研究亮点
– 临床医生表现出高度的批判性参与，成功识别并忽略不正确的AI建议，这表明AI是一个工具，而不是临床判断的替代品。
– 当AI系统建议不要从静脉注射转换为口服抗生素时，对临床行为的影响最大，强化了感染性疾病管理中的保守决策和风险规避。
– 尽管学术研究中强调可解释AI (XAI)，但本研究中的临床医生仅在9%的时间内使用了AI生成的解释，优先考虑快速决策而非详细逻辑。
– 技术可用性评分较高（系统可用性量表：72.3），但行为惯性和现有医院基础设施仍然是实际应用中最显著的障碍。
背景：抗菌药物管理的临床必要性
抗菌药物耐药性 (AMR) 是一场无声的大流行病，威胁着现代医学的基础。抗菌药物管理的主要支柱之一是从静脉注射 (IV) 转换为口服 (PO) 抗生素治疗的及时过渡。这种过渡——通常称为静脉注射转口服 (IVOS)——对于减少医院获得性感染、降低医疗成本以及提高患者舒适度和活动能力至关重要。然而，在临床实践中，由于临床医生的不确定性、缺乏标准化监测和经验水平不同，IVOS 经常被延迟。
人工智能 (AI) 和临床决策支持系统 (CDSSs) 通过分析大量患者数据来确定最佳转换时机，提供了一种潜在的解决方案。然而，将AI从实验模型转化为床边工具充满挑战。在感染性疾病领域，往往没有明确的‘金标准’，决策受复杂的文化和行为因素影响，理解AI如何影响人类临床医生与算法本身的准确性同样重要。
研究设计：AI实践中的多方法评估
这项由Bolton等人进行并发表在《柳叶刀数字健康》上的研究采用随机多方法方法评估了AI驱动的CDSS对临床医生决策的影响。研究涉及来自英国23家医院的42名医疗专业人员，包括各领域的顾问医生和培训级医生，特别是感染性疾病专家。
三阶段方法论
该研究分为三个部分，以全面了解AI的整合情况：
1. 半结构化访谈：研究人员探讨了参与者对抗生素处方的基本经验、他们对AI的看法以及医院现有的技术环境。
2. 临床案例实验：使用自定义网络应用程序，参与者评估了12个患者病例。他们被随机分配到标准护理 (SOC) 组，接收典型临床信息，或AI-CDSS组，接收SOC数据加上AI建议和解释。参与者需要决定是否将患者转换为口服抗生素或继续静脉治疗。
3. 可用性和接受度问卷：实验后，参与者完成了系统可用性量表 (SUS) 和技术接受模型 (TAM) 问卷，以量化他们对工具效用和易用性的感知。
关键发现：AI的保守影响
研究结果提供了对AI医疗保健‘人在环路’模式的细致视角。有趣的是，研究发现无论是否有AI支持，临床医生完成案例所需的时间没有显著差异。这表明AI工具没有增加认知负担，但也未必加快了模拟环境中的决策过程。
决策多样性和影响
最显著的结果之一是AI影响的方向。当AI CDSS提供的建议与标准护理共识不同时，它在建议不要转换为口服抗生素时最具影响力。统计分析显示，当AI建议不转换时，显著转向保守管理（不转换）（logistic回归优势比0.13 [95% CI 0.03-0.50]；p=0.0031）。相反，当AI在复杂病例中建议转换而临床医生犹豫不决时，其影响较小。
这种‘保守偏差’表明，临床医生可能将AI用作安全网，以证明更谨慎的临床路径，而不是作为更积极管理的催化剂。重要的是，临床医生并没有盲目跟随AI；他们能够识别并忽略认为不正确的建议，保持其最终决策者的角色。
可解释性差距
在AI研究领域，‘可解释AI’ (XAI) 通常被认为是临床信任的要求。然而，研究揭示了一个令人惊讶的脱节：临床医生仅在9%的时间内访问了AI的解释。这表明在护理点，临床医生更关注‘什么’（建议）和‘谁’（对系统证据基础的信任），而不是‘如何’（算法的底层逻辑）。对于忙碌的临床医生来说，系统整体的可靠性似乎比逐案特征分解更有价值。
专家评论：解读行为转变
这项研究的结果突显了医疗技术的一个关键方面：实施科学与数据科学一样重要。临床医生更容易受到‘不转换’建议的影响，反映了感染性疾病管理中的固有风险规避。不适当的口服转换可能导致临床复发，而额外24小时的静脉治疗通常被视为‘更安全’的错误，尽管它对管理目标有影响。
此外，低参与度的XAI功能表明，我们可能需要重新思考如何呈现AI见解。如果临床医生不阅读解释，我们必须确保通过严格的透明临床试验和基于证据的验证来建立对系统的信任，而不仅仅是复杂的可视化仪表板。‘黑箱’如果在现实世界的临床结果中被证明有效，临床医生可能会接受。
研究局限性包括使用临床案例而非实时床边决策，这可能无法完全捕捉到活医院环境的压力。此外，尽管样本在许多医院中具有多样性，但规模仍然较小，不足以全面评估所有处方行为。
结论：整合之路
这项研究表明，AI驱动的决策支持在英国医疗环境中受到正面评价且技术上可行。它显示AI可以影响处方行为，尤其是通过强化临床谨慎。然而，要真正革新抗菌药物管理，系统必须超越简单的建议，解决目前限制其使用的文化和基础设施障碍。
未来的研究必须集中在前瞻性的真实世界试验中，测量患者的结局——如住院时间、再入院率和感染解决——而不仅仅是真空中的决策。随着AI进入临床工作场所，其成功将取决于其无缝整合到现有工作流程的能力，并通过一致的、基于证据的表现赢得临床医生的信任。
资金和参考文献
这项研究由英国研究与创新中心博士培训项目AI for Healthcare和伦敦帝国理工学院国家卫生和护理研究所 (NIHR) 医疗相关感染和抗菌药物耐药性健康保护研究单位资助。
参考文献：
Bolton WJ, Wilson R, Gilchrist M, Georgiou P, Holmes A, Rawson TM. The impact of artificial intelligence-driven decision support on uncertain antimicrobial prescribing: a randomised, multimethod study. Lancet Digit Health. 2025 Nov;7(11):100912. doi: 10.1016/j.landig.2025.100912. Epub 2025 Dec 9. PMID: 41372053.
