患者对人工智能辅助诊断的医疗建议依从性研究
该研究通过随机实验(n=452)探讨患者对医生、医生使用AI、全自动AI工具三种诊断方式下治疗建议的依从意愿。结果显示医生参与(单独或联合AI)时依从意愿显著高于全自动AI;社会临场感和感知创新性是中介因素。结论提示AI应辅助而非替代医生以提升患者依从性。
要点
- 全自动AI诊断的治疗建议依从意愿显著低于医生参与的场景。
- 医生使用AI时社会临场感不降低且感知创新性提高,利于依从。
- 疾病严重程度不影响总体依从意愿,但低 severity 时医生+AI优于全自动AI。
核心结论
- 医生参与(单独或联合AI)的诊断场景下患者依从意愿显著高于全自动AI工具。
- 医生使用AI与医生单独相比依从意愿无显著差异,且社会临场感未降低。
- 社会临场感和感知创新性是诊断方式影响依从意愿的中介变量。
研究设计与样本
- 研究为3(诊断方式:医生 vs 医生使用AI vs 全自动AI工具)×2(疾病严重程度:高 vs 低)随机实验设计。
- 样本为美国18岁以上成人n=452,通过Amazon Mechanical Turk在线招募并随机分配至六种情景之一。
- 情景为皮肤癌诊断后接受局部治疗和口服药物的建议,测量依从意愿、社会临场感和感知创新性。
- 采用多元线性回归和PROCESS模型4进行中介效应分析,报告非标准化β系数和95%CI。
诊断标准与关键数值
- 依从意愿采用6个条目7点量表测量,Cronbach's α=0.89。
- 社会临场感采用3个条目7点量表测量,α=0.96;感知创新性采用3个条目7点量表测量,α=0.84。
- 与全自动AI相比,医生场景依从意愿β=0.40(SE=0.14,p=0.005),医生使用AI场景β=0.27(SE=0.14,p=0.05)。
- 医生使用AI与全自动AI在低疾病严重程度下交互效应显著(β=-0.40,SE=0.19,p=0.03)。
- 社会临场感中介效应:医生vs全自动AI β=0.22(95%CI 0.09–0.39);感知创新性中介效应:医生vs全自动AI β=-0.15(95%CI -0.28–-0.04)。
临床应用与阅片要点
- 在影像诊断报告中注明AI辅助可提升患者对建议的感知创新性而不降低社会临场感。
- 对低严重度疾病,医生联合AI的诊断模式可能比全自动AI更易被患者接受。
- 与患者沟通时强调医生参与决策有助于维持信任和依从性。
局限性
- 研究采用假设情景而非真实临床环境,依从意愿不等于实际依从行为。
- 样本来自美国Amazon Mechanical Turk平台,可能不representative一般患者群体。
- 仅涉及皮肤癌一种疾病情景,外推到其他疾病(如影像筛查)需谨慎。
- 未报告影像设备或序列等影像学相关参数。
全文中译11 节 · 点击展开
背景
近期医疗保健领域数字化的许多进展都建立在 big data 的使用之上。数字技术赋能的大数据分析有可能颠覆整个医疗保健行业[1–3]。人工智能(AI)技术被用于大数据分析中,以基于一组规则作出预测。它们对大型数据集进行计算,以估计给定问题的不同可能解决方案,从而实现数据驱动的决策[4]。这就是为什么AI在医疗保健中可能特别有益,有助于预防和治疗以下疾病:(1)需要从大量人群中学习;(2)遵循可被技术检测到的模式;(3)医生和患者可及。
信息技术的进步改变了诊断和治疗建议的形成过程。算法通过在处理大量患者数据时应用相似的逻辑,被训练来模仿医生的决策规则。AI工具能够以专家级准确度诊断某些疾病,在某些情况下甚至优于人类专家[5–9]。更具体地说,AI工具可以减少人为错误,这在患者安全面临风险的情况下(即对于高[相对于较低]严重程度的疾病)尤其有益[8]。为了帮助患者在这些情况下作出最佳决定,他们力求将其决定建立在最先进的科学知识之上[10, 11]。在此背景下,AI近期应用的例子包括皮肤癌和乳腺癌以及心脏骤停的检测[6, 12, 13]。
