基于壓力交易理論視角下護士醫療人工智能采納意愿研究

相微笑　李鮮苗

摘要：目的試圖探索影響護士對于醫療人工智能采納意愿的因素，為提高護士采納意愿、推廣和改善醫療人工智能提供參考。方法對安徽省合肥市和淮南市的263名在職護士進行問卷調研，以壓力交易理論為基礎，構建了以阻礙性評估和挑戰性評估作為中介變量的雙重路徑模型。結果輔助型AI、自主型AI對護士采納意愿存在正向影響，阻礙性評估和挑戰性評估在輔助型AI與采納意愿之間起中介作用；挑戰性評估在自主型AI與采納意愿之間起中介作用。結論應重視自主型AI的研發與改善，醫院管理者應關注護士對醫療人工智能的認知評估。

關鍵詞：醫療人工智能，采納意愿，壓力交易理論

中圖分類號：TP391

文獻標識碼：A

文章編號：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]，當時其本質是一種通過分析現有數據和自我學習而建立的算法。醫學人工智能是指通過機器學習、表征學習、深度學習等智能算法和技術，應用輔助診斷、風險預測、疾病分診、健康管理、醫院管理等一系列功能^[2]。在2020年初的COVID-19疫情中，人工智能算法結合胸部計算機斷層掃描結果、臨床癥狀、接觸史和實驗室測試，能夠快速診斷出COVID-19陽性患者^[3]。雖然醫療人工智能具有診斷準確率高、提高醫護人員工作效率等特點，但在高速發展的同時，也逐漸出現了一些阻礙人工智能被普遍接受的現有障礙，如算法缺乏透明度、數據安全風險、責任分擔不明確^[4]。欠發達地區的醫務工作者擔憂未來會被人工智能取代 ^[5]。我國的醫療服務水平在經過多年的改革后顯著提高，但優質的醫療資源并不能得到均衡的分配，醫療服務水平在區域之間、城鄉之間存在一定差距^[6]。醫療人工智能的出現可以提高基層醫護人員的診療能力，縮小區域間差距^[7]。因此現階段研究醫護人員對醫療人工智能的采納意愿是十分迫切且必要的。

醫護人員和患者是醫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施。目前對于醫療信息技術采納意愿的研究中，在技術方面主要包括臨床信息系統、移動醫療、電子病歷和電子健康記錄等醫療信息系統及服務^[8-10]。另外，根據研究視角的不同，可將醫療人工智能采納意愿的研究分為三類：醫療機構、患者，醫護人員。其中，患者和醫護人員是研究人員的主要研究對象。目前對醫護人員采納意愿的研究主要是基于單一的技術接受理論（TAM）和整合技術接受模型（UTAUT）^[11-12]，這些理論模型主要考慮技術的可用性和實用性，而鮮考慮到用戶的認知和心理特征等因素。醫療人工智能技術的使用改變了醫護人員的工作模式，對他們的知識儲備也提出了更高的要求，使醫護人員的工作任務面臨更大的不確定性，這將影響醫護人員在工作過程中的認知。另外，關于醫護人員接受人工智能的微觀過程機制和醫療場景的研究還很有限，現有研究大多關注宏觀的醫療人工智能的治理，如產業發展現狀、風險與倫理、相關法律政策等。護士在醫學從業人員中占據很大一部分比重，是醫療人工智能核心用戶之一，其對于醫療AI的感知與態度問題是完善、調整人工智能技術的關鍵因素，對發揮人工智能技術在醫療領域的應用價值具有重要的意義。因此，文章以護士為研究對象，根據壓力交易理論和資源保存理論試圖探索護士醫療人工智能采納意愿的影響機制。

