相微笑　李鮮苗

摘要：目的試圖探索影響護(hù)士對(duì)于醫(yī)療人工智能采納意愿的因素，為提高護(hù)士采納意愿、推廣和改善醫(yī)療人工智能提供參考。方法對(duì)安徽省合肥市和淮南市的263名在職護(hù)士進(jìn)行問卷調(diào)研，以壓力交易理論為基礎(chǔ)，構(gòu)建了以阻礙性評(píng)估和挑戰(zhàn)性評(píng)估作為中介變量的雙重路徑模型。結(jié)果輔助型AI、自主型AI對(duì)護(hù)士采納意愿存在正向影響，阻礙性評(píng)估和挑戰(zhàn)性評(píng)估在輔助型AI與采納意愿之間起中介作用；挑戰(zhàn)性評(píng)估在自主型AI與采納意愿之間起中介作用。結(jié)論應(yīng)重視自主型AI的研發(fā)與改善，醫(yī)院管理者應(yīng)關(guān)注護(hù)士對(duì)醫(yī)療人工智能的認(rèn)知評(píng)估。

關(guān)鍵詞：醫(yī)療人工智能，采納意愿，壓力交易理論

中圖分類號(hào)：TP391

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1674-9545（2023）03-0117-（07）

DOI：10.19717/j.cnki.jjun.2023.03.023

1問題提出

人工智能（artificial intelligence，AI）于1956年起源于美國^[1]，當(dāng)時(shí)其本質(zhì)是一種通過分析現(xiàn)有數(shù)據(jù)和自我學(xué)習(xí)而建立的算法。醫(yī)學(xué)人工智能是指通過機(jī)器學(xué)習(xí)、表征學(xué)習(xí)、深度學(xué)習(xí)等智能算法和技術(shù)，應(yīng)用輔助診斷、風(fēng)險(xiǎn)預(yù)測(cè)、疾病分診、健康管理、醫(yī)院管理等一系列功能^[2]。在2020年初的COVID-19疫情中，人工智能算法結(jié)合胸部計(jì)算機(jī)斷層掃描結(jié)果、臨床癥狀、接觸史和實(shí)驗(yàn)室測(cè)試，能夠快速診斷出COVID-19陽性患者^[3]。雖然醫(yī)療人工智能具有診斷準(zhǔn)確率高、提高醫(yī)護(hù)人員工作效率等特點(diǎn)，但在高速發(fā)展的同時(shí)，也逐漸出現(xiàn)了一些阻礙人工智能被普遍接受的現(xiàn)有障礙，如算法缺乏透明度、數(shù)據(jù)安全風(fēng)險(xiǎn)、責(zé)任分擔(dān)不明確^[4]。欠發(fā)達(dá)地區(qū)的醫(yī)務(wù)工作者擔(dān)憂未來會(huì)被人工智能取代 ^[5]。我國的醫(yī)療服務(wù)水平在經(jīng)過多年的改革后顯著提高，但優(yōu)質(zhì)的醫(yī)療資源并不能得到均衡的分配，醫(yī)療服務(wù)水平在區(qū)域之間、城鄉(xiāng)之間存在一定差距^[6]。醫(yī)療人工智能的出現(xiàn)可以提高基層醫(yī)護(hù)人員的診療能力，縮小區(qū)域間差距^[7]。因此現(xiàn)階段研究醫(yī)護(hù)人員對(duì)醫(yī)療人工智能的采納意愿是十分迫切且必要的。

