加载 Spotify 播放器;Spotify 可能会设置 Cookie。本设备将记住您的选择。
主要发现
- 同一AI人工制品并未稳定为单一的工作流配置,而是在三种形态中反复出现:持续的复核验证、非同步的绕行跳过,以及协同的上游分诊。
- 维持规定的复核验证需要专业人员付出隐性补偿劳动,包括重新进入已关闭的文件并承受处理延迟导致的任务中断。
- 工具弃用源于基础设施延迟以及算法训练数据与复杂临床病例间的不匹配,而非直接的抗拒或不信任。
- 尽管官方政策并不鼓励,但当病例复杂度低且技术表现契合时,临床医生偶尔会将其提前用作快速分诊过滤器。
- 针对具体病例的调适应对建立在同行间的相互视觉注意而非口头讨论之上,这使得迥异的使用模式得以在缺乏部门统一协调的情况下长期并存。
实践启示
CIO / IT 高管
Allocate budget to upgrade local server infrastructure and reduce algorithmic processing latency, directly targeting the technical delays that currently force radiologists to bypass the tool or perform invisible compensatory labor.
IT 经理
Conduct a Monday morning audit of network bottlenecks and file-closure protocols to eliminate the need for radiologists to manually re-enter closed patient files during second-look verifications.
商业战略师
Redesign vendor ROI and workflow models to account for the actual tripartite usage patterns (second-look, upstream triage, and bypassing) rather than assuming a uniform, prescribed reading mode.
研究人员
Initiate an observational study focusing on how clinicians achieve mutual visual awareness during unarticulated, case-by-case workflow adaptations in shared reading rooms.
政策制定者
Revise clinical governance frameworks to formally evaluate and reconcile the discrepancy between official policies discouraging upstream triage and its actual practical utility in low-complexity cases.
摘要
这项定性研究探讨了一款基于人工智能的肺结节检测工具在历时18个月的过程中如何融入某癌症中心的临床判读常规。研究人员结合了对厂商人员和医院临床医生的23次半结构化访谈、直接工作场所观察、技术文档,以及一名放射科医生在阅片期间记录的结构化日记进行多方印证。
核心问题
在专业工作环境中部署AI常会产生意料之外的后果,包括弃用、额外核验负担以及流程碎片化。现有的管理与临床框架通常将AI采纳视作单一的阅片模式或个体的信任决策,无法解释为何同一工具在日常任务中会被以截然不同的方式加以运用。
文稿
Expert: 很高兴和大家交流,Anna。这项研究关注的是医疗技术落地中一个非常实际的现象:某癌症中心引入了一款用于肺结节检测的人工智能系统,研究者追踪了该系统在长达 18 个月的时间里,是如何逐步融入放射科医生的日常判读工作流程的。
Host: 在企业界,管理层通常期待技术上线后能迅速标准化。但在专业工作环境中,引入人工智能往往伴随着很多意料之外的状况,比如工具被闲置、工作流程被打碎,甚至增加了额外的核验负担。这项研究所聚焦的核心问题正是这一矛盾,对吗?
Expert: 没错。以往的管理与临床框架往往存在一个盲区:它们倾向于把技术采纳简化为一种固定的操作模式,或者仅仅看作员工个人的“信任”问题。这种视角无法解释为什么同一批专业人员在面对同一个人工智能工具时,会在日常任务中演化出截然不同的使用方式。
Host: 为了搞清楚这个现象,研究者采用了怎样的调研方法呢?
Expert: 这项研究是一项深入的定性实证研究。研究者在一家癌症中心进行了为期 18 个月的跟踪,结合了 23 次针对软件厂商和医院临床医生的半结构化访谈、现场工作观察、技术系统文档,以及一位放射科医生在判读期间记录的结构化工作日记。这种多源数据的交叉验证,为还原日常工作细节提供了扎实的数据支撑。
Host: 那么在这 18 个月的观察中,研究发现了什么关键事实?
Expert: 最核心的发现是,这款人工智能工具并没有固化为官方设想的单一流程,而是动态形成了三种复现形态:第一种是官方规定的“持续复核验证”;第二种是“非同步的绕行跳过”;第三种则是非官方的“协同上游分诊”。
Host: 听起来很有意思,这三种形态在实际操作中具体是如何体现的?
Expert: 在第一种持续复核形态中,医生严格按照规范在流程末端核对人工智能的标记,但这产生了大量隐性补偿劳动。比如因为服务器处理延迟,医生往往需要重新打开已经关闭的病例,工作节奏被频繁打断。因此在面对高负荷工作时,第二种形态就出现了:医生直接绕过或跳过该工具,优先按传统方式出具报告。
Host: 这种跳过或弃用,并不是单纯因为医生排斥新技术吧?
Expert: 确实不是出于主观敌意或缺乏信任。数据表明,弃用主要是由于基础设施的响应延迟,以及算法训练数据与癌症中心高度复杂的临床病例之间存在偏差。与此同时,第三种形态也随之演化出来:当面对结构较为清晰的简单病例时,部分医生会违反官方流程,主动将人工智能提前作为快速分诊的初筛过滤器。
Host: 这项研究还指出,不同医生采用不同做法,科室内部却并没有发生冲突,这背后的机制是什么?
Expert: 研究观察到,放射科医生主要通过共享工作区内的相互视觉注意,观察同行的屏幕操作,而非通过正式的口头讨论或会议来协调。这种静默的相互参照,使得截然不同的使用模式在缺乏部门统一强制的情况下长期共存。
Host: 这些发现对于医疗之外的广大企业管理者来说,有哪些非常具体的启示?
Expert: 首先,管理者必须认识到,专业级人工智能的采纳从来不是非黑即白的“用或不用”,而是多样化工作装配形态的共存。其次,企业在评估技术效益时,不能忽略“隐性补偿劳动”,例如系统延迟带来的任务切换成本和重新打开文件的动作,这些都会悄悄侵蚀生产力。
Host: 而且这也提醒了技术采购团队,脱离实际业务场景的基准测试往往存在局限。
Expert: 是的。如果训练数据与复杂的一线业务数据存在偏差,或者基础设施性能跟不上即时交互的需求,一线员工自然会发展出绕道而行的变通策略。管理者应当主动识别并规范这些自发形成的下游工作流,而不是单纯归咎于员工的执行力。
Host: 总结来说,这项研究清晰地展示了技术工具如何在复杂专业环境中被重构与实践。非常感谢 Alex 今天的清晰解读,也感谢各位听众的收听。我们下期节目再见。
Expert: 谢谢 Anna,再见。
artificial intelligence, organizational routines, sociomaterial assemblage, radiology, healthcare, qualitative research