人工智能在手术中的应用：DeepSeek在中国三级医院医疗专业人员中的认知、使用模式及实施障碍

《Journal of Multidisciplinary Healthcare》：Artificial Intelligence Adoption in Surgery: Cognition, Usage Patterns and Implementation Barriers of DeepSeek Among Healthcare Professionals in China’s Tertiary Hospitals

本研究旨在调查三级医院外科医务人员对DeepSeek的认知与应用现状，分析影响因素以优化临床应用。通过多中心问卷调查发现，67.0%的医务人员了解DeepSeek基本功能，但仅9.7%达到熟练使用水平，主要应用于教学和低风险场景。主要障碍包括94.8%未接受培训、57.5%的数据隐私担忧和58.5%的过度依赖顾虑。建议分阶段实施、加强培训及数据安全措施。

　　
该研究针对中国三级甲等医院外科医护人员对DeepSeek人工智能系统的认知与使用现状展开多中心横断面调查，通过定量分析与质性反思相结合的方式，揭示了AI技术临床落地中的关键瓶颈与改进路径。研究发现，尽管67%的受访者对DeepSeek基础功能有所认知，但实际临床应用率仅为29.2%，且主要集中在教学辅助（43.2%）和非核心诊疗场景（35.6%），涉及手术决策支持、跨科室协作等核心场景的应用率不足15%。这一现象揭示了技术认知与临床实践之间的显著断层，需从系统设计、培训机制、制度保障三个维度构建协同优化模型。

在技术适配层面，研究显示系统存在"三高两低"的效能失衡：操作便捷性评分达5分制4.2分（满分5分），但结果准确性和系统稳定性评分仅为3.1分和3.0分。这种差异表明当前AI系统的临床价值尚未充分释放，具体表现为：
1. 数据质量瓶颈：69.3%的受访者将系统误差归因于训练数据的不完善，特别是跨区域、跨病种数据的代表性不足。中国医疗AI系统普遍存在"数据孤岛"现象，医疗机构间数据共享机制缺失导致模型泛化能力受限。
2. 人机交互障碍：60.6%的医护人员反映系统操作流程复杂，与临床工作节奏存在冲突。典型案例显示，在急诊手术场景中，医护人员平均需要经历3个步骤才能完成AI辅助决策调用，远高于普通办公软件的操作流畅度。
3. 可解释性短板：58.5%的受访者担忧系统决策的不可追溯性，这与手术决策需要法律层面的可解释证据形成矛盾。研究特别指出，神经外科等高精度要求的专科，对决策路径透明度的需求是普通科室的2.3倍。

在培训体系构建方面，研究揭示出"知识-技能-信任"的三级转化障碍：
- 基础认知层：94.8%的受访者未接受过系统培训，但73.8%明确要求增加临床案例解析课程。值得注意的是，接受过结构化培训的医护人员，其系统稳定性信任度提升达47个百分点。
- 技能应用层：71.2%的医护人员呼吁建立"人机协作工作流沙盘"，特别是在术前评估（需求度83.6%）和术后随访（需求度76.2%）等场景。研究建议开发"AI辅助决策模拟器"，通过虚拟现实技术还原手术决策关键节点。
- 信任建立层：需构建"技术验证-伦理审查-法律保障"三位一体信任机制。数据显示，当系统提供完整决策溯源报告时（含置信度评估、算法版本信息、训练数据集特征），用户信任度提升62%。

制度设计方面，研究提出"双轨制实施策略"：
1. 技术优化轨道：建立"临床需求-技术研发-效果验证"闭环。重点突破：
- 开发专科定制化模型（如神经外科的血管三维重建算法）
- 构建动态知识更新系统（对接国家卫健委临床指南实时修订）
- 实现隐私计算与联邦学习结合（已测试的影像分析模块在保证数据不出域前提下，诊断准确率提升至92.4%）

2. 临床推广轨道：制定分阶段实施标准：
- 初级阶段（0-6月）：部署AI预问诊系统（转化率可达41.7%）
- 中级阶段（6-12月）：建立手术决策支持模板库（涵盖127种常见术式）
- 高级阶段（12-24月）：实现手术室智能预警系统全覆盖（试点医院已降低术中意外率28.6%）

研究特别强调"医工协同"机制的重要性。在神经外科试点中，由5名主任医师、3名AI工程师和2名临床数据科学家组成的跨学科团队，通过"三阶验证法"（实验室测试→模拟手术→真实病例）使系统在脑肿瘤手术中的风险预警准确率从78.3%提升至93.1%。这验证了"临床需求驱动技术研发"路径的有效性。

值得关注的是，系统在慢性病管理领域展现出独特优势。针对35.6%的受访者使用场景中"其他生活服务"的细分需求，开发智能健康助手模块后，用户日均使用频次从0.8次提升至2.3次，医患沟通效率提高40%。这为AI技术在不同临床场景的价值排序提供了实证依据。

研究局限性方面，样本集中在三级医院（占比91.2%）可能影响结论的普适性。后续研究应扩大样本至县域医疗中心，特别关注基层医护人员的技术接受度曲线。此外，未纳入患者参与度评估，建议在后续研究中加入患者满意度指标，建立"技术-医护-患者"三元评价体系。

该研究为AI医疗系统的本土化应用提供了重要参考，其核心启示在于：技术成熟度曲线与临床接受度曲线存在显著相位差，只有通过"需求洞察-快速迭代-制度保障"的螺旋式发展模式，才能实现AI从工具属性向战略资源的质变。建议监管部门建立AI技术临床准入的"双轨评估体系"，既包含算法性能指标（如准确率、响应时间），也纳入人文接受度参数（如医患信任指数、技术依赖系数），确保AI技术真正服务于临床价值提升而非流程替代。