醫(yī)護(hù)人員和患者是醫(yī)療人工智能的最終用戶，直接或間接地決定著人工智能的實(shí)施。目前對(duì)于醫(yī)療信息技術(shù)采納意愿的研究中，在技術(shù)方面主要包括臨床信息系統(tǒng)、移動(dòng)醫(yī)療、電子病歷和電子健康記錄等醫(yī)療信息系統(tǒng)及服務(wù)^[8-10]。另外，根據(jù)研究視角的不同，可將醫(yī)療人工智能采納意愿的研究分為三類：醫(yī)療機(jī)構(gòu)、患者，醫(yī)護(hù)人員。其中，患者和醫(yī)護(hù)人員是研究人員的主要研究對(duì)象。目前對(duì)醫(yī)護(hù)人員采納意愿的研究主要是基于單一的技術(shù)接受理論（TAM）和整合技術(shù)接受模型（UTAUT）^[11-12]，這些理論模型主要考慮技術(shù)的可用性和實(shí)用性，而鮮考慮到用戶的認(rèn)知和心理特征等因素。醫(yī)療人工智能技術(shù)的使用改變了醫(yī)護(hù)人員的工作模式，對(duì)他們的知識(shí)儲(chǔ)備也提出了更高的要求，使醫(yī)護(hù)人員的工作任務(wù)面臨更大的不確定性，這將影響醫(yī)護(hù)人員在工作過程中的認(rèn)知。另外，關(guān)于醫(yī)護(hù)人員接受人工智能的微觀過程機(jī)制和醫(yī)療場(chǎng)景的研究還很有限，現(xiàn)有研究大多關(guān)注宏觀的醫(yī)療人工智能的治理，如產(chǎn)業(yè)發(fā)展現(xiàn)狀、風(fēng)險(xiǎn)與倫理、相關(guān)法律政策等。護(hù)士在醫(yī)學(xué)從業(yè)人員中占據(jù)很大一部分比重，是醫(yī)療人工智能核心用戶之一，其對(duì)于醫(yī)療AI的感知與態(tài)度問題是完善、調(diào)整人工智能技術(shù)的關(guān)鍵因素，對(duì)發(fā)揮人工智能技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用價(jià)值具有重要的意義。因此，文章以護(hù)士為研究對(duì)象，根據(jù)壓力交易理論和資源保存理論試圖探索護(hù)士醫(yī)療人工智能采納意愿的影響機(jī)制。

1.1自主型AI與輔助型AI對(duì)采納意愿的影響

自主型醫(yī)療AI指的是獨(dú)立完成在線診斷、回答問題和使用數(shù)據(jù)庫進(jìn)行病例分析的人工智能機(jī)器人。在獨(dú)立診斷和治療的醫(yī)療人工智能下，所產(chǎn)生的結(jié)果的可解釋性有限，在監(jiān)督技術(shù)中對(duì)大型數(shù)據(jù)集有高度依賴^[13]。輔助型醫(yī)療AI是指用于完成日常輔助任務(wù)的人工智能機(jī)器人，如指導(dǎo)方式、醫(yī)院的咨詢、圖像捕捉和識(shí)別、手術(shù)中的輔助支持、防疫信息等。輔助型醫(yī)療AI在一些領(lǐng)域的應(yīng)用已經(jīng)比較成熟，例如口腔醫(yī)學(xué)，它可以顯著提高手術(shù)的精度、安全性和治療效果^[14]。采納意愿在該研究中是指護(hù)士愿意使用、學(xué)習(xí)并向其他人推薦醫(yī)療人工智能的意愿。根據(jù)資源保存理論的觀點(diǎn)，個(gè)體具有保持、保護(hù)和獲取其認(rèn)為有價(jià)值的資源的傾向，因此無論是潛在的還是實(shí)際的資源損失都會(huì)引發(fā)個(gè)體的緊張和壓力^[15]。醫(yī)療人工智能作為醫(yī)療領(lǐng)域內(nèi)新興的技術(shù)，在一定程度上影響著護(hù)士的工作模式、工作效率以及職業(yè)發(fā)展，因此合理認(rèn)為，醫(yī)療AI是護(hù)士工作過程中的一個(gè)新增的壓力源。Longoni等人（2019）認(rèn)為，任務(wù)特征與技術(shù)接受度密切相關(guān)，人們對(duì)人工智能技術(shù)的接受或抗拒可能與他們使用的任務(wù)場(chǎng)景和特征有關(guān)^[16]?；诖耍恼赂鶕?jù)醫(yī)療人工智能的應(yīng)用場(chǎng)景分為輔助性醫(yī)療AI與自主型醫(yī)療AI，試圖探索這兩種不同的應(yīng)用場(chǎng)景是否會(huì)對(duì)護(hù)士的采納意愿產(chǎn)生不同的影響機(jī)制。當(dāng)醫(yī)療AI被護(hù)士認(rèn)為是一種具有價(jià)值的資源時(shí)，個(gè)體便會(huì)傾向于學(xué)習(xí)并利用該資源，以達(dá)到提高自身價(jià)值的目的，也就是說，護(hù)士對(duì)醫(yī)療AI的價(jià)值認(rèn)可度越高則采納意愿就會(huì)越高。

