通过“临床护理AI工作坊”构建医疗保健劳动力AI能力：Bridge2AI临床CHoRUS项目的重要实践

　　本文推荐了一项由美国佛罗里达大学团队组织的人工智能（AI）临床能力培训工作坊研究。面对AI在临床应用中可能出现的误用与信任危机，研究团队设计了面向临床工作者和数据科学家的混合式培训课程，涵盖入门与高级双轨内容。通过前后测问卷评估，结果显示参与者在AI知识与应用技能上均获得显著提升（P<0.05），尤其在Python库使用和多学科协作方面进步明显。该研究为推进医疗AI素养、促进跨学科合作提供了可复制的教育模式，对提升临床AI应用质量具有重要实践意义。

　　

在人工智能（AI）迅猛发展的今天，医疗领域正迎来前所未有的变革机遇。AI不仅能辅助疾病诊断、预测患者预后、解读医学影像，还能推荐个性化治疗方案，展现出重塑临床实践的巨大潜力。然而，与其技术能力不匹配的是，当前医疗 workforce（劳动力）普遍缺乏足够的AI素养。许多临床工作者对AI模型的工作原理、适用场景与潜在局限了解有限，这可能导致AI工具在实际使用中出现误用、信任缺失或利用不足等问题。更严峻的是，医疗AI本身具有高度跨学科特性，涉及生物医学、数据科学、计算机与工程等多领域协作，但目前临床与技术团队之间仍缺乏有效的沟通与合作机制。在这一背景下，如何系统化地提升医疗从业者的AI能力，成为推动AI真正落地临床的关键挑战。

为此，来自美国佛罗里大学智能临床护理中心（IC3）的研究团队，在NIH Bridge2AI 联盟的支持下，设计并组织实施了名为“AI for Clinical Care（AICC）”的专题工作坊。该工作坊旨在通过集中式、实践导向的培训，提升临床医生、研究人员和早期职业学者在AI与机器学习（ML）领域的知识与技能，并促进跨学科合作与网络构建。相关研究成果已发表于《Journal of Clinical and Translational Science》。

本研究采用混合式（线上与线下结合）、双轨并行（入门与高级课程）的 workshop（工作坊）形式开展。入门课程面向无编程背景的临床人员，通过Jupyter Notebooks进行Python编程、生物医学数据分析、机器学习及临床AI伦理等实践教学；高级课程则由NVIDIA专家带领，聚焦生成式AI与去噪扩散模型（DDPM/DDIM）。工作坊前后通过匿名问卷收集参与者自评数据，采用“回顾性前后测设计”（retrospective pre-post design）以降低响应偏移，并使用Wilcoxon符号秩检验分析知识增益的显著性。此外，在9个月后开展了跟踪调查，以评估技能的长期应用效果。

一、参与者特征与招募：

工作坊共吸引90名参与者，来自全美14所学术机构，其中67人参加入门课程，23人参加高级课程。通过Bridge2AI及CHoRUS网络进行招募，提供旅行资助以鼓励 underrepresented groups（代表性不足群体）参与。后续调查共回收41份问卷，涵盖临床医师、博士研究生、大学教职等多种身份，其中41.4%来自NIH界定的弱势群体背景。

二、工作坊后知识提升显著：

问卷结果显示，参与者在所有学习目标上均报告了显著的知识增益。入门课程中，“识别生物医学数据科学中的重要Python库”一项提升最大（平均增益1.38分，P<0.001），而“讨论多学科协作对AI推进的重要性”则获最高后测得分（平均3.65）。高级课程中，“利用去噪扩散提升生成图像质量”和“比较DDPM与DDIM”获得最大进步。统计检验表明，双轨课程的知识后测得分均显著高于前测（入门班Z=-4.17, p<0.01；高级班Z=-2.08, p<0.05）。

三、实践反馈与长期影响：

参与者对工作坊目标传达、社交网络及导师支持满意度较高（平均4.18/5分），但指出社交环节缺乏结构、线上参与感不足。9个月后的跟踪调查（N=6）显示，所有受访者均在一定程度上将所学AI技能应用于工作或研究中，包括开发预测模型、使用大语言模型（LLM）等。虽未形成新的科研合作，但多人保持了会后的联系并计划发表相关论文。

四、讨论与改进方向：

AICC工作坊成功地将AI技术以临床工具的形式引入医学教育，避免了复杂数学细节，强调实践与应用，有效提升了临床人员的AI接受度与使用信心。然而，研究也存在样本回收率低（尤其跟踪调查仅6人回应）、自评数据可能受社会期望偏差影响等局限。未来建议增加中级课程、优化社交环节结构（如按研究方向分组、增设线上交流机制），并开展后续hackathon（编程马拉松）或datathon（数据马拉松）以巩固学习成果。

本研究证实，短期高强度工作坊是提升医疗人员AI能力的有效途径，尤其适合临床工作者时间紧张的特点。通过结合在线预习与面授实践、双轨制课程与跨领域导师支持，AICC为医疗AI教育提供了可推广的模式，对减少AI应用风险、推动多学科创新具有重要实践意义。