尽管与人类专家相比,算法判断可能更准确,但决策者往往不愿依赖算法建议[9, 14, 15]。在评价算法建议与人类建议时,个体往往会更重视某些标准。就准确性而言,当算法建议犯错时,其比人类建议更可能被拒绝。更具体地说,Dietvorst等[14]发现,尽管个体知道算法的表现更优,他们仍不太可能选择算法建议而非人类建议。这是因为在看到二者犯同样的错误后,个体对基于算法的建议失去信心的速度快于对人类的建议[14]。此外,个体偏好人类建议,是因为他们主观上觉得人类建议更容易理解(尽管准确性很重要,而算法建议的准确性可能更高)[16]。个体也可能偏好人类建议,是因为个体更容易将责任转移给其他人(相对于技术)[9, 17]。因此,研究发现更优表现不足以构成偏好算法而非人类的充分标准,这是合乎情理的[18]。Longoni等[15]记录了个体在各种医疗决策中对算法建议的抵制。他们表明,个体对独特性被忽视的担忧解释了为何偏好人类提供者而非自动化提供者[15]。因此,个体认为,考虑其病例的独特性是人类的一项基本特征,而自动化提供者缺乏这一特征。
尽管先前的研究已经描述并解释了个人在医疗决策方面对采纳算法建议的厌恶,但近期研究采取了更为细致的视角。在若干实验中,Logg等人[19]表明,非专业人士会欣然依赖算法建议(例如,在进行视觉估计时以及预测歌曲流行度时)。然而,这种情况并非在所有个体中都是一致的。具有预测专业知识的参与者较少接受算法建议[19]。研究还发现,与主观任务相比,个体更可能信任并依赖算法建议来完成客观的分析性任务[16, 18]。文献中关于接受人工智能支持医生决策存在分歧。结果表明,只要不取代专家判断,人类与算法专业知识的结合似乎会增加对人工智能的接受度[20]。Pezzo和Pezzo[4]发现,与未使用此类辅助工具的情况相比,当医生使用诊断决策辅助工具进行诊断时,患者对医生的医疗过失案例评价更为有利。相反,Shaffer等人[17]证明,使用计算机化决策辅助工具进行诊断的临床医生比未使用辅助工具进行诊断的医生被感知得更为负面。这与Arkes等人[21]的结果一致,他们发现受访者贬低了使用基于计算机的决策支持的医生的诊断能力。
除少数例外[12],关于影响患者是否根据人工智能技术的使用以及医疗评估中人类参与程度来遵从建议的一般机制,数据很少。此外,先前的研究仅比较了两种情况:医生对人工智能,或医生对由人工智能支持的医生。据我们所知,迄今为止还没有研究在一项研究中对比所有三种诊断方法形式。本研究旨在部分填补这一空白。该研究试图探讨,与医生未使用任何人工智能或人工智能完全取代医生的情况相比,当医生使用人工智能得出诊断并给出治疗建议时,个体是否更可能遵循建议。该研究还考虑了人工智能可能为其提供诊断和治疗建议的疾病严重程度,以及两个中介变量:社会存在感和创新性。
社会存在感和创新性的作用
个体是否遵从医学建议,取决于医学评估中的社会情感因素和功能因素[10, 22, 23]。社会临场感是指个体感知到某一社会要素存在的程度[24]。社会临场感理论假定,不同的传播媒介可以根据其社会临场感进行分类——社会临场感是互动中对他人意识程度的指标——并且社会临场感会影响互动的质量[25]。高社会临场感会营造出一种有人情味、善于交际且敏感的存在感[26]。这不仅限于人与人之间的互动,还可以包括计算机中介传播[27]。基于患者与医生互动的互惠性质,当由人类施动者(无论是否借助技术)提供医疗服务时,社会临场感应高于自动化提供者。研究发现社会临场感对健康结局有正向影响[28]。因此,可以假定,感知到有人在场或有人在照护患者,会对个体遵从医学建议的意愿产生正向影响。
对医学评估功能表现的评价是遵从医学建议的另一项决定因素。在医学评估中使用技术可能向患者表明正在使用最先进的技术,并可作为医疗服务提供创新程度的指标[29]。创新性可作为新颖性的替代指标,在医学领域也可作为对最新科学知识考量程度的替代指标。个体将创新技术与成功和进步联系在一起[30]。这种关联促使个体对新技术的表现作出有利评价[31]。当使用人工智能(AI)时,个体对诊断方法创新性的感知应更高,因为AI可以在信息技术的支持下并依托大规模医疗健康数据(无论是否有医生参与)应用最新科学知识。个体遵从建议的意愿可能会增加,因为他或她可能感到该建议基于最先进的科学证据。社会临场感和感知创新性两者的下游效应被假定会影响个体遵从治疗医学建议的意愿。