綜上，該研究提出以下假設(shè)：①H1a：輔助型AI正向影響采納意愿；②H1b：自主型AI正向影響采納意愿。

1.2阻礙型評(píng)估與挑戰(zhàn)型評(píng)估的中介作用

評(píng)估被認(rèn)為是連接壓力源和壓力結(jié)果的心理機(jī)制。Webster等研究證明了挑戰(zhàn)性和阻礙性評(píng)估在壓力源和壓力結(jié)果之間充當(dāng)部分中介的作用^[17]。Lepine等驗(yàn)證了壓力評(píng)估在壓力源和工作績(jī)效之間的機(jī)制作用^[18]。同樣，江宇暉等驗(yàn)證了員工個(gè)人的評(píng)估策略在時(shí)間壓力和員工創(chuàng)造力關(guān)系之間的中介作用^[19]。

壓力交易理論的核心思想是：壓力評(píng)估是連接壓力源和壓力結(jié)果的重要機(jī)制。人們首先評(píng)估壓力源，并在評(píng)估的基礎(chǔ)上做出應(yīng)對(duì)行為^[20]。該本研究中，護(hù)士通過對(duì)兩種醫(yī)療AI進(jìn)行評(píng)估進(jìn)而影響采納意愿。壓力交易理論和相關(guān)研究表明^[21]，挑戰(zhàn)性評(píng)估與阻礙性評(píng)估并不是互相排斥的，即個(gè)體對(duì)同一種壓力源，既可以做出挑戰(zhàn)性評(píng)估，也可以做出阻礙性評(píng)估。由此認(rèn)為，輔助型AI與自主型AI既可以被護(hù)士評(píng)估為挑戰(zhàn)，也可以被評(píng)估為阻礙。也就是說，一方面，醫(yī)療人工智能對(duì)于護(hù)士而言是一種有益的工具，使用醫(yī)療人工智能能夠使護(hù)士產(chǎn)生成就感和提升工作效率，同時(shí)也能給護(hù)士帶來贊譽(yù)、升職、獎(jiǎng)金等一系列收獲^[22]，從而促進(jìn)個(gè)體的成長(zhǎng)和發(fā)展。從這個(gè)角度來看，醫(yī)療AI可能會(huì)被個(gè)體評(píng)估為挑戰(zhàn)。而另一方面，醫(yī)療AI的使用并不能給護(hù)士帶來有益的結(jié)果，反而面臨工作能力的質(zhì)疑和工作內(nèi)容的替代，增加了護(hù)士的心理成本。當(dāng)個(gè)體很難確定投入的時(shí)間和精力是否會(huì)得到回報(bào)時(shí)，通常會(huì)出現(xiàn)阻礙性評(píng)估^[23]。因此，也可以被視為阻礙。

挑戰(zhàn)性評(píng)估和阻礙性評(píng)估能夠產(chǎn)生不同的結(jié)果。壓力交易理論與相關(guān)研究表明，挑戰(zhàn)性評(píng)估能夠促進(jìn)個(gè)體對(duì)于潛在的達(dá)成目標(biāo)和高成就感的期望，因此一般會(huì)使員工產(chǎn)生有利的情緒、態(tài)度和行為結(jié)果，而阻礙性評(píng)估則基于潛在的失敗和傷害，通常會(huì)對(duì)員工產(chǎn)生不利影響^[24]。 基于此，該研究認(rèn)為輔助型AI與自主型AI會(huì)通過挑戰(zhàn)型評(píng)估和阻礙性評(píng)估影響護(hù)士的采納意愿。

