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化数字健康培训，导致学生对数字化医疗环境准备不足。本研究通过对比疫情前（2020年）与疫情后（2023年）加拿大某医学院校的两阶段调查（样本量分别为184和177），分析学生认知变化及其影响因素。
核心发现
- 认知提升：
- 85%（306/361）的学生认为数字健康教育应为必修课。
- 疫情后学生在患者沟通（3.4→4.2）、监测（3.3→4.0）、诊疗（3.6→4.2）等场景中使用数字健康的意图显著增强（P<0.001）。
- 人工智能工具使用经验从1.3升至1.5（P<0.001），远程医疗从1.2升至1.6（P<0.001），但医院IT系统和移动应用接触量保持稳定。
- 关键驱动因素：
- 感知有用性（β=0.37疫情前，0.34疫情后）和人工智能信念（β=0.39疫情前，0.27疫情后）是整合意图的核心预测指标（P<0.001）。
- 结构方程模型解释力下降（R²=0.53疫情前→0.25疫情后），表明影响因素复杂性增加。
- 模糊集定性比较分析（fsQCA）显示，高整合意图需满足：强人工智能信念、重视数字健康教育，且配置一致性值超0.88，覆盖率达0.74。
- 性别差异：
- 非高整合意图群体中，性别反复成为核心条件，提示潜在数字健康采纳差异需进一步研究。
方法论
- 理论框架：结合技术接受模型（TAM）和Triandis人际行为理论，构建包含个体背景、促成条件、感知有用性、人工智能信念的模型。
- 分析方法：采用基于组件的结构方程模型（SmartPLS）和模糊集定性比较分析（fsQCA），验证变量间因果关系及多因素配置路径。
政策与教育建议
- 课程改革：需系统化纳入数字健康培训，尤其是人工智能和远程医疗实践，以应对医疗环境数字化转型。
- 实践强化：通过模拟训练、工作坊等形式提升学生技术操作能力，减少因经验不足导致的采纳障碍。
- 性别平等：针对性别相关差异设计干预措施，确保所有学生平等参与数字健康实践。
研究局限与未来方向
- 地域限制：研究基于加拿大单所院校，结论需跨文化验证。
- 因果机制：未来需结合质性研究（如访谈、焦点小组）深入探讨学生动机与担忧。
- 技术迭代：需追踪生成式AI（如ChatGPT）等新兴工具对医学实践的影响。
结论
新冠疫情加速了医学学生对数字健康的接受，但人工智能发展亦为重要推手。研究呼吁医学教育者重构课程体系，强化数字技能培训，以培养适应未来医疗环境的医师。
【全文结束】