临床医生对基于人工智能的血液利用计算器的看法:定性探索性研究

简介

输血与挑战

血制品输血(BT)是常规临床实践的一个关键方面，美国医院每年输血超过1050万单位[1，2］．BT在多个医疗保健领域至关重要[3.］．对血液的需求很大，而且这种需求还在增加，因为慢性病的负担与预期寿命的增加重叠在一起[4］．不幸的是，卫生保健系统一直在经历BT的过度使用(不必要的输血)，也就是说，患者接受的血液超过了生理所需。在其他多个国家，包括英国、西班牙、北爱尔兰和南非，过度使用输血的做法一直是一个令人担忧的问题。5-10］．过度输血不仅会使患者容易发生溶血、急性肺损伤等免疫反应，还会导致循环容量过度使用和急性心力衰竭[11］．2011年，美国报告了30例输血受者伤亡，在所有相关风险中，输血相关的急性肺损伤和容量过载是发病的重要原因[12，13］．除了健康风险外，输血过度使用还导致医院费用增加，并使本已有限的血液制品供应恶化，造成短缺。

当局早就认识到输血过度使用的弊端，并在美国引起了对机构和国家患者血液管理举措的极大兴趣[11，12，14，15］．此外，致力于临床研究，旨在优化输血实践。研究提出了标准化输血的临床实践指南和流程。然而，输血方法和患者相关结果的显著差异仍然存在。决定给病人输血并不总是直接或线性的，而且这个决定不能始终基于特定的标准。12，16］．标准化输血的决定因素包括几个变量，包括临床情况、患者危险因素、共病、生命体征、贫血发病率[17，出血率，以及许多其他因素。没有一个实验室数值可以作为输血的明确指南[12，16］．其他因素，如对输血指南的理解不足和医学学会的不同建议，也可能导致输血做法的不一致。

血液利用率计算

为了最大限度地减少过度输血，威斯康辛州一所大学医院开发了一种专有的基于人工智能(AI)的血液利用计算器(BUC)，并将其集成到电子健康记录中。它是电子决策支持程序的一个模块，被称为数字实习生(综合生命医学动力学，LLC)，它的设计是为了确保红细胞输血的标准化，遵循输血指南。这种数字技术基于专有的人工智能算法，为特定成年患者实现目标血红蛋白或红细胞压积值所需的填充红细胞数量提供临床建议。据报道，在BUC的帮助下，96%以上的规定输血达到了目标血红蛋白值(图1) [6，18，19］．也有人指出BUC比临床医生更一致[18］．有关BUC的进一步详情已在别处详加解释[20.］．

尽管BUC的表现很有希望，但在临床环境中仍未得到充分利用。临床医生经常拒绝BUC的建议[19]，导致输血过量和相关费用。因此，本定性研究旨在探索临床医生如何看待这种基于人工智能的决策支持系统，从而了解阻碍BUC使用的因素。

‎ 查看此图

方法

伦理批准

这项研究是与威斯康辛州的一所大学医院合作进行的。它获得了霍博肯史蒂文斯理工学院机构审查委员会(机构审查委员会ID: 2022-021N)的伦理批准。

半结构式访谈

本研究采用半结构化访谈的定性分析，探讨影响临床医生输血决策的因素。表1展示面试指南。定性访谈的基本原则是为参与者提供一个框架，让他们按照自己的条件表达自己的理解[21］．半结构化访谈通常用于定性研究，是医疗保健研究中最常见的数据来源之一[22］．它们由几个关键问题组成，这些问题不仅有助于确定需要探索的领域，而且还允许面试官或受访者从追求更详细的想法或回应中发散出来[23］．最重要的是，这种方法的灵活性(与结构化或非结构化访谈相比)使采访者能够专注于他们的研究议程，并允许发现或阐述对参与者很重要，但研究团队以前可能认为不相关的信息[23］．

数据收集与分析

我们采访了10名临床医生(BUC用户)，直到达到数据饱和点[24］．饱和抽样法是定性研究中一个著名的方法论原则。它用于根据已收集和分析的数据，确定是否需要进一步收集数据[24］．我们决定在第十次面试后停止招聘，因为我们达到了主题饱和。此外，在接受采访的临床医生中已经开始出现高度的共识，检索到的信息足以满足本次调查的目的。根据文献，9 ~ 17次访谈可达到数据饱和[25］．

访谈通过网络平台进行，并被记录下来。这些视听记录随后被匿名逐字转录。每位参与者完成采访后都会得到一张价值50美元的礼品卡。每次访谈大约持续20至30分钟。我们使用归纳演绎的主题分析来分析成绩单[26]，其中包括将预先确定的主题应用于数据(演绎)，并连续识别数据中出现的新主题(归纳)[27］．该方法包括对文本的解释和对文本所讨论内容的分析，具体地确定影响临床医生使用BUC和临床决策的工作系统要素和认知人为因素。我们亦准备了COREQ(定性研究报告综合准则)核对表(多媒体附件1）.