1.1自主型AI與輔助型AI對采納意愿的影響

自主型醫療AI指的是獨立完成在線診斷、回答問題和使用數據庫進行病例分析的人工智能機器人。在獨立診斷和治療的醫療人工智能下，所產生的結果的可解釋性有限，在監督技術中對大型數據集有高度依賴^[13]。輔助型醫療AI是指用于完成日常輔助任務的人工智能機器人，如指導方式、醫院的咨詢、圖像捕捉和識別、手術中的輔助支持、防疫信息等。輔助型醫療AI在一些領域的應用已經比較成熟，例如口腔醫學，它可以顯著提高手術的精度、安全性和治療效果^[14]。采納意愿在該研究中是指護士愿意使用、學習并向其他人推薦醫療人工智能的意愿。根據資源保存理論的觀點，個體具有保持、保護和獲取其認為有價值的資源的傾向，因此無論是潛在的還是實際的資源損失都會引發個體的緊張和壓力^[15]。醫療人工智能作為醫療領域內新興的技術，在一定程度上影響著護士的工作模式、工作效率以及職業發展，因此合理認為，醫療AI是護士工作過程中的一個新增的壓力源。Longoni等人（2019）認為，任務特征與技術接受度密切相關，人們對人工智能技術的接受或抗拒可能與他們使用的任務場景和特征有關^[16]。基于此，文章根據醫療人工智能的應用場景分為輔助性醫療AI與自主型醫療AI，試圖探索這兩種不同的應用場景是否會對護士的采納意愿產生不同的影響機制。當醫療AI被護士認為是一種具有價值的資源時，個體便會傾向于學習并利用該資源，以達到提高自身價值的目的，也就是說，護士對醫療AI的價值認可度越高則采納意愿就會越高。

綜上，該研究提出以下假設：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阻礙型評估與挑戰型評估的中介作用

評估被認為是連接壓力源和壓力結果的心理機制。Webster等研究證明了挑戰性和阻礙性評估在壓力源和壓力結果之間充當部分中介的作用^[17]。Lepine等驗證了壓力評估在壓力源和工作績效之間的機制作用^[18]。同樣，江宇暉等驗證了員工個人的評估策略在時間壓力和員工創造力關系之間的中介作用^[19]。

壓力交易理論的核心思想是：壓力評估是連接壓力源和壓力結果的重要機制。人們首先評估壓力源，并在評估的基礎上做出應對行為^[20]。該本研究中，護士通過對兩種醫療AI進行評估進而影響采納意愿。壓力交易理論和相關研究表明^[21]，挑戰性評估與阻礙性評估并不是互相排斥的，即個體對同一種壓力源，既可以做出挑戰性評估，也可以做出阻礙性評估。由此認為，輔助型AI與自主型AI既可以被護士評估為挑戰，也可以被評估為阻礙。也就是說，一方面，醫療人工智能對于護士而言是一種有益的工具，使用醫療人工智能能夠使護士產生成就感和提升工作效率，同時也能給護士帶來贊譽、升職、獎金等一系列收獲^[22]，從而促進個體的成長和發展。從這個角度來看，醫療AI可能會被個體評估為挑戰。而另一方面，醫療AI的使用并不能給護士帶來有益的結果，反而面臨工作能力的質疑和工作內容的替代，增加了護士的心理成本。當個體很難確定投入的時間和精力是否會得到回報時，通常會出現阻礙性評估^[23]。因此，也可以被視為阻礙。

挑戰性評估和阻礙性評估能夠產生不同的結果。壓力交易理論與相關研究表明，挑戰性評估能夠促進個體對于潛在的達成目標和高成就感的期望，因此一般會使員工產生有利的情緒、態度和行為結果，而阻礙性評估則基于潛在的失敗和傷害，通常會對員工產生不利影響^[24]。 基于此，該研究認為輔助型AI與自主型AI會通過挑戰型評估和阻礙性評估影響護士的采納意愿。

綜上，該研究提出以下假設：①H2a：輔助型AI會通過挑戰性評估影響采納意愿。②H2b：輔助型AI會通過阻礙性評估影響采納意愿。③H3a：自主型AI會通過挑戰性評估影響采納意愿。④H3b：自主型AI會通過阻礙性評估影響采納意愿。