綜上，該研究提出以下假設(shè)：①H2a：輔助型AI會(huì)通過挑戰(zhàn)性評(píng)估影響采納意愿。②H2b：輔助型AI會(huì)通過阻礙性評(píng)估影響采納意愿。③H3a：自主型AI會(huì)通過挑戰(zhàn)性評(píng)估影響采納意愿。④H3b：自主型AI會(huì)通過阻礙性評(píng)估影響采納意愿。

綜上，文章的研究模型如圖1所示。

2研究對(duì)象與方法

2.1研究對(duì)象

該研究采用問卷調(diào)查的方法。2022年7月-2022年9月對(duì)合肥市和淮南市的醫(yī)院的護(hù)士發(fā)放問卷，調(diào)研對(duì)象的標(biāo)準(zhǔn)包括擁有護(hù)士資格證書、所在科室選擇使用醫(yī)療AI。共發(fā)放了400份問卷，回收307份，回收率為76.8%。篩選不完整和明顯不合格的問卷后，有效問卷共計(jì)263份。

2.2研究工具

選用具有高信效度和使用廣泛的成熟量表對(duì)變量進(jìn)行測(cè)量。對(duì)于國外測(cè)量量表，遵循了“翻譯-回譯”程序以確保在國內(nèi)情景中能夠有效使用。并在咨詢相關(guān)從業(yè)人員的建議下對(duì)題項(xiàng)進(jìn)行了適當(dāng)?shù)男薷?，量表采用Likert五點(diǎn)法進(jìn)行測(cè)量，1-5表示從“非常不同意”到“非常同意”。

（1）輔助型AI和自主型AI。結(jié)合Bigman & Gray^[25]與Huo等^[26]在醫(yī)學(xué)人工智能領(lǐng)域基于場(chǎng)景的調(diào)查問卷。輔助型AI題目包括“AI會(huì)提升我在醫(yī)療診治過程中的效率”等，共計(jì)5個(gè)題項(xiàng)；自主型AI題目包括“AI會(huì)自主行動(dòng)，無需我的指令”等，共計(jì)5個(gè)題項(xiàng)。

（2）挑戰(zhàn)性評(píng)估和阻礙性評(píng)估。選擇Lepine等^[18]2016年所開發(fā)的量表，共8個(gè)題項(xiàng)。挑戰(zhàn)性評(píng)估包括“醫(yī)療人工智能的使用幫助我學(xué)到很多（新知識(shí)）”等，共計(jì)4個(gè)題項(xiàng)。阻礙性評(píng)估包括“醫(yī)療人工智能的使用會(huì)影響我達(dá)成原有工作目標(biāo)”等，共計(jì)4個(gè)題項(xiàng)。

（3）采納意愿。結(jié)合 Bhattacherjee等人^[27]2001年開發(fā)的量表，共3個(gè)題項(xiàng)。包括“我愿意學(xué)習(xí)與使用醫(yī)療AI 技術(shù)”等。

2.3信度檢驗(yàn)

在進(jìn)行假設(shè)模型驗(yàn)證之前，對(duì)變量進(jìn)行信度檢驗(yàn)。通過計(jì)算變量的克朗巴赫 α系數(shù)，模型中變量的信度均大于0.8（見表1）。

3結(jié)果與分析

所有數(shù)據(jù)采用SPSS 23.0進(jìn)行描述性統(tǒng)計(jì)分析、相關(guān)性分析、回歸分析，使用SPSS process macro 3.5（MODEL 4）檢驗(yàn)中介效應(yīng)，采用Amos 23.0進(jìn)行驗(yàn)證性因子分析。數(shù)據(jù)分析結(jié)果如下。

3.1描述性統(tǒng)計(jì)分析

描述性統(tǒng)計(jì)結(jié)果顯示，此次調(diào)查大多數(shù)參與者是女性（74.5%），其中92.8%的參與者年齡小于41歲，本科及以上學(xué)歷大約占1/3（31.6%），68.4%的參與者工齡大于一年，所在科室集中在影像和實(shí)驗(yàn)室，詳見表2。

