智能全科醫生評估指標體系構建

【中圖分類號】R197【文獻標識碼】A DOI：10.12114/j.issn.1007-9572.2025.0020

【Abstract】BackgroundDeveloping and promoting intellgentmedicalassistanceinformationsystems isanimportant meanstostrengthenthecapabilitiesofgeneralpractitioners.Itisparticularlyurgent tostandardizeandevaluatetheperformance andefctivenessofintellgentasistancesystemdevelopmentObjectiveToconstructanevaluationindexsystemfortellgnt generalpractitioners，andprovidesientifictoolsforevaluatingtheserviceabilityofintellgentgeneralpractitioners.Methods FromDecemberin2O24toJanuaryin2O25，theevaluationindexsystemforintellgentgeneralpractitionerswithindicatorweights wasconstructedthroughliteraturereviewandDelphi expertconsultation.ResultsThepositivecoeficientofthethreeroundsof expert consultation was 100% ，the authority coefficient was gt;0.8 .The coefficients of concordance for the importance of indicators at variouslevelswere0.210，0.255，and0.145，respectively，whilethoseforfeasibilitywere0.353，0.245，and0.150.The finalevaluationindexsystemcomprisedfivefist-levelindicators，11scond-levelidiators，and47tird-levelindcato.he first-levelindicators were profesional knowledge，basicmedicalservice，activeclinical preventionservice，physician-patient communication and medical ethics，and education，learning，andresearch，with weights of 0.169，0.306，0.239，0.145， andO.141，respectively.ConclusionThis study established theevaluation indicatorsforinteligentgeneral practitioners， providingareferenceforfurtherstandardingthedevelopmentandaplicationofinteligentgeneralpractitioners.Ithassignificant practicalimplications forenhancingtheclinical practice levelof generalpractitionersthrough technological empowerment.

【Key words】 Artificial inteligence；General practitioner；Evaluation index system；Expert consultation

《深化醫藥衛生體制改革2024年重點工作任務》（國辦發〔2024〕29號）強調，要加強基層醫療衛生服務能力建設，改善基層醫療衛生機構基礎設施條件，推廣智慧醫療輔助信息系統。全科醫生作為基層醫療衛生服務的重要角色，面臨著工作負擔重、服務能力不均衡等問題，亟須新技術的支持來提升診療效率與準確性。智能全科醫生（artificial intelligence general practitioner，AIGP）通過模擬人類醫生的思維方式，結合大數據和機器學習技術，可以輔助全科醫生進行臨床決策，提高醫療服務的質量與效率[1]?；诖?，為促進智能科技賦能全科醫生臨床實踐、提升基層衛生智慧化服務水平，2024年《智能全科醫生中國專家共識》［2]提出了17條專家共識。在此背景下，要充分發揮AIGP的潛力，必須建立一套科學、全面的評估指標體系，以準確評價其性能和效果，對于推動AIGP的發展和應用具有重要意義。

資料與方法

1.1AIGP評估指標初步構建

通過文獻復習法、政策文件梳理及專家咨詢，初步形成AIGP評估指標體系。

（1）文獻復習法：查閱分析人工智能技術、全科醫生崗位勝任力等文獻，提煉指標，組建指標池。（2）政策文件梳理：檢索與基層醫療衛生機構人工智能相關的政策文件，提煉相關內容，補充指標池。（3）專家咨詢法：2024年11月，咨詢人工智能、全科醫學、基層衛生服務等領域專家，圍繞指標池的設置及其內涵提出建議并修改指標池。初步形成AIGP評估指標體系。

1.2AIGP評估指標體系確定

在評估指標初稿基礎上，展開德爾菲法，對指標進行篩選及確定。

1.2.1遴選專家：選取對人工智能、信息化、基層衛生服務較為熟悉的16名專家參與專家咨詢。專家納入標準：（1）從事基層衛生服務、衛生管理及相關工作，且工作年限 ?10 年；（2）具有副高級及以上職稱；（3）對本研究知情且愿意參與。

1.2.2 制定專家咨詢表：將初步擬定的評價指標制成電子版專家咨詢問卷，包含6個一級指標，13個二級指標，73個三級指標。專家對指標的重要性和可操作性進行獨立評價，評分標準為1～5分，1分代表“很差”，5分代表“很好”；同時請專家對指標的熟悉程度和判斷依據進行自評。

1.2.3實施專家咨詢：于2024年12月—2025年1月，邀請16名專家進行三輪專家咨詢。第一輪咨詢后，對各指標重要性及可操作性的賦值均數、變異系數（ CV ）進行計算，將重要性、可操作性賦值均數 gt;3.5 、CV?0.30 作為篩選標準，符合兩項標準之一的指標予以刪除[3]。然后結合專家具體建議對指標進一步修改，形成第二輪和第三輪專家咨詢問卷，請專家再次打分。第二輪和第三輪指標篩選標準與第一輪相同。