本研究旨在探讨在医学评估过程中使用人工智能(AI)技术是否会影响患者对推荐治疗的遵从意愿。基于此,我们提出了两个研究问题。第一,我们想探讨个体遵从医学建议的意愿是否因所使用的诊断方法(医生、医生使用AI,或仅使用自动化AI工具)和疾病严重程度(高或低)而存在差异。第二,本研究旨在探讨个体如何看待三种诊断方法在社会临场感和创新性方面的情况,以及社会临场感和感知创新性是否会影响个体遵从治疗建议的意愿。
方法
研究设计、程序与样本
为了回答研究问题,我们采用了3(诊断方法:医生 vs. 使用人工智能的医生 vs. 自动化人工智能工具)×2(疾病严重程度:高 vs. 低)的实验设计。参与者被随机分配到六种实验条件之一。
该研究在线进行,参与者通过Amazon Mechanical Turk招募,这是一个在线平台,注册个人通过完成任务的获取小额报酬。鉴于研究设计(使用情景模拟和随机分配到实验组;关于使用该人群研究医学和健康相关主题,见[15, 32–34]),使用Amazon Mechanical Turk工作者是合适的。我们将样本限制为年满18岁且位于美国的个人。
在开始研究之前,获得了知情同意,并向参与者解释了研究程序。在研究过程中,参与者首先阅读一个假设情景,然后填写一份调查问卷。研究结束时,参与者接受了完整的事后说明。该研究按照1964年赫尔辛基宣言及其后续修正案进行。德国慕尼黑工业大学(TUM)院务委员会作为TUM医学院以外研究的当地伦理委员会,批准了该研究。
决策情景
参与者首先阅读一个情景。开发了六个不同版本的关于皮肤癌检测和治疗的情景,操纵诊断方法和疾病严重程度。情景在所有其他方面保持相似。
在情景中,参与者被要求想象他们最近注意到皮肤上一颗痣发生了变化,并决定寻求医疗建议。情景随后描述了就诊于医疗保健提供者的过程,其中医学评估由医生、使用人工智能技术的医生或单独的自动化人工智能工具(描述为基于人工智能技术的实时医疗决策支持辅助工具)执行。向参与者提供了关于各自方法如何生成诊断和治疗建议的进一步信息。随后,一半参与者被告知他们的疾病(皮肤癌)诊断不严重(0期),另一半被告知严重(2期)。参与者然后读到他们收到了治疗建议,该建议在每个条件下相同(即局部治疗和口服药物)。收到建议后,参与者表示了遵循建议的意向。图1显示了参与者阅读的情景模拟。
测量指标
研究中使用的问卷可在线下载(附加文件1)。遵循建议的意向通过六个条目测量,采用七点评分量表评定。除其他外,条目包括以下内容:“您有多大可能遵循医疗建议?”,锚定为1=非常不可能和7=非常可能;“您坚持建议的概率是多少?”,锚定为1=非常不可能和7=非常可能。内部一致性,通过Cronbach's alpha计算,较高(α = 0.89)。
社会临场感测量取自Gefen和Straub [35],并根据研究情境进行了改编。条目包括以下内容:“过程中存在一种个人化感”;“过程中存在一种社交感”;以及“过程中存在一种人情温暖感”。参与者采用七点评分量表对回答进行评分(1 = 非常不同意,7 = 非常同意;α = 0.96)。
诊断方法的感知创新性通过三个预先测试的条目进行测量。参与者对以下三个陈述表示同意程度:“过程中存在一种技术进步感”;“过程中存在一种创新感”;以及“过程中存在一种最先进知识生成感”。参与者采用七点评分量表对回答进行评分(1 = 非常不同意,7 = 非常同意;α = 0.84)。计算每个潜变量的平均分。
统计分析计划
分析使用SPSS 25进行。我们检查了样本的描述性统计。随后我们进行多元线性回归分析,以检验两个预测变量(诊断方法和疾病严重程度)是否影响遵循医学建议的意愿,以及社会临场感和创新性。在分析中,我们为诊断方法变量创建了两个虚拟变量。各虚拟变量的编码如下:虚拟变量一:医生 = 1,其他条件 = 0;虚拟变量二:医生使用人工智能 = 1,其他条件 = 0。自动化提供者在分析中作为比较基线。疾病严重程度编码为0 = 不严重,1 = 严重。