结果

临床医生的看法概述

共有10名来自不同临床科室的临床医生参与了本研究。所有参与者都是BUC的频繁用户(至少每周一次)，并且使用该技术至少1年。如文本框1，我们确定了以下两个主题:(1)工作量和可用性(2)临床决策。我们通过提供详细的报价简要讨论了每个主题。

工作量和可用性

对于标准护理患者，使用BUC通常有助于标准化输血和减少认知工作量。总的来说，临床医生发现BUC是用户友好和直观的。他们承认BUC有一个简单的学习曲线。治疗创伤患者的临床医生发现BUC用户友好。然而，所有用户对buc相关工作负载的看法并不一致。根据一些临床医生的说法，BUC是他们临床工作的附加功能;他们发现BUC界面对新用户来说太复杂了。一位临床医生指出，BUC的接口可能会导致混淆和不正确的输血剂量，因为不同血液工作过程的自动化不一致。

临床医生的决策和BUC表现

临床医生发现BUC是一项有用的技术，通常有助于他们在输血方面做出明智的临床决定，但它不一定能改善他们的决策。通过提供有关输血目标的必要信息，BUC帮助临床医生更快地做出决定。他们承认有BUC的好处，这使他们能够坚持输血指南。它鼓励他们批判性地思考他们的病人和BT实践。另一个关键发现是临床医生如何在直觉与BUC相矛盾时做出输血决定。临床医生说，当他们的决定不符合BUC的建议时，他们会咨询他们的前辈或听从他们的判断。换句话说，当BUC的建议与他们的评估相符时，或者当患者的临床状况非常标准、没有健康并发症或没有明显的健康史时，临床医生通常信任BUC。临床医生也承认，当BUC的建议与他们的判断不符时，他们会忽略BUC的建议。尽管如此，在少数情况下，临床医生考虑了BUC的建议，并在重新检查患者的健康状况后改变了他们的判断。在其他一些情况下，BUC鼓励临床医生之间的讨论，并为他们提供了一个遵守输血指南的机会。

讨论

人为因素和人工智能在医疗保健中的重要性已被多项研究和所有重要医疗保健机构的权威机构所证实。这是第一个探索临床医生对基于人工智能的BUC(即人工智能决策支持系统)的看法的研究。

工作量和可用性

临床医生的就诊时间有限，而且常常背负着过重的临床文件负担。集成用户友好的、基于人工智能的决策支持系统可以有效地帮助临床医生，减少他们的工作量。开发用户友好和安全的技术需要考虑人为因素。人为因素使我们能够理解用户需求的重要性，以及它们如何根据用户的专业知识、环境和患者的敏感性而变化。在我们的研究中，根据临床专业知识和患者类型的不同，不同的临床医生对BUC的感知不同。一些人发现BUC很有用，而另一些人则认为它很混乱，很难使用，因为这项技术不是为他们的需求量身定制的。

某些用户不确定何时使用该技术，何时不使用该技术，并且经常将BUC用于超出其范围的情况(例如，儿科患者或镰状细胞病患者)。这些用户对BUC产生了负面的看法，因为它没有按照他们的期望执行。BUC不是为内出血或镰状细胞病患者设计的，也不是为预定手术订购血液的。它只是用来分析给定的血液值，并建议输血量，以帮助临床医生达到他们自己选择的目标血液水平。然而，试图将BUC用于其他类型的患者或用于其他目的，有时会对用户对该技术的看法产生负面影响。临床医生经常不得不想办法绕过系统，并下达输血指令，这增加了他们现有的工作量，减缓了输血过程。然而，当BUC被用于适当的患者群体时，临床医生发现它对用户友好，并承认该技术有助于减少他们的认知工作量，总体上，帮助他们完成BT任务和相关决策。