3.2效度檢驗(yàn)

驗(yàn)證性因子分析結(jié)果表明，五因素模型的擬合結(jié)果是χ²/df=2.510， NFI=0.929，RFI=0.917，IFI=0.956，CFI=0.956，RMSEA=0.076，單因素CFA的各項(xiàng)擬合指數(shù)較差，結(jié)果是χ²/df=18.334，NFI=0.440， RFI=0.378，IFI=0.453，CFI=0.451， RMSEA=0.261），五因素模型明顯優(yōu)于其他模型，說明該研究共同方法偏差得到較好的控制（見表3）。

3.3相關(guān)性分析

由表4可知，輔助型AI和自主性AI與采納意愿顯著正相關(guān)，輔助型AI、自主型AI與挑戰(zhàn)性評(píng)估顯著正相關(guān)，挑戰(zhàn)性評(píng)估與采納意愿顯著正相關(guān)。輔助型AI、自主型AI與阻礙性評(píng)估顯著負(fù)相關(guān)，阻礙型評(píng)估與采納意愿顯著負(fù)相關(guān)，該結(jié)果為后續(xù)進(jìn)行中介作用檢驗(yàn)奠定了基礎(chǔ)。

3.4假設(shè)檢驗(yàn)

文章采用層次回歸分析檢驗(yàn)不同變量之間的關(guān)系。由表5中模型2和模型3得出輔助型AI、自主型AI對(duì)挑戰(zhàn)性評(píng)估有正向影響；由模型5和模型6得出輔助型AI、自主型AI對(duì)阻礙性評(píng)估有負(fù)向影響；由模型8和模型9得出輔助型AI與采納意愿呈顯著正相關(guān)，與此同時(shí)，自主型AI與采納意愿存在顯著正相關(guān)關(guān)系，因此假設(shè)H1a、H1b得到支持。由模型10、模型11、模型12和模型13可以得出挑戰(zhàn)性評(píng)估與阻礙性評(píng)估在輔助型AI、自主型AI與采納意愿之間的中介效應(yīng)得到了初步的檢驗(yàn)。

對(duì)于包含多個(gè)自變量多個(gè)中介變量條件下的間接效應(yīng)的檢驗(yàn)，一般采用多元多重中介效應(yīng)的檢驗(yàn)方法。因此，該研究利用SPSS插件Process宏程序，使用bootstrap方法重復(fù)抽樣5000次檢驗(yàn)。中介效應(yīng)檢驗(yàn)結(jié)果見表6。

由表6中的結(jié)果可知，輔助型AI與采納意愿的總效應(yīng)為0.522，95%的置信區(qū)間為[0.397，0.631]，不包括0，總效應(yīng)顯著。輔助型AI與采納意愿的總間接效應(yīng)為0.302，95%的置信區(qū)間為[0.190，0.420]，不包括0，總間接效應(yīng)顯著。此外，中介路徑1的間接效應(yīng)值為0.275。95%的置信區(qū)間為[0.172，0.388]，不包括0，挑戰(zhàn)性評(píng)估的中介效應(yīng)顯著。假設(shè)H2a成立。中介路徑2的間接效應(yīng)值為0.027。95%的置信區(qū)間為[0.003，0.061]，不包括0，阻礙性評(píng)估的中介效應(yīng)顯著。假設(shè)H2b成立。

自主型AI與采納意愿的總效應(yīng)為0.297，95%的置信區(qū)間為[0.193，0.392]，不包括0，總效應(yīng)顯著。自主型AI與采納意愿的總間接效應(yīng)為0.213，95%的置信區(qū)間為[0.129，0.296]，不包括0，總間接效應(yīng)顯著。此外，中介路徑3的間接效應(yīng)值為0.173。95%的置信區(qū)間為[0.105，0.242]，不包括0，挑戰(zhàn)性評(píng)估的中介效應(yīng)顯著。假設(shè)H3a成立。中介路徑4的間接效應(yīng)值為0.041。95%的置信區(qū)間為[-0.001，0.082]，包括0，阻礙性評(píng)估的中介效應(yīng)不顯著。因此，假設(shè)H3b沒有得到支持。

