AI 建议的呈现时机如何影响医生决策(MNSC 2025)

多客科技

作者：微信文章
文章标题


Designing AI-Based Work Processes: How the Timing of AI Advice Affects Diagnostic Decision Making
作者


Jiamin Yin, Kee Yuan Ngiam, Sharon Swee-Lin Tan, Hock Hai Teo
发表期刊


Management Science
文章主旨


本文通过实验探究 AI 建议的呈现时机（事前 vs. 事后）如何影响医生的诊断决策质量。研究发现，相比事前同步提供 AI 建议，事后（医生完成初步诊断后）提供 AI 建议能显著提升诊断准确性和校准度（即信心与准确性的匹配度）。这一效果源于事后建议促使医生更全面地处理临床信息，并更主动地参与 AI 推理逻辑的批判性思考。
背景信息

AI 在医疗诊断中的应用现状临床 AI 系统在糖尿病视网膜病变、皮肤癌等疾病诊断中已达到专家水平，但如何有效整合 AI 到常规诊断流程仍缺乏指导。现有研究多关注 AI 性能本身，忽视工作流程设计（如建议时机）的影响。诊断流程的复杂性传统诊断是迭代过程，需收集、整合患者信息并验证假设。AI 建议的介入时机可能通过影响医生的信息处理模式和认知偏差（如锚定效应），进而影响决策质量。现有研究空白多数 AI 辅助决策研究未探讨建议时机的作用，且对医生如何认知整合 AI 建议的机制理解不足。

核心内容


作者与新加坡医院合作，招募 55 名急诊与普外科医生，通过模拟急性腹痛病例诊断实验，比较三种条件下的诊断表现：

事后建议组医生先独立诊断，再接收 AI 建议（含推理依据）；事前建议组医生同步查看病例与 AI 建议；对照组无 AI 建议。
结果显示，事后建议组的诊断准确性比对照组高 18.1%，校准度提升 13.3%，且对 AI 建议的正误区分能力更强。机制分析表明，事后建议促使医生处理更多临床特征（+17.6%），并更频繁地质疑或认同 AI 推理（+24.8%）。

研究问题

AI 建议的呈现时机（事后 vs. 事前）如何影响医生的诊断准确性和校准度？时机影响的内在机制是什么？（如信息处理深度、AI 推理参与度）

研究假设

H1：事后提供 AI 建议比事前同步提供更能提升诊断质量；H2：事后建议通过促进更全面的信息处理和 AI 推理批判性思考，改善诊断结果。

研究结论

时机的关键作用事后建议组的诊断准确性（2.18 分 vs. 对照组 1.61 分）和校准度（0.15 vs. 对照组 0.27）均最优，事前建议组与对照组无显著差异。机制验证

信息处理深度：事后组分析的关键临床特征数（4.37 个）比事前组（3.75 个）和对照组（3.71 个）更多；认知参与度：事后组对 AI 推理的认同 / 质疑频率（32.4%/30.2%）显著高于事前组（7.8%/7.8%）。

异质性发现事后建议对非典型病例、AI 建议与初诊矛盾时的效果更显著，医生对正确 AI 建议的采纳率比错误建议高 20.1%。

研究方法

1. 实验设计

样本55 名医生（19 名事后组、18 名事前组、18 名对照组），平均临床经验 5.2 年。案例18 个真实急性腹痛病例，包括典型（6 例）、中等非典型（6 例）、非典型（6 例），AI 建议正确率 83.3%。AI 系统基于神经网络，预测急性阑尾炎概率（>50% 判断为阳性），并提供特征重要性解释（如右髂窝压痛的权重）。

2. 数据收集

诊断结果初诊与最终诊断的准确性（0-3 分）、信心度（1-7 分）；出声思考记录转录医生诊断过程中的言语，编码信息处理量（特征数、假设数）和 AI 推理互动（认同 / 质疑）。

3. 分析方法

混合效应回归控制医生经验、病例典型性、AI 建议确定性等变量；逻辑回归分析 AI 推理参与度与诊断质量的关联。

数据描述

样本规模55 名医生 ×18 病例 = 990 条诊断记录，事后组、事前组、对照组分别贡献 342、324、324 条。关键变量均值

诊断准确性：事后组 2.18±1.11，事前组 1.94±1.19，对照组 1.61±1.30；校准度（信心 - 准确性）：事后组 0.15±0.50，事前组 0.27±0.50，对照组 0.27±0.49。

数据分析方法

描述性统计比较三组诊断指标的均值差异；分层回归检验时机主效应及与病例典型性、AI 建议正误的交互效应；中介分析验证信息处理量和 AI 推理参与度的中介作用（Bootstrap 法，中介效应占比 37.2%）。

理论基础

锚定效应事前建议可能使医生锚定 AI 判断，忽视矛盾证据；事后建议因初诊已形成锚点，促使医生批判性评估 AI；信息处理理论事后建议触发 “假设 - 验证” 模式，促进深度信息整合；信任校准理论对 AI 推理的主动参与（如质疑）能提升对 AI 输出的信任准确性。

维度与变量

前因变量AI 建议时机（事后 / 事前 / 无）；中介变量临床特征处理数、AI 推理认同 / 质疑次数；结果变量诊断准确性、校准度。

创新点及贡献点

理论创新首次实证检验 AI 建议时机对医疗诊断的影响，突破 “AI 性能至上” 的研究框架；方法突破结合出声思考法与混合效应模型，揭示 “时机 - 信息处理 - 决策质量” 的因果链；实践价值为医院部署 AI 系统提供流程设计建议（如优先采用事后建议模式），合作平台已采纳该方案。

未来研究方向

扩展场景验证时机效应在影像诊断、慢性病管理等场景的普适性；长期影响追踪医生与 AI 长期互动对诊断习惯的影响；技术融合探索生成式 AI 动态调整建议时机的可能性。

Research Gap

现有研究缺失多数 AI 辅助决策研究聚焦技术优化，忽视人机交互流程设计；机制深度不足缺乏对医生认知偏差（如过度自信）与 AI 建议时机交互作用的理解；作者填补通过实验证据证明时机是影响 AI 整合效果的关键变量，并揭示认知参与的中介机制。