研究背景
数字健康（dHealth）技术（如远程医疗、人工智能、移动应用）在医疗实践中日益重要，但医学课程普遍缺乏系统培训，导致学生难以适应数字化医疗环境。
研究目的
本研究旨在探索影响医学生将数字健康技术融入未来实践的决定因素，并分析其认知随时间的变化。
方法设计
在魁北克省大型医学院校开展两阶段调查（疫情前184人，疫情后177人），结合结构方程模型与模糊集定性比较分析。研究模型基于技术接受模型与Triandis人际行为理论，涵盖个人背景、促进条件、感知有用性及人工智能信念等指标。
研究结果
- 认知变化：
- 疫情后使用数字健康技术的意愿显著上升（患者沟通：3.4→4.2；监测：3.3→4.0；诊疗：3.6→4.2，p<0.001）
- 人工智能工具使用经验从1.3升至1.5（p<0.001），远程医疗经验从1.2升至1.6（p<0.001）
- 医院IT系统与移动应用经验保持稳定
- 关键预测因素：
- 感知有用性（β=0.37→0.34）和人工智能信念（β=0.39→0.27）是意愿的强预测因子
- 模型解释力疫情后下降（R²=0.25 vs 疫情前0.53），显示影响因素复杂化
- 配置分析：
- 多种因素组合可导致高应用意愿（一致性>0.88，覆盖率0.74）
- 核心条件：强人工智能信念（一致性0.763-0.934）与数字健康教育重要性认知
- 非高意愿组中性别成为重复核心条件，显示应用中的持续性别差异
- 意外发现：
- 尽管课程未设置数字健康培训，但学生普遍要求必修化（85%支持率）
- 疫情加速认知转变，生成式AI（如ChatGPT）的兴起可能强化影响
研究结论
- 课程改革建议：
- 应将正式数字健康培训纳入医学课程，重点加强人工智能应用与数据隐私教学
- 需应对数字疲劳等新兴挑战，确保技术应用与临床需求平衡
- 实践启示：
- 医学院校应通过模拟教学、黑客松等跨学科活动提升学生数字素养
- 需关注性别差异，制定包容性培训策略
- 政策影响：
- 医疗机构应投资数字教育基础设施，与课程改革同步推进
- 建议建立省级数字健康能力认证体系
局限性
- 单校研究限制普适性，需多中心验证
- 测量工具需进一步细化（如区分特定AI技术）
- 未控制专业选择等个体差异因素
未来研究方向
- 探索数字健康疲劳临界点
- 分析AI证据医学应用机制
- 开发跨学科数字健康培训模块
【全文结束】