我们还检验了社会临场感和创新性是否在诊断方法与遵循医学建议意愿之间的关系中起中介作用,且该作用取决于疾病严重程度。我们使用了Hayes [36]的PROCESS模型4(SPSS版本3),包括自助法程序。这是一种允许同时检验诊断方法类型、疾病严重程度及其交互作用通过两个平行中介变量对遵循医学建议意愿的直接效应、间接效应和总效应的方法。两个诊断方法虚拟变量[37]被建模为预测变量;疾病严重程度及两个变量的交互作用作为协变量纳入模型。因变量为遵循建议的意愿(图2)。Beta系数(ß,非标准化)描述预测变量每变化一个单位时因变量的变化程度。不包含零的置信区间[CI]表明存在显著的中介效应。
结果
样本特征
452名个体参与了研究,其中196名为女性(43.8%)。所有人均位于美国,平均年龄为41.7岁(SD = 15.6)(见表1)。世界卫生组织[38]报告称,每三例确诊癌症中就有一例是皮肤癌,而根据皮肤癌基金会的统计数据,每五名美国人中就有一人一生中会罹患皮肤癌。在我们的样本中,12.1%的参与者此前曾被诊断为皮肤癌,其中28.8%的参与者家族中有皮肤癌病史,而其余59.2%的参与者没有任何皮肤癌病史。
不同诊断方法和疾病严重程度下意图与中介变量的差异
该模型解释了遵循医学建议意图23.4%的方差(路径系数见图3)。与仅使用自动化人工智能工具相比,医生(ß = 0.40,SE = 0.14,p = 0.005)和使用人工智能的医生(ß = 0.27,SE = 0.14,p = 0.05;见表2)变量的遵循医学建议意图显著更高。使用人工智能的医生与医生变量之间的差异不显著(ß = − 0.14,SE = 0.13,p = 0.30)。
疾病严重程度对遵循医学建议意图的影响不显著(ß = 0.15,SE = 0 0.13,p = 0.24)。分析揭示了一个显著的交互效应,即使用人工智能的医生(相对于仅使用自动化人工智能工具)与疾病严重程度之间的交互效应(ß = − 0.40,SE = 0.19,p = 0.03)。在疾病严重程度较低时(但在较高时不),参与者在使用人工智能的医生情景下遵循医学建议的意图高于自动化人工智能工具情景。
社会临场感(ß = 0.11,SE = 0.28,p < 0.001)和感知创新性(ß = 0.37,SE = 0.04,p < 0.001)对遵循医学建议意图的影响均显著。此外,与仅使用自动化人工智能工具相比,由医生(ß = 1.95,SE = 0.23,p < 0.001)或使用人工智能的医生(ß = 1.76,SE = 0.23,p < 0.001)进行评估时,社会临场感更高。医生与使用人工智能的医生之间对社会临场感的影响无显著差异。
与不使用人工智能的医生相比,使用人工智能的医生(ß = 0.46,SE = 0.15,p = 0.002)或自动化人工智能工具(ß = − 0.41,SE = 0.15,p = 0.01)进行评估时,感知创新性更高。自动化人工智能工具与使用人工智能的医生之间的比较对感知创新性的影响无显著差异。
疾病严重程度对社会临场感(ß = 0.21,SE = 0.23,p = 0.35)或感知创新性(ß = 0.07,SE = 0.15,p = 0.66)均无显著影响。诊断方法与疾病严重程度对两个中介变量的所有交互效应均不显著。
接下来,我们计算了诊断方法类型对个体遵从医疗建议意愿的间接效应。对于医生与自动化人工智能工具之间的比较,社会存在感(ß = 0.22,95%置信区间(CI)[0.09, 0.39])和感知创新性(ß = − 0.15,95% CI [− 0.28, − 0.04])均为显著中介变量(CI不包含零)。对于使用人工智能的医生与自动化人工智能工具之间的比较,社会存在感(ß = 0.20,95% CI [0.07, 0.36])是显著中介变量,而感知创新性(ß = 0.02,95% CI [− 0.09, 0.12])不是。当比较使用人工智能的医生与单独工作的医生时,通过感知创新性存在显著的间接效应(ß = 0.17,95% CI [0.06, 0.30]),但通过社会存在感不存在显著间接效应(ß = − 0.02,95% CI [− 0.01, 0.07])。