4討論

與研究假設(shè)一致，輔助型AI和自主型AI對(duì)護(hù)士采納意愿有顯著的正向影響（H1a、H1b），另外，輔助型AI還會(huì)通過挑戰(zhàn)性評(píng)估間接影響采納意愿（H2a），同時(shí)，也通過阻礙性評(píng)估間接影響采納意愿（H2b）。自主型AI會(huì)通過挑戰(zhàn)性評(píng)估間接對(duì)采納意愿產(chǎn)生正向影響（H3a）。上述發(fā)現(xiàn)符合壓力交易理論的相關(guān)研究結(jié)論，即護(hù)士對(duì)醫(yī)療AI采納意愿的評(píng)估過程，是根據(jù)自身意義建構(gòu)而對(duì)客觀壓力形成的重要性判定。

然而，數(shù)據(jù)分析結(jié)果并沒有支持H3b，即阻礙型評(píng)估在自主型AI和采納意愿之間不存在明顯的中介效應(yīng)。對(duì)此，文章認(rèn)為這樣的結(jié)果也符合壓力交易理論的相關(guān)研究^[28]。工作需求分成阻礙性壓力源和挑戰(zhàn)性壓力源這兩大類。并且挑戰(zhàn)性的工作需求通常會(huì)被個(gè)體評(píng)估為挑戰(zhàn)，而阻礙性的工作需求通常被評(píng)估為阻礙，但某些工作需求在不同程度上，既可以被評(píng)估為挑戰(zhàn)，也可以被評(píng)估為阻礙。因此，對(duì)于護(hù)士來講，自主型AI可能更接近于一種挑戰(zhàn)性壓力源，因而通常評(píng)估為挑戰(zhàn)。

5啟示

該研究初步探索了影響護(hù)士對(duì)于醫(yī)療人工智能采納意愿的過程，所以在此提出以下實(shí)踐意義。

首先，醫(yī)療AI開發(fā)者應(yīng)該更加關(guān)注自主型醫(yī)療AI的研發(fā)。文章的研究結(jié)果表明護(hù)士對(duì)于自主型AI偏向評(píng)估為挑戰(zhàn)，當(dāng)護(hù)士認(rèn)為自主型AI的挑戰(zhàn)性越高時(shí)，則護(hù)士對(duì)醫(yī)療AI的采納意愿就越高，自主型AI的完善對(duì)于采納意愿的提高有重要的意義。為了確保臨床護(hù)理的有效性，開發(fā)人員必須認(rèn)識(shí)到不同角色和任務(wù)的醫(yī)護(hù)人員的不同需求。提供有效的策略和優(yōu)化的響應(yīng)，以滿足不同場(chǎng)景下不同用戶的需求，并提供可用于臨床護(hù)理決策的內(nèi)容。這包括確保系統(tǒng)提供的信息內(nèi)容與臨床護(hù)理實(shí)踐一致，并確保系統(tǒng)的設(shè)計(jì)和開發(fā)符合醫(yī)療行業(yè)的標(biāo)準(zhǔn)和規(guī)范。系統(tǒng)應(yīng)該建立合理的警告和提醒頻率^[29]。另外開發(fā)者也應(yīng)該注重輔助型AI的用戶體驗(yàn)，如果系統(tǒng)不可用、反應(yīng)遲鈍或不靈活，就會(huì)影響用戶的使用意愿。因此必須提高操作的簡(jiǎn)潔性和靈敏性，確保提供信息的準(zhǔn)確性。