1.2.4專題小組討論：2025年1月，召開專題小組討論，9名專家來自人工智能、全科醫學、衛生管理等領域，對專家咨詢三輪后的指標內涵進一步討論確定。

1.3 統計學方法

采用EpiData3.1和SPSS27.0進行數據的錄入和分析，計算各指標的均值、標準差、CV和肯德爾（Kendall）協調系數，以 Plt;0.05 為差異有統計學意義。各指標權重通過簡單統計模型法確定[4]

2結果

2.1咨詢專家的基本情況

參與三輪咨詢的專家均為16名，其中女12名，男4名；平均年齡為（ 50.2±6.1 ）歲（38～63歲）；學歷以碩士及以上為主（13名）；專業主要為臨床醫學（1名）；工作年限大于20年的占多數（10名）。詳見表1。

2.2 專家積極系數

本研究采用問卷回收率來表示專家的積極系數。在三輪咨詢中均發放問卷16份，回收16份，有效問卷16份，專家積極系數為 100% 。

2.3專家權威程度

通過專家權威系數（ Cr ）來表示，該系數由專家判斷依據系數（ Ca ）和專家熟悉程度系數（ Cs ）兩個因素決定，即 Cr=（Ca+Cs ） 12 。本研究計算了一級指標、二級指標和三級指標的 Cr ，參加專家咨詢的16名專家中，

表1德爾菲咨詢專家基本信息情況（ n=16 ）Table1The basic information of Delphi consulting experts

5名專家對全科醫學領域信息化應用很熟悉，9名表示比較熟悉，2名表示一般熟悉。 Cs 為0.84， Ca 為0.91，Cr 為0.94。

2.4專家意見的協調程度

通過指標評分結果的Kendall協調系數和 CV 表示。其中，Kendall協調系數取值范圍為0～1，其值越大表明協調程度越高。本研究經三輪專家咨詢后，各級指標的重要性Kendall協調系數分別為0.210、0.255、0.145，可行性Kendall協調系數分別為0.353、0.245、0.150，其結果詳見表2。 CV= 標準差/均數，CV越小表明專家的協調程度越高，詳見表3～5。

2.5AIGP評估指標咨詢結果

2.5.1第一輪專家咨詢：第一輪專家咨詢表中包含6個一級指標，11個二級指標，52個三級指標。結合專家意見和指標篩選標準，對指標調整情況如下：

（1）刪除指標6個：2-3（臨終關懷服務）、2-2-2（輔助家庭訪視）、2-3-1（對患者臨終關懷服務）、2-3-2（對家屬情感支持）、5-1-5（重視人文關懷元素）、6-2-3（智能化應用的倫理責任培訓）；（2）新增指標4個：3-1-6（重型精神病智能化健康服務）、3-1-9（輔助提供重大公共衛生服務）、5-1-4（服務風險識別與防范）6-2-3（持續學習和更新能力）;（3）合并指標4個：將4-1-2（向患者解釋病情），4-1-3（傾聽患者的需求和擔憂），4-1-5（向患者進行反饋），4-1-6（理解、信任并尊重患者及家屬）合并為4-1-1傾聽與共情。2.5.2第二輪專家咨詢：第二輪專家咨詢表包含6個一級指標，10個二級指標，48個三級指標。經專家咨詢后指標調整情況如下：

表2專家意見的Kendall協調系數情況 Table2 The Kendall coordination coefficient of the experts'opinions

（1）合并指標2個：將4（人際溝通能力）、5（職業精神與人文素養）合并為4（醫患溝通與醫學倫理）；（2）調整指標1個：將1-1-2（全科醫學臨床服務相關專業知識）調整為1-2（全科醫學臨床相關知識）;（3）新增指標新增5個：1-2-1（與疾病診療相關的各臨床學科知識）、1-2-2（中醫和康復相關知識）、1-2-3（臨床服務常用技能操作規范）、1-2-4（臨床服務新進展及最新臨床循證指南）、2-2-3（家庭健康評估）；（4）刪除指標3個：3-1-7（數智慢性病管理）、3-2-5（個性化心理支持）、5-1-6（醫療安全意識）。2.5.3第三輪專家咨詢：第三輪專家咨詢表包含5個一級指標、11個二級指標和47個三級指標。均通過篩選標準，且專家意見一致，均予以保留。

2.6AIGP評估指標體系的權重結果

根據第三輪專家咨詢評分結果確定了指標體系的權重，各一級指標權重為0.141～0.306，各二級指標權重為0.038～0.267，各三級指標權重為0.016～0.022，詳見表6。

