和定量多变量分析。

• 研究场景与参与者：
  • 工作坊：2024 年 11 月，在加拿大不列颠哥伦比亚省（BC）癌症峰会（BC Cancer Summit）上举办了一场互动工作坊。
  • 初始参与者：48 名参与者（包括患者、家属、AI 研究人员、肿瘤科医生、IT 专业人员、行政人员等）参与了头脑风暴，生成了关于 AI 实施的观点。
  • 专家小组：为了进行概念映射的排序和评分，招募了一个由 13 名成员组成的专家小组（ purposive sampling），涵盖临床护理（54%）、AI 研发（31%）、卫生系统管理（8%）和患者专家（8%）。
• 数据收集流程（基于 Trochim 的 6 阶段框架）：
  1. 生成：工作坊中针对三个核心问题（担忧、益处、优先事项）生成了 265 条陈述。
  2. 整理：经过去重、随机化和重述，最终形成100 条独立陈述。
  3. 排序与评分：13 名专家小组成员在 Qualtrics 平台上对陈述进行：
     • 排序：将陈述分组（平均分为 5 组）。
     • 评分：使用 5 点李克特量表对每条陈述的**重要性（Importance）和可行性（Feasibility）**进行评分。
• 数据分析：
  • 多维缩放（MDS）：基于陈述的共现数据（即被分在同一组的频率），生成二维空间图，反映概念间的相似性。
  • 层次聚类分析（Hierarchical Cluster Analysis）：使用 Ward 法确定最佳聚类数量，识别主要主题簇和子簇。
  • 统计分析：计算各簇和子簇的平均重要性/可行性评分，使用 t 检验、Mann-Whitney U 检验比较组间差异，并进行亚组分析（临床 vs. 非临床人员）。
  • Go-Zone 分析：根据重要性和可行性的相对均值，将陈述划分为四个象限，以识别优先实施领域。
  • 工具：分析使用 Python (v3.12) 实现。

3. 关键贡献 (Key Contributions)

• 首创性方法应用：据作者所知，这是首次在癌症护理 AI 实施研究中应用概念映射方法，将利益相关者的观点转化为结构化的、可视化的优先级空间。
• 结构化框架：提供了一个基于利益相关者观点的框架，不仅识别了主题，还量化了实施优先级，帮助组织将定性观点转化为可操作的实施策略。
• 细分视角：通过子簇分析，揭示了在“挑战”和“益处”大类下更细微的概念区分（如操作担忧与伦理担忧的区别，或工作流改进与患者沟通工具的区别）。
• 开源代码：研究代码和脚本已在 GitHub 公开，促进了方法论的透明度和可复现性。

4. 主要结果 (Results)

• 陈述生成：从 265 条原始陈述中提炼出 100 条最终陈述，涵盖担忧（32.8%）、感知益处（27.2%）和研究优先事项（40.0%）。
• 聚类结构：
  • Cluster 1（挑战与保障）：包含 62 条陈述，关注实施障碍、伦理、隐私、监管和系统安全。
  • Cluster 2（临床益处与效率提升）：包含 38 条陈述，关注工作流优化、诊断辅助、患者沟通和效率提升。
• 评分差异：
  • Cluster 2（益处）在重要性（均值 3.50 vs 3.14, p < .001）和可行性（均值 3.62 vs 2.99, p < .001）上的评分均显著高于 Cluster 1。
  • 临床与非临床人员：在 Cluster 1 上无显著差异；在 Cluster 2 上，临床人员对可行性的评分显著高于非临床人员（p = .029）。
• 子簇分析（8 个子簇）：
  • 高可行性/高重要性：Cluster 2 中的子簇（如直接工作流改进、患者沟通工具）评分最高，表明这些领域被视为“即插即用”且易于实施。
  • 高重要性/低可行性：Cluster 1 中的子簇（如数据治理、算法透明度、监管框架）虽然被认为非常重要，但实施难度较大，需要长期投入。
• Go-Zone 分析：
  • 象限 I（高重要性 - 高可行性）：36 条陈述（36%），代表立即实施的机会（如减少行政负担、辅助诊断）。
  • 象限 III（高重要性 - 低可行性）：13 条陈述（13%），代表研发与长期投资优先事项（如数据治理、隐私保护、监管框架）。

5. 意义与结论 (Significance & Conclusion)

• 实施策略的启示：研究结果表明，AI 在癌症护理中的实施不应是“一刀切”的。应采取分阶段策略：
  1. 短期：优先实施与现有临床工作流高度整合、能直接减轻医生负担或提高诊断效率的工具（高可行性区域）。
  2. 长期：同步投资于系统层面的治理、数据标准、监管框架和伦理保障（高重要性但低可行性区域），为未来的规模化应用奠定基础。
• 理论与实践结合：该研究将实施科学（Implementation Science）理论（如 CFIR 框架）与 AI 实践相结合，指出工作流兼容性是早期采用的关键驱动力，而外部环境和组织准备度则是长期挑战。
• 决策支持：为卫生系统管理者、政策制定者和实施科学家提供了一个实用的蓝图，用于规划 AI 实施的顺序，平衡短期收益与长期可持续性，从而推动癌症护理中 AI 的负责任采用。

总结：该论文通过严谨的概念映射分析，量化了癌症护理领域对 AI 实施的复杂态度，明确区分了“易于落地的临床工具”与“需要长期建设的系统治理”，为制定分阶段、有重点的 AI 实施路线图提供了坚实的数据支持和理论框架。