綜上，文章的研究模型如圖1所示。

2研究對象與方法

2.1研究對象

該研究采用問卷調查的方法。2022年7月-2022年9月對合肥市和淮南市的醫院的護士發放問卷，調研對象的標準包括擁有護士資格證書、所在科室選擇使用醫療AI。共發放了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變量進行測量。對于國外測量量表，遵循了“翻譯-回譯”程序以確保在國內情景中能夠有效使用。并在咨詢相關從業人員的建議下對題項進行了適當的修改，量表采用Likert五點法進行測量，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。結合Bigman & Gray^[25]與Huo等^[26]在醫學人工智能領域基于場景的調查問卷。輔助型AI題目包括“AI會提升我在醫療診治過程中的效率”等，共計5個題項；自主型AI題目包括“AI會自主行動，無需我的指令”等，共計5個題項。

（2）挑戰性評估和阻礙性評估。選擇Lepine等^[18]2016年所開發的量表，共8個題項。挑戰性評估包括“醫療人工智能的使用幫助我學到很多（新知識）”等，共計4個題項。阻礙性評估包括“醫療人工智能的使用會影響我達成原有工作目標”等，共計4個題項。

（3）采納意愿。結合 Bhattacherjee等人^[27]2001年開發的量表，共3個題項。包括“我愿意學習與使用醫療AI 技術”等。

2.3信度檢驗

在進行假設模型驗證之前，對變量進行信度檢驗。通過計算變量的克朗巴赫 α系數，模型中變量的信度均大于0.8（見表1）。

3結果與分析

所有數據采用SPSS 23.0進行描述性統計分析、相關性分析、回歸分析，使用SPSS process macro 3.5（MODEL 4）檢驗中介效應，采用Amos 23.0進行驗證性因子分析。數據分析結果如下。

3.1描述性統計分析

描述性統計結果顯示，此次調查大多數參與者是女性（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驗室，詳見表2。

3.2效度檢驗

驗證性因子分析結果表明，五因素模型的擬合結果是χ²/df=2.510， NFI=0.929，RFI=0.917，IFI=0.956，CFI=0.956，RMSEA=0.076，單因素CFA的各項擬合指數較差，結果是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，輔助型AI、自主型AI與挑戰性評估顯著正相關，挑戰性評估與采納意愿顯著正相關。輔助型AI、自主型AI與阻礙性評估顯著負相關，阻礙型評估與采納意愿顯著負相關，該結果為后續進行中介作用檢驗奠定了基礎。

3.4假設檢驗

文章采用層次回歸分析檢驗不同變量之間的關系。由表5中模型2和模型3得出輔助型AI、自主型AI對挑戰性評估有正向影響；由模型5和模型6得出輔助型AI、自主型AI對阻礙性評估有負向影響；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，與此同時，自主型AI與采納意愿存在顯著正相關關系，因此假設H1a、H1b得到支持。由模型10、模型11、模型12和模型13可以得出挑戰性評估與阻礙性評估在輔助型AI、自主型AI與采納意愿之間的中介效應得到了初步的檢驗。

對于包含多個自變量多個中介變量條件下的間接效應的檢驗，一般采用多元多重中介效應的檢驗方法。因此，該研究利用SPSS插件Process宏程序，使用bootstrap方法重復抽樣5000次檢驗。中介效應檢驗結果見表6。

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

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

4討論

與研究假設一致，輔助型AI和自主型AI對護士采納意愿有顯著的正向影響（H1a、H1b），另外，輔助型AI還會通過挑戰性評估間接影響采納意愿（H2a），同時，也通過阻礙性評估間接影響采納意愿（H2b）。自主型AI會通過挑戰性評估間接對采納意愿產生正向影響（H3a）。上述發現符合壓力交易理論的相關研究結論，即護士對醫療AI采納意愿的評估過程，是根據自身意義建構而對客觀壓力形成的重要性判定。