其次，醫(yī)院管理者應(yīng)該調(diào)整管理策略，鼓勵(lì)護(hù)士使用醫(yī)療AI，關(guān)注護(hù)士的職業(yè)發(fā)展需求，為相關(guān)護(hù)士提供技術(shù)培訓(xùn)和學(xué)習(xí)的機(jī)會(huì)，增強(qiáng)護(hù)士對(duì)醫(yī)療人工智能信任和了解，防止因?yàn)樾畔⒈趬径鴮?dǎo)致的抗拒使用。另外，醫(yī)院管理者應(yīng)重視醫(yī)療AI的服務(wù)質(zhì)量，安排專業(yè)的工程師定期維護(hù)，定期組織更新維護(hù)數(shù)據(jù)庫，增強(qiáng)網(wǎng)絡(luò)信號(hào)強(qiáng)度，確保網(wǎng)絡(luò)順暢，加強(qiáng)互聯(lián)網(wǎng)信息安全，防止隱私數(shù)據(jù)泄露或損壞。并排除不安全因素，做好應(yīng)急處置預(yù)案，避免因智能系統(tǒng)崩潰而造成重大安全事故。從而降低護(hù)士因?qū)︶t(yī)療人工智能的不信任感和不完全感而導(dǎo)致的阻礙性評(píng)估。最后，醫(yī)院管理者也應(yīng)該關(guān)注護(hù)士使用醫(yī)療人工智能后的情緒狀態(tài)，及時(shí)反饋，記錄護(hù)士的使用體驗(yàn)，根據(jù)反饋信息做出智能系統(tǒng)的改善以及修正相關(guān)管理辦法，降低護(hù)士對(duì)于醫(yī)療AI的阻礙性評(píng)估。

最后，政府一方面要加大對(duì)醫(yī)療人工智能的宣傳，增強(qiáng)醫(yī)護(hù)人員對(duì)醫(yī)療人工智能的認(rèn)可度，提高醫(yī)護(hù)人員的工作效率和服務(wù)質(zhì)量。另外，要對(duì)醫(yī)療AI的研發(fā)提供資金支持，加快醫(yī)療AI的推廣和普及，從而縮小城鄉(xiāng)醫(yī)療衛(wèi)生服務(wù)的質(zhì)量差距。另一方面必須制定一個(gè)完整的法律體系?；凇盁o害"原則，對(duì)人工智能從實(shí)驗(yàn)室到臨床應(yīng)用的每一步都要制定嚴(yán)格和謹(jǐn)慎的規(guī)則，法律體系必須是靈活的，必須跟上時(shí)代的步伐，不能一成不變。政府需要對(duì)現(xiàn)行法規(guī)進(jìn)行更新研究，及時(shí)消除新出現(xiàn)的法律歧義或不妥之處，并完善法律條款。

參考文獻(xiàn)：

[1]Jiang L，Wu Z，Xu X，et al. Opportunities and challenges of crtificial intelligence in the medical field： current application， emerging problems， and problem-solving strategies[J]. Journal of International Medical Research，2021，49（3）：1.

[2]He J，Baxter S L，Xu J，et al. The practical implementation of artificial intelligence technologies in medicine[J].Nature Medicine，2019，25（1）：30.

[3]Mei X，Lee H C，Diao K Y，et al. Artificial intelligence-enabled rapid diagnosis of patients with COVID-19. [J]. Nature Medicine ，2020，26（8）：1224.

[4]Longoni C，Bonezzi A，Morewedge CK. Resistance to medical artificial intelligence[J]. Journal of Consumer Research，2019，46（4）：629.

[5]Abdullah R，F(xiàn)akieh B. Health care employees perceptions of the use of artificial intelligence applications：survey study[J].Journal of Medical Internet Research，2020，22（5）：1.

[6]鄭繼承.我國醫(yī)療衛(wèi)生資源配置的均衡性研究[J].中國衛(wèi)生資源，2019，22（5）：362．

[7]趙嘉瑩，高鵬，朱勇俊，等．人工智能的應(yīng)用將改進(jìn)中國基層醫(yī)療衛(wèi)生服務(wù)效能[J]．中國全科醫(yī)學(xué)，2017，（34）：6．

[8]Liu Y，Chen Y，Tzeng GH. Identification of key factors in consumers adoption behavior of intelligent medical terminals based on a hybrid modified MADM model for product improvement[J]. International Journal of Medical Informatics，2017，105（4）：68.