以用户为中心的设计，即用户集中参与设计过程的所有阶段，对人工智能医疗技术至关重要。然而，当用户环境和活动变化时(如未交叉输血、大规模输血等)，设计用户友好的技术就变得具有挑战性。这项研究表明，由于应用程序、用户需求以及用户使用技术的方式的异质性，可用性问题可能会恶化。人工智能技术设计不明确可能会导致工作量增加;增加患者伤害的可能性;而且，最重要的是，阻碍了临床医生使用这项技术的意图。因此，对特定技术的范围、功能、限制和作用进行充分的培训和澄清对于更广泛的接受和使用非常重要。

根据我们的研究结果，改善BUC使用和接受的一种方法是有一个量身定制的界面设计，可以根据现有的电子病历数据、需要订购输血的时间(例如，立即)和输血的目的(例如，潜在的手术需要)自动检测接受治疗的人群。这种方法可以确保向临床医生展示常用信息，以及在特定时刻与患者需求相关的选项。量身定制的BUC设计还将确保有选择性的态势感知。例如，允许临床医生专注于病人的相关细节，可以帮助他们避免不必要的工作记忆的使用。此外，实现防止BUC用于不属于其范围的患者的功能可以帮助最大限度地减少错误，并防止临床医生对该技术产生负面看法。这可以通过在BUC中集成一个警报系统来实现，每当用户对目标人群之外的任何患者使用该技术时，该系统都会进行标记，或者在检测到不正确的患者类型时完全禁用BUC。

临床决策

这项研究的主要贡献之一，以及它的新颖性，是它捕捉了基于人工智能的决策支持系统(即BUC)对临床决策的影响。我们没有注意到BUC对临床决策有任何负面影响。临床决策是一个复杂的过程，需要多学科系统的方法，包括心理学、认知学和统计学。它被认为是一个上下文驱动的、依赖于时间的、不断发展的过程，需要数据收集、解释和评估来选择适当的行动选择[28］．例如，选择给一个特定的病人输多少血取决于他们的体重、医疗状况、病史、失血率(如果有的话)和治疗计划，以及许多其他因素。由于这些因素，护理协调[29以及临床实践中的共同决策是具有挑战性的。我们的研究结果表明BUC对临床医生的决策有积极的影响;该技术作为一个辅助数字平台，促进了知情的BT。人工智能的这种影响在其他医学领域也有所体现[30.，31］．

在有关决策、直觉决策和分析决策的文献中[32是两种主要的决策风格。直觉决策被描述为一种自动的[33受工作环境和相关技能影响的决策过程[34，35］．据观察，资深临床医生更喜欢直观的方法[36］．他们倾向于使用直观的方法，这是由于他们的经验和能力，可以做出更快、更准确的临床决策。37］．我们的研究发现了同样的趋势，因为主治医生很少考虑BUC的建议。几乎在每一种情况下，当BUC提出的建议与高级临床医生的判断相矛盾时，他们总是遵循他们的判断，从而表现出确认偏误。

这项研究有局限性。这是在一个学术卫生保健机构内进行的单一机构评估。此外，参与的临床医生是一个方便样本，这引入了自我选择偏差。此外，根据其临床专业，临床医生并不是那些最经常建议或执行输血的人。然而，在临床专业知识方面，招募了不同的临床医生。未来的纵向研究可能有助于量化BUC对患者安全的影响。

结论

这项研究强调，分析效能本身并不能确保技术的使用或接受。整个系统的设计、用户感知和用户对技术的知识同样重要和必要(限制、功能、目的和范围)。因此，基于人工智能的决策支持系统(如BUC)的有效集成要求多学科参与，确保对人工智能用户进行充分的初始和经常性培训，同时保持高分析效率和有效性。从本研究中可以看出，所有临床医生都有不同的需求，BUC并没有完全满足这些需求，而且系统的设计并没有表明其实际目的或目标患者群体，这使得用户感到困惑，并阻碍了它在医院的使用。

最后一点，像BUC这样的人工智能技术，如果不是为部门层面的个人用户设计的，可能就无法按预期使用。这种执行特定任务的人工智能系统的设计必须是不言自明的，以便用户能够轻松理解如何以及何时使用该技术。医疗保健领域的人工智能技术只是为了帮助临床医生识别他们通常会忽略的模式而设计和开发的。然而，如果临床医生只在人工智能建议与他们的专业和个人判断相辅相成时才考虑人工智能建议，或者在错误的人群中使用人工智能技术，那么首先使用人工智能技术的动机将是徒劳的。