然而，數據分析結果并沒有支持H3b，即阻礙型評估在自主型AI和采納意愿之間不存在明顯的中介效應。對此，文章認為這樣的結果也符合壓力交易理論的相關研究^[28]。工作需求分成阻礙性壓力源和挑戰性壓力源這兩大類。并且挑戰性的工作需求通常會被個體評估為挑戰，而阻礙性的工作需求通常被評估為阻礙，但某些工作需求在不同程度上，既可以被評估為挑戰，也可以被評估為阻礙。因此，對于護士來講，自主型AI可能更接近于一種挑戰性壓力源，因而通常評估為挑戰。

5啟示

該研究初步探索了影響護士對于醫療人工智能采納意愿的過程，所以在此提出以下實踐意義。

首先，醫療AI開發者應該更加關注自主型醫療AI的研發。文章的研究結果表明護士對于自主型AI偏向評估為挑戰，當護士認為自主型AI的挑戰性越高時，則護士對醫療AI的采納意愿就越高，自主型AI的完善對于采納意愿的提高有重要的意義。為了確保臨床護理的有效性，開發人員必須認識到不同角色和任務的醫護人員的不同需求。提供有效的策略和優化的響應，以滿足不同場景下不同用戶的需求，并提供可用于臨床護理決策的內容。這包括確保系統提供的信息內容與臨床護理實踐一致，并確保系統的設計和開發符合醫療行業的標準和規范。系統應該建立合理的警告和提醒頻率^[29]。另外開發者也應該注重輔助型AI的用戶體驗，如果系統不可用、反應遲鈍或不靈活，就會影響用戶的使用意愿。因此必須提高操作的簡潔性和靈敏性，確保提供信息的準確性。

其次，醫院管理者應該調整管理策略，鼓勵護士使用醫療AI，關注護士的職業發展需求，為相關護士提供技術培訓和學習的機會，增強護士對醫療人工智能信任和了解，防止因為信息壁壘而導致的抗拒使用。另外，醫院管理者應重視醫療AI的服務質量，安排專業的工程師定期維護，定期組織更新維護數據庫，增強網絡信號強度，確保網絡順暢，加強互聯網信息安全，防止隱私數據泄露或損壞。并排除不安全因素，做好應急處置預案，避免因智能系統崩潰而造成重大安全事故。從而降低護士因對醫療人工智能的不信任感和不完全感而導致的阻礙性評估。最后，醫院管理者也應該關注護士使用醫療人工智能后的情緒狀態，及時反饋，記錄護士的使用體驗，根據反饋信息做出智能系統的改善以及修正相關管理辦法，降低護士對于醫療AI的阻礙性評估。

最后，政府一方面要加大對醫療人工智能的宣傳，增強醫護人員對醫療人工智能的認可度，提高醫護人員的工作效率和服務質量。另外，要對醫療AI的研發提供資金支持，加快醫療AI的推廣和普及，從而縮小城鄉醫療衛生服務的質量差距。另一方面必須制定一個完整的法律體系。基于“無害"原則，對人工智能從實驗室到臨床應用的每一步都要制定嚴格和謹慎的規則，法律體系必須是靈活的，必須跟上時代的步伐，不能一成不變。政府需要對現行法規進行更新研究，及時消除新出現的法律歧義或不妥之處，并完善法律條款。

參考文獻：

[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，Fakieh 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.我國醫療衛生資源配置的均衡性研究[J].中國衛生資源，2019，22（5）：362．

[7]趙嘉瑩，高鵬，朱勇俊，等．人工智能的應用將改進中國基層醫療衛生服務效能[J]．中國全科醫學，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.信息生態視域下移動醫療APP用戶持續采納意愿分析[J]. 數據分析與知識發現，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.時間壓力是扼殺還是激發個體創造力.領導語言框架的調節作用[J].科學學與科學技術管理，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—抑制性壓力對工作投入與反生產力行為的影響——領導方式的調節作用[J].軟科學，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.組織延展性目標對員工情緒耗竭的影響機制研究：基于壓力交易理論的視角[J].管理工程學報，2019，33（3）：1.

[29]盧雯，陳湘玉.護理臨床決策支持系統使用意愿的影響因素研究[J].護理學報，2023，30（5）：18.

（責任編輯 胡安娜）