AI 医疗医患调查
2027 挑战杯 · 社会调查报告 · 全量复算

AI 医疗应用中的医患问题
与医学生就业新机

基于患者与医生双视角的社会调查 · 融合申报书研究框架、问卷星一手数据与文献标尺的全量可视化分析平台。所有图表均由 50 份医生逐条答卷与 86 份患者问卷复算生成。

总览驾驶舱

核心指标、样本构成与双视角温度差 · 所有数字均随滚动动态呈现

5 份材料 / 136 份核心样本
样本构成与采集节奏 医生 n=50 · 患者 n=86

医生样本画像

94% 来自三级甲等医院,外科占 54%

患者样本画像

18-25 岁占 48.8%,本科及以上学历占 80%+

答卷采集时间线

医生集中在 10/25,患者集中在 10/29–10/30 · 两阶段错峰采集

双视角「温度差」

同一议题下医生与患者的态度分布对比(%)
六条最值得写进论文的发现 点击卡片可跳转对应分析

数据总表 · 50 份医生逐条答卷

在表中滑动 / 悬停任意一行,右侧详情实时联动;点击可锁定,移动端点击展开底部详情

36 题全字段 · 支持筛选 / 排序 / 导出
50 行
当前浏览:#1 · 拖动表格查看详情悬停任意行实时联动 →
交互说明:桌面端鼠标划过表格行,右侧详情面板即时刷新;移动端上下/左右滑动时底部浮标实时显示当前行,点击行展开完整答卷。表头可点击排序,列宽可横向滚动。
答卷详情 · #1

医生视角 · 全量 50 份逐条复算

态度 / 利弊 / 场景评价 / 协作意愿 / 交叉分析 / 时空分布 · 共 26 个图表

36 题 · 10 维场景量表
态度与利弊判断

对患者就诊前先用 AI 的态度(Q14)

超过七成医生持中立立场,抵触多于欢迎

总体利弊判断(Q17)

74% 认为「利弊相当」,弊大于利者多于利大于弊者
医生眼中的 AI:好处与担忧 多选题 · 选择率 %

最大好处 TOP(Q18)

「帮助患者更早识别危险信号」以 82% 居首

最大担忧 TOP(Q19)

信任下降 90% ≈ AI 错误 88%,构成双重核心焦虑
AI 应用场景评价(Q31 · 10 维 5 级量表) 新增:相关性矩阵 / 评分分布 / 散点

场景满意度雷达

均值区间 3.36 – 3.72;知识查询最高、分诊转诊最低

均值与满意度排序

柱长 = 均值(1–5),右侧标签 = 均值 · 「比较满意+非常满意」占比

10 场景 × 5 级评分分布热力图

颜色越深代表该评分档选择人数越多(%)

场景间评分相关性矩阵

Pearson r · 判断哪些场景在医生心中属于同一类能力

每份答卷:场景均分 × 协作意愿

一个点 = 一位医生;颜色区分对患者用 AI 的态度

分组均值对比

按态度 / 职称 / AI 了解程度 / 科室分组的场景均分与协作意愿(共 17 组)
协作意愿与角色边界

六道 5 级协作意愿量表

「一般」占多数;验证过的 AI 工具最受欢迎(均值 3.58)

期望角色 vs 人工禁区(双向对比)

左 = 最希望 AI 承担(Q28),右 = 不应替代医生(Q29)

若患者听 AI 后受损,首要责任(Q25)

58% 归于患者本人——责任界定是制度供给的前提

落地障碍(Q23 · 多选)

责任风险不清 64% 居首:制度供给先于技术供给
多角度交叉分析 切换维度查看 9 组交叉分布 · 单位 %
样本画像与时空分布 新增视角

医院等级

主要科室

职称

周接诊量

提交 IP 城市分布

84% 来自成都,覆盖四川多地及 4 个省外城市

答题时长分布

均值 700 秒 / 中位数 405 秒;最长 8082 秒

提交日期 × 时段热力图

识别集中填答时段,用于评估样本独立性

患者呈现 AI 信息的方式 / 咨询内容

医生感知:口头转述 88%;疾病判断 90%、检查选择 78%

患者视角 · 86 份问卷

从「问 AI」到「告诉医生」的完整行为链路 · 含 Likert 边界与三组交叉分析

16 题 · 4 级 Likert
行为链路漏斗 从使用到风险的逐级收敛

患者 AI 咨询行为漏斗

橙色/红色节点为风险行为或核实缺口

使用频率与咨询内容

「有时+经常」合计 70.9%;症状/疾病判断 70.9% 居首

核实 AI 信息的方式(Q6 · 多选)

58.1% 咨询医生,但 22.1% 完全没有核实

咨询 AI 后的实际做法(Q4 · 多选)

45.3% 按原计划就医;22.1% 曾自行购买/调整药物
信任、沟通与信息黑箱

对 AI 信息的初始信任(Q5)

均值 2.88 / 4;「一般」过半

是否告知医生用过 AI(Q8)

57% 未告知——信息黑箱是沟通分歧起点

医生与 AI 判断一致性(Q7)

60.4% 一致,27.9% 明确不一致

对就诊沟通的影响(Q9)

38.4% 认为无影响;负面略多于正面

患者画像 · 年龄分布

18-25 岁占 48.8%,样本偏年轻、高学历
核心量表:AI 辅助 vs AI 替代(Q10) 发散条形 · 一眼看清边界

五条陈述的同意 / 不同意分布

蓝色 = 同意(左),橙色 = 不同意(右)· n=86
核心发现:患者对 AI 的辅助价值高度认可(94.2% 同意「有助于了解健康」、91.8% 支持就诊前使用),但对替代性使用高度否定——69.8% 反对「直接按 AI 用药」、84.9% 反对「优先相信 AI 而非医生」。与医生端「AI 不应替代诊断/治疗/手术」的边界认知高度呼应。
利弊判断与使用范围