讨论
本研究的目的是探讨与不使用人工智能或医生完全被人工智能替代的情境相比,当医生使用人工智能得出诊断并推荐治疗时,个体是否更有可能遵从医疗建议。以皮肤癌为案例的实验研究结果显示,与单独使用自动化人工智能工具相比(无论疾病严重程度如何),医生组的遵从医疗建议意愿更高;在疾病严重程度较低的情况下,与单独使用自动化人工智能工具相比,使用人工智能的医生组遵从医疗建议意愿更高。使用人工智能的医生与单独工作的医生之间没有差异。因此,结果表明,当人类专业知识在诊断和治疗推荐中处于核心地位时(相对于自动化人工智能工具),个体最有可能坚持建议,而这一因素应能提高康复率和健康结局[39]。这一发现与一篇关于医疗保健中人工智能创新的文献综述一致,该综述表明人工智能最适合用于补充人类专业知识,可能有益于临床技能并丰富医患互动[40;另见41的早期综述]。
在本研究中,当疾病严重程度较低时(但在严重程度较高时并非如此),与单独使用自动化人工智能工具相比,由医生使用人工智能的情况下,遵循医疗建议的意愿更高。因此,当人工智能被纳入医生的诊疗工作中时,对于较轻疾病的治疗建议相比单独由自动化人工智能工具给出的建议(大多数个体对其存在抵触)更有可能被接受。当仅有人员参与医学评估时,社会临场感较高而创新性感知较低(相较于使用自动化人工智能工具),这影响了预期依从性。当仅使用人工智能进行自动化评估时,创新性感知较高但社会临场感较低(相较于有医生参与时),这也影响了预期依从性。在感知创新性方面,医生使用人工智能与单独使用自动化人工智能工具之间无显著差异,且未损害社会临场感。
本研究对医疗决策文献做出了三项重要贡献。首先,它拓展了社会临场感理论,提出了个体通过社会临场感和感知创新性来遵循治疗建议的两条路径。以往研究将社会临场感视为唯一的中介变量,尽管研究者批评该概念在交互的技术赋能特征方面存在不足,例如智能体能否保持最新知识、具有创新性并依据最先进知识行事[42]。本研究部分填补了这一研究空白。这两条路径的重要性因所考虑的诊断方式(医生 vs. 医生使用人工智能 vs. 单独使用自动化人工智能工具)而具有不同的量级。人员参与和技术参与医学评估在个体形成依从意愿时可能通过不同的机制发挥作用。这些发现对依从性研究具有重要意义,表明人工智能工具可能需要高度创新性才能提高依从意愿[4]。
其次,参与者在被假设诊断为严重程度相对较低的疾病时,由使用人工智能的医生(相较于自动化人工智能)诊断的情况下的依从意愿高于更严重疾病的情况。这与既往研究结果一致,即健康状况较差者更不可能依从[43, 44]。一个可能的解释是,许多身体、心理和实际方面的限制会干扰患者的依从努力[43]。患者可能对其治疗疗效存在疑虑[45],随着病情加重,他们对医疗服务提供者的期望和互动质量可能下降[46],或者他们可能变得绝望或抑郁[47]。
最后,本研究为一般性观点提供了证据,即人与技术的结合(此处指医生使用人工智能诊断疾病)可能产生与仅由医生进行诊疗时同样高的依从意愿。最重要的是,对于本文所考虑的皮肤癌病例,单独使用人工智能技术作为诊断方法可能会对遵从治疗该疾病的建议的意愿产生负面影响。一般来说,患者对使用计算机生成的算法进行决策持怀疑态度[14]。与既往研究结果[21]相反,我们的结果对于考虑实施人工智能工具的医疗服务提供者具有积极意义。基于本研究的结果,不能推荐单独使用人工智能作为诊断方法。尽管如此,作为提升创新性感知的手段,医生可以将人工智能工具用作诊断辅助。Han等[48]已证明将医生的专业知识与人工智能工具的使用相结合的有效性,他们使用卷积神经网络架构来诊断皮肤癌并选择治疗方案。他们发现,当深度学习算法作为“增强智能”[第6页]辅助工具时效果最大。因此,本研究的发现结合医疗保健中的人工智能研究,可能有助于为人工智能参与利大于弊的情形(如在病理学和放射学中使用人工智能)制定实践指南,以实现增强人类智能并为医生提供诊断和治疗信息。因此,医生可以选择整合和使用合适的硬件和软件,将人工智能技术的专业知识与医生的专业知识相结合[49]。
