Learning Effects from A GenAI-based Clinical Decision Support System in Primary Healthcare

一项整群随机试验表明，使用基于生成式人工智能的临床决策支持工具的临床医生，其决策中的关键风险和潜在风险随时间推移显著降低，这表明此类系统有望从单纯的安全核查工具演变为通过持续学习来强化医疗体系的变革性投资。

要点

想象一群医生在繁忙的社区诊所工作。在这项研究中，一半的医生被配备了一款名为"AI 咨询”的特殊新型数字助手，而另一半则继续在没有它的情况下工作。

将AI 咨询想象成一位坐在医生身旁、高度警觉的副驾驶。当医生实时输入患者就诊的笔记时，这位副驾驶会静默地扫描文本。如果它发现某项决策可能是安全的，它便保持沉默（亮出绿旗）。如果它发现某项决策可能存在风险，它会轻轻挥动黄旗。如果它检测到某项决策可能导致严重伤害，它会立即闪烁红色警报。

研究人员观察了数月内的情况，以确认医生们是否真正从这些信号中吸取了教训。

他们的发现：
使用 AI 副驾驶的医生开始减少错误。具体而言：

• 与起点相比，他们的红色警报（危险错误）减少了 14%。
• 他们的黄色警报（潜在风险）也减少了 6.8%。

相比之下，没有 AI 助手的医生并未改变其习惯；他们的红色和黄色警报数量实际上略有上升（尽管不显著），这表明在没有该工具的情况下，他们并未自行自然改善。

核心结论：
该论文指出，该工具的作用不仅仅是作为捕捉即时错误的“安全网”。相反，医生们似乎从反馈中学习了。随着时间的推移，他们内化了这些教训，从而更擅长独立识别风险。

作者提出了一种看待这些工具的新方式。与其仅仅将它们视为修补护理缺口的“创可贴”，它们实际上可能是一种培训投资。正如飞行模拟器能帮助飞行员在离开模拟器后成为更优秀的飞行员一样，该 AI 系统或许正通过帮助医生随时间推移变得更聪明、更安全，从而强化整个医疗体系。

技术摘要

技术摘要：基于生成式人工智能的临床决策支持系统在初级医疗保健中的学习效应

问题陈述
本文探讨了基于生成式人工智能（GenAI）的临床决策支持工具（CDSTs）在引发临床医生行为学习效应方面的潜力。尽管 CDSTs 传统上旨在识别并解决即时性的照护质量差距，但本研究调查了与这类工具的互动是否会导致持续的行为改变，从而随时间推移降低临床风险，有效地将该工具从被动的警报系统转变为促进专业发展的主动机制。

方法论
本研究采用整群随机试验设计，以评估名为"AI Consult"的基于生成式人工智能的 CDST 在初级医疗保健环境中的表现。

• 干预机制：该工具实时解析临床医生在患者接诊期间撰写的病历笔记。基于此分析，它生成了一套交通信号灯式的标记系统：
  • 绿灯：表示无伤害风险。
  • 黄灯：表示存在潜在伤害风险。
  • 红灯：表示存在关键伤害风险。
• 研究分组：临床医生被分为干预组（可访问 AI Consult）和对照组（无法访问）。
• 观察期：在数月内监测临床医生的行为和标记频率，以评估时间趋势及两组间的比较表现。

主要贡献与结果
本研究的主要贡献在于提供了学习效应的实证证据：使用 AI Consult 工具的临床医生，其高风险决策模式的减少幅度在统计学上显著高于对照组。

• 红灯（关键风险）：干预组的红灯标记减少了14%（$p = 0.032$）。相比之下，对照组的红灯标记增加了 6%，但无统计学显著性（$p = 0.383$）。
• 黄灯（潜在风险）：干预组的黄灯标记减少了6.8%（$p = 0.005$）。对照组的黄灯标记增加了 3%，但无统计学显著性（$p = 0.231$）。
• 比较分析：干预组与对照组之间的分歧表明，风险标记的减少是由工具的存在所驱动，而非外部因素或自然的时间趋势。

意义与主张
本文提出，如果所观察到的这种学习效应是不同 CDSTs 中一致涌现的属性，那么这就需要对工具的根本目的进行重新构想。基于生成式人工智能的 CDSTs 不应仅被视为解决即时照护质量差距的机制，而可能作为一种战略性的卫生系统强化投资。通过促进持续学习和行为适应，这些工具能够随时间推移提升临床决策的基线质量，提供超越即时错误检测、延伸至长期系统改进的价值主张。