中国医生接纳医疗AI的全国性调研：结合扩展UTAUT及可解释机器学习
目标：全面评价中国临床医师对医疗人工智能（AI）技术的接纳程度及主要影响因子。方式：于2024年1月至4月实施全国范围的横断面研究，涉及29个省级区域，总计招募4024位在职医师。运用改进的统一技术接受与使用理论（UTAUT）架构，并融合平衡随机森林等机器学习算法开展可解释性研究。发现：医师对医疗AI的接纳比例逾90%，各细分群体间无明显差异。绩效期望、社会影响、便利条件以及正向影响构成了显著的积极预测指标，但努力期望未表现出显著效应。医院级别、AI认知度及未来乐观度引发了6项负向调节作用。平衡随机森林算法的准确率达85.6%，AUC值为0.836；SHAP分析揭示，医院组织推动与临床获益感知是核心驱动要素。总结：中国医师对医疗AI的接纳程度处于全球前列，主要归因于组织支持与临床价值感知，而非易用性。提议应着重强化医院层面的制度推动及工作流融合。
关键词：医疗AI；医师接纳度；UTAUT；可解释机器学习；全国调研
近期，医疗人工智能（AI）在影像判读、临床决策辅助、预后预估等范畴的运用迅猛扩张。可是，技术本身的效能并不等同于临床一线的采纳意向。医师作为最终操作者，其对AI的接纳程度直接制约技术落地的深度与广度。虽然国际上已有若干关于医师对AI态度的调研，但针对中国这一庞大医疗体系的大规模、全国性探究依然相对匮乏。本探究意在全面评估中国在职医师对医疗AI的接纳水平，并甄别其核心影响要素，为后续推广策略提供实证支撑。
本探究属于横断面调研，于2024年1月至4月借助多阶段分层抽样实施，涵盖中国29个省级区域。纳入标准设定为在职执业医师，剔除实习及非临床岗位人员。总计回收有效问卷4024份。
依据改进的统一技术接受与使用理论（UTAUT），搭建探究框架。核心变量涵盖：
绩效期望
努力期望
社会影响
便利条件
正向影响
调节变量涵盖医院级别、AI认知度与未来乐观度。
运用结构方程模型（SEM）核实变量间关联与调节效应。随后搭建多种机器学习模型（逻辑回归、梯度提升、平衡随机森林等），并利用SHAP（Shapley Additive Explanations）实施可解释性剖析。模型评估指标包含准确率与AUC。
调研显示，中国医师对医疗AI工具的接纳度逾90%。不论性别、年龄、科室或地域，接纳度在各亚组间均未呈现显著差异，表现出显著的“天花板效应”。
显著正向预测要素：绩效期望（β=0.42, P<0.001）、社会影响（β=0.31, P<0.01）、便利条件（β=0.28, P<0.01）、正向影响（β=0.23, P<0.05）。
非显著要素：努力期望（β=0.05, P>0.05），暗示易用性未构成接纳度的阻碍。
调节效应：医院级别、AI认知度与未来乐观度共计引发6项负向调节作用。具体来讲，源自高等级医院、对AI较熟悉或持乐观态度的医师，对外部条件（如组织支持、社会影响）的依赖度反而更低。
最优模型：平衡随机森林，准确率85.6%，AUC为0.836。
逻辑回归与梯度提升：AUC最高均达0.840。
SHAP核心发现：
医院组织推动AI 是影响接纳度的至为关键特征；
临床获益感知（如提升诊断准确率、改善患者预后）位居次席。
本探究发现超90%的接纳率，显著高于欧美同期调研（约60%–75%）。此差异或许与中国医疗体系的数字化政策驱动、AI在基层医疗的快速铺展以及医师对新技术的高适应性相关。
努力期望未对接纳度产生显著影响，提示当前主流医疗AI工具已基本满足医师对界面与操作流程的可用性诉求。未来不应将精力过度聚焦于简化交互上，而应转向价值验证。
SHAP分析清晰显示，医院层面的制度推动比医师的个体特征更具预测力。高等级医院医师对外部支持的依赖减弱，表明组织推动在初期尤为关键，而成熟用户更关注临床实质价值。
本探究存在如下局限：
样本偏向三甲医院与高级职称医师，基层医疗机构代表性欠缺；
未区分不同AI应用类型（如影像、病理、CDSS等），结果较为宏观。
未来探究可针对基层医师开展专项调研，并分类型剖析接纳度差异。
中国医师对医疗AI的接纳度处于全球领先水准，核心驱动力为组织支持与临床价值感知，而非易用性。提议医疗AI在落地进程中：
早期阶段：强化医院层面的制度推动与资源配置；
成熟阶段：转向同行经验共享与临床价值展示；
技术设计：优先完善基础设施与工作流整合，而非单纯优化界面。
通过扩展UTAUT与可解释机器学习的融合，可为不同发展阶段、不同层级医院制定精准推广策略提供科学依据。
[1] Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view.MIS Quarterly, 27(3), 425–478.
[2] Liu, Y., Chen, P. H., & Wang, X. (2026). Chinese physicians’ acceptance of medical artificial intelligence: A national cross‑sectional study based on extended UTAUT and explainable machine learning.JMIR Medical Informatics, 14(2), e51234.
[3] Topol, E. J. (2019). High-performance medicine: the convergence of human and artificial intelligence.Nature Medicine, 25(1), 44–56.
[4] Scott, I. A., & Cook, D. (2020). Clinician‑friendly artificial intelligence for diagnosis: value, challenges and practical implementation.Internal Medicine Journal, 50(9), 1044–1050.
[5] Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions.Advances in Neural Information Processing Systems, 30, 4765–4774.
[6] Chen, M., & Decary, M. (2020). Artificial intelligence in healthcare: An essential guide for health leaders.Healthcare Management Forum, 33(1), 10–18.