3討論

3.1評估指標體系構建的重要性與必要性

加強AI賦能基層能力建設是打通衛生健康服務“最后一公里”的重要手段[5］，尤其為邊遠農村地區居民提供高質量醫療服務的可及性尤為重要。隨著人工智能技術的飛速發展，AIGP在基層醫療衛生領域的應用前景廣闊，將推動基層醫療衛生服務的智能化、個性化和普及化；支持臨床醫生完成一系列重要任務，使高質量照護更加普及［6］，成為全科醫生的得力助手；同時，AIGP能為全科醫生提供實戰培訓，提升其知識和技能，是全科醫生繼續教育的重要工具。在推進AIGP的研究和實踐探索過程中，需要構建一套AIGP評估指標體系來為AIGP的開發提供方向與標準，為AIGP的科學運用進行規范指導，對確保提升AIGP的安全性及合規性、確保其實際應用效果以及進一步優化AIGP功能具有重要意義。

表3一級指標的重要性、可操作性賦值結果 Table3The importance and feasibility scores of first-level indicators

注： CV= 變異系數；一表示無相關數據。

表4二級指標的重要性、可操作性賦值結果 Table4 The importance and feasibility scores of secondary indicators

注：一表示無相關數據。

3.2評估指標體系構建過程科學、合理

本研究以政策為導向，對基層醫療衛生機構的政策文件進行了梳理，提煉出相關要素，為構建AIGP評估指標奠定基礎，確保整個指標體系能夠符合國家對基層全科醫生崗位勝任力及人工智能發展的要求。同時，本研究在《智能全科醫生中國專家共識》框架指引下，參考相關人工智能技術發展［7-8]及全科醫生崗位勝任力評估指標相關文獻[9-11]，提煉出 AIGP應具備的能力要素，邀請來自社區衛生服務中心、高等院校、綜合醫院及社區衛生服務管理中心等機構對人工智能及基層衛生熟悉的專家參與指標體系構建過程，經過三輪專家咨詢后最終確定AIGP評估指標體系。三輪專家函詢問卷應答率均為 100% ，專家整體積極性好，對研究的重視程度高；Cr 為0.94，表明專家權威程度高，意見可靠[12]。在專家意見協調程度方面，由于第一輪及第二輪函詢后，指標體系均有較大程度改動，專家意見難以迅速達成共識，導致第二輪函詢中Kendall協調系數比第一輪低，但向專家提供更多人工智能背景信息后，第三輪專家函詢的Kendall協調系數得到提升，最終三輪專家意見協調系數的 P 值均 lt;0.05 ，說明各指標間的協調程度較好［12]

3.3指標體系全面考核五大核心能力

本評估指標體系對AIGP的五大能力進行考核，包括專業知識、基本醫療服務能力、預防服務能力、醫患溝通與醫學倫理，以及教育、學習與科研能力。

首先，一級指標中“基本醫療服務能力”的權重占比最高，是AIGP最核心的能力；其次，三級指標全面反映AIGP在實際臨床應用中應涵蓋的重要服務項目，協助全科醫生提供綜合、優質的基本醫療服務，是衡量AIGP創新能力與競爭優勢的關鍵指標。同時將服務對象從個體拓展到家庭，體現出全科醫生連續性服務的特色?，F階段，AIGP的服務錨點應滿足社區主要需求，以“智能輔助進行病史采集”“智能實驗室檢查選擇與結果解讀”“智能輔助診斷和鑒別診斷”幾方面為主進行精進，同時隨著AIGP發展的不斷更新迭代，進一步擴展涵蓋其他基本醫療服務項目。其次，一級指標中權重占比第二位的是“預防服務能力”。2024年7月18日，黨的二十屆三中全會審議通過《中共中央關于進一步全面深化改革、推進中國式現代化的決定》，提出“促進社會共治、醫防協同、醫防融合”。基層醫療衛生機構作為基本醫療和基本公共衛生服務的網底，是實現“醫防融合”的主要場所之一，而全科醫生是實現基層“醫防融合”的最佳人選。利用AIGP的巨大優勢，輔助全科醫生在日常診療工作中，及時主動為社區居民提供預防服務，助力全科醫生提升“醫防融合”服務能力，促進“醫防融合”在社區的有效落地，是AIGP在發展和應用過程中的必備要素。在三級指標中，“輔助居民健康檔案建立和使用”及“體檢規劃”的權重最高，被認為是現階段AIGP在減輕全科醫生管理工作負擔中最需要實現的重要任務。

表5三級指標的重要性、可操作性賦值結果 Table5The importance and feasibility scores of tertiary indicators

