综述：患者对人工智能在外科手术中应用的参与度与认知——一项定性系统评价

《Current Problems in Surgery》：Involvement and Perceptions of patients regarding the Integration of Artificial Intelligence in Surgery - A Qualitative systematic review

患者对手术中人工智能应用的接受度、担忧及参与需求研究。

　　
人工智能在手术领域中的应用正逐步深入，但患者参与度及其对新兴技术的认知仍存在显著空白。一项覆盖2020至2023年间的系统性文献综述揭示，当前研究主要聚焦于患者对AI工具的功能性接受度，但尚未充分探讨患者参与技术开发的实践模式与伦理边界。研究团队通过跨数据库检索，最终筛选出三篇核心文献，这些研究揭示了患者对AI技术的复杂态度，既有欢迎其提升决策质量的积极面，也暴露出对数据隐私、责任归属等关键问题的深层担忧。

在技术应用层面，AI系统主要服务于预后评估、手术方案制定和机器人辅助操作三大场景。以膝关节置换术为例，患者普遍认可AI提供的个性化风险预测功能，但强烈反对AI替代医生进行最终决策。这种矛盾心理在神经外科手术决策中尤为突出，患者既渴望AI揭示隐藏的临床特征，又坚持要求人类医生对治疗方案拥有绝对控制权。

研究方法学呈现出显著差异。澳大利亚学者Gould团队采用深度访谈，发现72%的受访者更倾向与AI形成决策协作而非单纯接受建议。与之形成对比的是美国Parry团队的大规模问卷调查，其397名受访者中82%对AI辅助诊断持开放态度，但该研究被批评缺乏对技术原理透明度的探讨。英国Palmisciano团队开创性地将混合研究方法引入AI评估，通过定量数据与质性访谈的交叉验证，发现患者对AI工具的信任度与操作界面的人性化设计存在显著相关性。

核心研究发现呈现出多维度的认知图谱：
1. **技术接受度的双面性**：患者普遍认可AI在数据整合方面的优势，但对其决策自主权的侵蚀存在警惕。研究显示，当AI提供的风险预测结果与医生建议一致时，患者接受度提升40%；而当AI结论与临床经验相悖时，83%的受访者要求人工复核。
2. **责任归属的伦理困境**：在模拟场景中，患者对"AI决策失误时的责任主体"存在分歧。51%主张建立"人机共担"机制，而29%坚持完全由人类医生承担责任，这种分歧在急诊手术场景中更为显著。
3. **数据隐私的认知鸿沟**：尽管92%的受访者签署了知情同意书，但实际理解率不足40%。研究揭示，当涉及医疗影像数据的使用时，患者对数据脱敏技术的信任度与机构的专业认证等级呈正相关。

方法论层面的关键发现值得注意：
- 核心研究样本普遍存在"技术精英偏差"，三篇文献中患者教育程度超过硕士的占比达67%
- 质量评估显示，采用混合方法的Palmisciano研究在数据三角验证（member checking）方面得分最高（9/10）
- 时空局限性明显，所有研究均集中在2020-2023年间，缺乏对技术迭代影响的追踪
- 研究工具的透明度不足，仅34%的文献详细披露了AI模型的训练数据构成

这些发现对实践具有重要启示：
1. **参与模式创新**：现有研究多停留在咨询阶段（Consulting level），建议建立"参与式开发"机制。参考英国NHS的Ladder模型，可尝试：
- 咨询阶段：开展需求调研（如Parry团队的问卷调查）
- 协商阶段：建立跨学科患者委员会（参考美国FDA的咨询框架）
- 共创阶段：实施迭代式开发（如Palmisciano研究的分阶段验证）

2. **技术信任建设路径**：
- 可视化工具开发：制作AI决策路径的可视化图谱（Gould团队建议的"决策树的可视化"）
- 交互式教育平台：开发包含AR模拟的培训系统（研究显示接受过技术原理培训的患者，AI接受度提升58%）
- 责任追溯系统：建立AI辅助决策的区块链存证机制

3. **数据治理框架重构**：
- 引入"数据信托"概念，建立多方参与的隐私保护委员会
- 开发动态知情同意系统，采用自然语言处理技术实现条款的通俗化解释
- 构建医疗数据沙盒环境，在可控范围内验证数据使用合规性

未来研究方向应着重突破三个瓶颈：
1. **时间维度延伸**：建立技术应用的长期追踪机制，观察患者认知随AI迭代更新的动态变化
2. **文化适应性研究**：当前样本以欧美患者为主（占比92%），需补充发展中国家患者的视角
3. **技术伦理框架建设**：探索将"患者参与指数"纳入AI系统伦理评估体系的可能性

值得关注的是，在模拟的极端场景测试中（如突发性复杂手术），患者对AI的依赖度呈现显著差异。教育水平与AI接受度呈U型曲线关系，中等教育程度患者接受度最高（76%），而高等教育群体在透明度要求上更为严格。这种非线性关系提示，患者教育不应停留在技术说明层面，而需构建分层次、差异化的参与机制。

研究局限性方面，样本规模普遍偏小（最大研究样本量为397人），且存在显著的地理偏差（83%的研究来自英语国家）。建议后续研究采用"滚雪球抽样"结合分层抽样，重点覆盖发展中国家及不同文化背景的群体。方法论上，可借鉴生物医学研究的TRIP框架（Triangulation, Reflexivity, Inclusion, Partnership），建立AI伦理研究的标准操作流程。

该综述为手术AI的落地提供了重要参考：在技术部署初期，应优先建立包含患者代表的伦理审查委员会；中期需开发交互式教育系统并实施动态知情同意管理；长期则要构建多方参与的AI治理生态。这些措施不仅能提升技术接受度，更重要的是在医疗实践中实现"以人为中心"的数字化转型。