本研究存在若干局限性。首先,参与者无法选择其偏好的诊断方法。他们被随机分配到三种方法之一。对该方法缺乏信任可能对个体的依从意愿产生负面影响。此外,基于既往个人经历,对不同诊断方法的熟悉程度可能存在差异。个体可能对医生提供的医疗服务更为熟悉,而对人工智能在医疗保健中的使用则不太熟悉。尽管在实证研究中无法排除这些过往学习的影响,但未来研究可以使用视频(如最佳实践示例、操作说明)或试验来教育个体,然后评估信任和习惯对人工智能衍生或人工智能支持的医疗决策的接受度和依从性的影响。
其次,未来研究可以操纵疾病的复杂性(鉴于人工智能解决复杂问题的能力),而非操纵疾病的严重程度。如果患者被告知疾病具有高( vs. 低)复杂性,他们可能对人工智能衍生或人工智能支持的医疗决策更加开放。在本研究中,疾病类型保持不变以排除替代解释(意味着类似的过程产生皮肤癌细胞)。未来研究可以使用不同的疾病来操纵复杂性,或使用对疾病复杂性进行不同描述的情景材料。
第三,个体的感知可能因具体的决策情景类型而异。例如,与价值或偏好关联较少、或被视为常规问题的决策(如上限呼吸道感染与癌症)相比,价值负荷或偏好负荷更高的决策可能使患者更不可能接受人工智能。未来研究可以检验以下假设:与其他决策(例如诊断直接明了且存在一个成熟照护标准的决策)相比,人工智能在价值或偏好负荷较高的决策(通常需要共享决策)上可能表现不佳。本研究仅评估了一种类型的情景。
第四,本研究未区分使用人工智能进行诊断与使用人工智能进行治疗。然而,个体对使用人工智能进行诊断与做出治疗决策的感知可能不同。例如,人工智能可能帮助医疗服务提供者诊断疾病(例如在放射学或病理学领域),但治疗选择可能仅由提供者做出。因此,未来研究可以致力于发现人工智能在医患互动不同阶段参与所产生效应的特殊性。此外,情景中使用了特定的治疗建议:局部治疗和口服药物。然而,治疗的严重程度可能影响个体遵从建议的意愿。与手术、放射治疗或化学治疗相比,他们可能更愿意坚持局部治疗和口服药物。未来研究可以评估治疗的感知严重程度是否以及如何与人工智能的参与产生交互作用。
最后,研究中评估的并非真实行为,而仅是行为意向。未来研究可以考虑纳入已被诊断为该疾病且愿意报告其实际依从相关行为(如服药、生活方式行为改变)的患者。需要随机对照试验来评估不同提供者与实际依从结局之间的因果关系。此外,在本研究中,情景未提及人际温暖的任何特定方面(例如对话、医生的共情),从而限制了社会临场感的背景。未来研究还可以关注患者与医疗服务提供者之间的双向互动。这可能提高研究结果的外部效度。
结论
人工智能在医疗保健中的应用正日益普及。本研究结果表明,人工智能在诊断过程中的参与程度决定了患者对医疗建议的依从意向。与人类和基于人工智能的技术专长相结合相比,用自动化人工智能工具替代人类进行医学评估会降低依从意向。社会临场感和创新性均是驱动医疗建议预期依从性的重要因素。
补充信息
附加文件1:问卷。
引用
- Soellner M, Koenigstorfer J. Compliance with medical recommendations depending on the use of artificial intelligence as a diagnostic method. BMC Med Inform Decis Mak. 2021. PMID: 34362359. doi:10.1186/s12911-021-01596-6
- 全文:PMC8344186(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8344186/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。