利弊判断(Q11)

约 70% 倾向「利 ≥ 弊」

使用范围主张(Q12)

52.3% 主张「有限范围内可用」,仅 5.8% 认为不应使用
三组交叉分析 性别 / 学历 / 年龄

性别 × 利弊判断

女性更倾向「利弊相当」(51%)

学历 × AI 初始信任

硕士低信任比例最高(69%),「越懂越审慎」

年龄 × 使用频率

18-25 岁 76% 选「有时/经常」

医患双视角对照

医生 n=50 vs 患者 n=86 · 同一议题下的认知镜像与信任校准缺口

共识 4 项 · 分歧 4 项
四项关键指标的认知镜像 左 = 医生 / 右 = 患者(%)
医生侧患者侧
信任校准缺口:医生端仅 8% 认可 AI 信息「大多数准确」,而患者端 35% 自述信任 AI;医生以为「多数患者会部分告知」,实际 57% 的患者完全未告知。信息黑箱 + 信任错位正是沟通负担的根源,呼应韩永等「信任校准」理论。

AI 咨询内容:医生感知 vs 患者自报

医生对「疾病判断 / 检查选择」的感知系统性高于患者自报

「是否主动告知医生」认知差

医生估计 vs 患者实际:信息可见度严重不对称

利弊总体判断(题干完全一致)

医生更保守(74% 利弊相当),患者更乐观(28% 利大于弊)

医生判断的 AI 信息可靠性(Q11)

仅 8% 认为「大多数准确」,78% 认为仅部分准确或大多不准确

AI 对诊疗 / 沟通过程的影响

医生 46% 感知接诊延长;患者 38% 认为对沟通无影响

医院改进措施:双方诉求

医生意愿与患者期待的并排对照(%)
共识区与分歧区

双方共识

主要分歧

从「问 AI」到「就诊」的信任校准链路 研究机制模型

开放题文本挖掘

50 份医生答卷 × 5 道开放题 · 82 条有效文本 · 停用词已过滤

Q32 – Q36

高频主题词云

字号 = 出现频次 · 鼠标悬停可放大

关键词频次 TOP

基于 5 道开放题全文的词表匹配计数

各题有效文本率

过滤「无 / 暂无 / 。/ 一般」等占位文本后

有效文本按题目分布

Q32 场景原因、Q33 总体看法、Q34 边界、Q35 期盼、Q36 补充
原声墙 按题目筛选 · 全文可滚动

申报书研究框架 × 文献标尺

前期 48 份摘要引用值与本次 50 份全量复算逐项核验 · 文献数据单独呈现不混算

10 项指标高度一致
申报书披露值 vs 本次全量复算
文献综述中的关键数据(C 表引用)

定性引用的六条研究线索

研究提出的机制模型

AI 信任三分型

本研究对 AI 信任差异的分类框架
过度信任盲从 AI 结论 → 延误就医、无理要求
选择性信任选择性采纳并部分核实 → 多数患者状态
低信任完全不信或回避 → 信息资源浪费

「渐进退出」人机协同机制

面向规培生 / 青年医生的 AI 辅助成长路径

规培初期 AI 全程陪伴、随时兜底 → 随经验积累逐步减少介入 → 从「先看 AI 建议再判断」过渡到「先独立判断、再用 AI 校验」→ 最终不依赖 AI 也能独当一面。

研究流程:从双视角采集到就业议题
医患可对照变量清单 写论文时的对照表

核心洞察与对策建议

基于 136 份一手问卷 + 申报书文献数据的综合结论

6 洞察 · 12 对策
三层对策建议
推行障碍:制度供给先于技术供给

落地难点分布(Q23 · 多选)

责任风险不清 64% 居首

医生愿意尝试的做法(Q22 · 多选)

沟通话术 62% / 分诊采集 56% 为最高意愿项
结语:双视角数据共同指向一个结论——AI 健康咨询的正确打开方式不是「用不用」,而是「如何校准信任、如何规范边界、如何让人机协同服务医患双方」。患者要的是更懂自己的就诊准备,医生要的是不被错误信息干扰的诊疗环境,规培生要的是更快积累经验的成长通道。三者并不矛盾,缺的是一套让 AI「有用而不越位」的社会技术方案。

数据来源、口径与质量

研究可复现性说明 · 5 份材料 · 13 条数据质量备注

透明可核验

统计口径

核心样本D1 医生 50 + P2 患者 86 = 136 份
预测试样本D2(2 份)/ P1(5 份)仅存档,不进入统计推断
多选题「┋」拼接按选项拆分,选择率 = 选中人数 / 50
场景量表非常不满意 1 → 非常满意 5,均值 / 标准差 / 满意率复算
患者单选题按序号导出仅有编码,语义标签基于分布模式推断
申报书 48 份前期数据,单独呈现「披露值 vs 复算值」不合并
用时字段原始文本「423秒」按数值重算,不做字典序排序

问卷星核验入口 & 本看板不包含什么

不包含:不展示 P1 联系方式列(含隐私);不使用含义不明的「总分」列;不对编码版量表做方向性推断;不把文献他人数据混入本次样本。
数据质量备注 按等级筛选 · 建议写入论文「研究方法 / 局限性」
AI 医疗应用中的医患问题与医学生就业新机 · 全量可视化分析平台
数据来源:问卷星调查(医生 50 份 / 患者 86 份)· 2027 挑战杯申报书 · C 表文献引用数据
李思雨 · 李昱辰 | 指导老师:熊太峰 · 刘颖 | 成都医学院 | 2026.11
答卷详情