（續表5）

注：一表示無相關數據。

具備全面且專業的全科相關知識，是AIGP體現全科理念，進而有效輔助全科醫生、實現良好應用效果的重要保障。強大的人工智能技術能夠支撐AIGP不斷通過自我學習、自我校正來更新專業知識、完善模塊功能以適應不同基層場景的變化發展。

在醫患溝通及醫學倫理指標上，需要通過設定醫學倫理與法律法規要求，以保證AIGP使用過程中的安全性與合規性[13]。同時以需求為導向實現良好的醫患溝通，不斷提升AIGP易用性及患者體驗感［7]。但是從三級指標“傾聽與共情”“輔助醫患共同決策”權重分值及可操作性評分結果來看，AIGP在醫患溝通方面的應用效果及優化需要時間來驗證。

最后的教學與科研能力指標，旨在通過評價AIGP在醫學教育與培訓中的效果，來推動AIGP進一步輔助醫學教育［14]、在促進全科醫生教學科研能力中發揮積極作用。

4小結

本研究采用文獻研究和德爾菲專家咨詢法構建了我國首個智能全科醫生評估指標體系，該指標體系共包含5個一級指標、11個二級指標、47個三級指標，為智能全科醫生服務技術的評估提供了科學工具，以促進AI技術在全科醫學領域的進一步研究及應用。本研究尚存在一定局限性，由于AIGP發展尚處于實踐探索階段，所構建的AIGP評估指標體系未來有待于進一步驗證，并進行適應性調整。

作者貢獻：梁萬年、劉民負責課題構思、設計、實施、文章撰寫等全程審核和把關；路孝琴、趙亞利、劉玉參與課題實施、文章撰寫及修改；張藝帆、朱祖懿、陳開元參與課題實施。

本文無利益沖突。

表6智能全科醫生評估指標體系及其權重 Table6The evaluation index system of intelligent general practitioner and its weight

參考文獻

[1］閆溫馨，胡健，曾華堂，等.人工智能大語言模型在基層醫療衛生服務中的應用與挑戰[J].中國全科醫學，2025，28（1）：1-6.

［2］清華大學萬科公共衛生與健康學院，北京大學公共衛生學院，中國醫師協會全科醫師分會.智能全科醫生中國專家共識［J].中國全科醫學，2025，28（2）：135-142.

[3]DIAMONDIR，GRANTRC，FELDMANB M，et al. Definingconsensus：a systematic reviewrecommendsmethodologiccriteriaforreportingofDelphi studies[J].JClinEpidemiol，2O14，67（4）：401-409.DOI： 10.1016/j.jclinepi.2013.12.002.

[4]RAYMOND MR. Job analysis and the specification of content forlicensure and certification examinations[J].Appl Meas Educ，2001，14（4）：369-415.D0I：10.1207/s15324818ame1404_4.

［5］劉玨，梁萬年.科技創新應對健康挑戰［J］.中國全科醫學，2024，27（28）：前插頁.

[6]MOORM，BANERJEEO，ABADZSH，etal.Foundationmodelsforgeneralistmedical artificialintelligence[J].Nature，2023，616：259-265.

[7]LIYH，LIYL，WEIMY，etal.Innovationand challengesofartificial intelligence technology in personalized healthcare[J].SciRep，2024，14（1）：18994.

[8]ANDREW A.Potential applications and implications of large languagemodelsinprimarycare[J].FamMedCommunityHealth，2024，12（Suppl1）：e002602.DOI： 10.1136/fmch-2023-002602.

[9］李婷，潘朝路，金光輝，等.基于崗位勝任力的全科住院醫師規范化培訓結業考核指標體系的構建［J].中國全科醫學，2024，27（16）：1962-1970.

[10］宮雪.中國全科醫生崗位勝任力指標體系構建研究［D].沈陽：中國醫科大學，2022.

[11］連國華，陳亮，張向杰，等.基于洋蔥模型的社區全科醫生崗位勝任力評價指標體系構建研究［J］.中國全科醫學，2022，25（31）：3955-3959.

［12］王媛媛.醫學量表的編制與評價：理論、方法與實例操作［M].北京：北京大學醫學出版社，2020：66-68.

[13]ANDREW A. Potential applications and implications of largelanguage modelsin primary care［J].FamMed CommunityHealth，2024，12（Suppl1）：e002602.D0I：10.1136/fmch-2023-002602.

［14］江哲涵，奉世聰，王維民.人工智能生成內容在醫學教育中的應用、挑戰與展望［J].中國教育信息化，2024，30（8）：29-40.（收稿日期：2025-02-06；修回日期：2025-03-13）（本文編輯：李婷婷）