[9]張敏，羅梅芬，聶瑞，等.信息生態(tài)視域下移動(dòng)醫(yī)療APP用戶持續(xù)采納意愿分析[J]. 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2017，1（4）：46.

[10]Spatar D，Kok O，Basoglu N，et al. Adoption factors of electronic health record systems[J]. Technology in Society，2019，58（1）：101144.

[11]Davis FD. Perceived usefulness，perceived ease of use，and user acceptance of information technology[J]. MIS Quarterly，1989，13（3）：319.

[12]Venkatesh V，Morris MG，Davis GB，et al. User Acceptance of Information Technology： Toward a Unified View[J]. MIS Quarterly，2003，27（3）：425.

[13]Yousefirizi F，Decazes P，Amyar A，et al.AI-Based detection，classification and prediction/prognosis in medical imaging： towards radiophenomics[J]. PET Clinics，2022，17（1）：183.

[14]Chen YW，Stanley K，Att W. Artificial intelligence in dentistry： current applications and future perspectives[J]. Quintessence International，2020，51（5）：248.

[15]Hobfoll S E. Conservation of resources：a new attempt at conceptualizing stress[J]. American Psychologist，1989，44（3）：513.

[16]Longoni C，Bonezzi A，Morewedge CK. Resistance to medical artificial intelligence[J]. Journal of Consumer Research，2019，46（4）：629.

[17]Webster JR，Beehr TA，Love K. Extending the challenge–hindrance model of occupational stress： the role of appraisal[J]. Journal of Vocational Behavior，2011，79（2）：505.

[18]LePine MA，Zhang Y，Crawford ER，et al. Turning their pain to gain：charismatic leader influence on follower stress appraisal and job performance[J]. Academy of Management Journal，2016，59（3）：1036.

[19]江宇暉，尚玉釩，李瑜佳.時(shí)間壓力是扼殺還是激發(fā)個(gè)體創(chuàng)造力.領(lǐng)導(dǎo)語言框架的調(diào)節(jié)作用[J].科學(xué)學(xué)與科學(xué)技術(shù)管理，2019，40（7）：121.

[20]Lepine JA，Podsakoff NP，Lepine MA. A meta-analytic test of the challenge stressor-hindrance stressor framework： an explanation for inconsistent relationships among stressors and performance[J].Academy of Management Journal，2005，48（5）：764.

[21]Searle BJ，Auton JC. The merits of measuring challenge and hindrance appraisals[J]. Anxiety， Stress & Coping，2015，28（2）：121.

[22]張文勤，汪冬冬.挑戰(zhàn)—抑制性壓力對(duì)工作投入與反生產(chǎn)力行為的影響——領(lǐng)導(dǎo)方式的調(diào)節(jié)作用[J].軟科學(xué)，2017，31（11）：75．

[23]Crawford ER，LePine JA，Rich BL. Linking job demands and resources to employee engagement and burnout：a theoretical extension and meta-analytic test[J]. Journal of Applied Psychology，2010，95（5）：834.

[24]Skinner N，Brewer N. The dynamics of threat and challenge appraisals prior to stressful achievement events[J]. Journal of Personality and Social Psychology，2002，83（3）：678.

[25]Bigman YE，Gray K. People are averse to machines making moral decisions[J]. Cognition，2018，181（3）：21.

[26]Huo W，Zheng G，Yan J，et al. Interacting with medical artificial intelligence：integrating self-responsibility attribution，human–computer trust，and personality[J]. Computers in Human Behavior，2022，132（4）：107253.

[27]Bhattacherjee A. Understanding information systems continuance：an expectation-confirmation model[J]. MIS Quarterly，2001，25（3）：351.

[28]陳暢，張喆，賈明.組織延展性目標(biāo)對(duì)員工情緒耗竭的影響機(jī)制研究：基于壓力交易理論的視角[J].管理工程學(xué)報(bào)，2019，33（3）：1.

[29]盧雯，陳湘玉.護(hù)理臨床決策支持系統(tǒng)使用意愿的影響因素研究[J].護(hù)理學(xué)報(bào)，2023，30（5）：18.

（責(zé)任編輯 胡安娜）