中国公众对基于大语言模型的医疗保健服务接受度：一项全国性横断面研究及影响因素分析

《BMC Public Health》：Acceptance of healthcare services based on the large language model in China: a national cross-sectional study

　　本研究针对医疗大语言模型(LLM)应用中公众接受度不足的问题，通过全国性横断面调查探讨了中国居民对基于LLM的医疗保健服务(HS-LLM)接受现状及其影响因素。研究发现57.9%的参与者愿意接受HS-LLM，多因素分析显示男性、高AI认知度、低公平性及隐私担忧是显著正相关因素。该研究为促进LLM在医疗领域的应用转化提供了重要循证依据。

　　

随着人工智能技术的飞速发展，大语言模型(Large Language Model, LLM)在医疗领域的应用展现出巨大潜力。这些模型在疾病筛查、诊断和治疗等多个医疗环节表现出色，甚至在某些领域超越了专业医生的水平。研究表明，LLM在降低医疗成本、提高服务效率方面具有显著优势，预示着其在医疗健康领域的广阔应用前景。然而，当技术从实验室走向实际应用时，公众的接受度成为决定其成功与否的关键因素。

尽管LLM在技术上不断突破，但人们逐渐意识到这些基于真实世界数据集训练的模型可能带来公平性问题和隐私泄露风险。这些潜在风险不仅影响公众对LLM的接受程度，也给技术的实际应用和转化带来了挑战。以往的研究多聚焦于医生群体或特定患者人群，缺乏对普通公众接受度的全面了解。特别是在中国这样人口众多、医疗资源分布不均的国家，了解公众对新兴医疗技术的态度显得尤为重要。

为了填补这一研究空白，北京大学的研究团队开展了一项全国性的横断面研究。该研究于2025年4月21日至5月13日通过问卷星平台进行，覆盖中国大陆31个省份，最终收集了3148份有效问卷。研究采用健康信念模型(Health Belief Model, HBM)作为理论框架，从感知易感性、感知行动收益和感知障碍等维度深入探讨了影响公众接受度的因素。

研究方法上，团队主要采用了在线问卷调查法，通过中国最大的在线调查平台问卷星进行数据收集。样本分配根据《中国统计年鉴2024》中各省人口比例进行随机分配，确保样本的代表性。研究使用单项目问题评估HS-LLM接受度，并通过多选项量表测量HBM相关构念。数据分析采用SPSS 26.0进行，包括描述性统计、卡方检验以及单因素和多因素logistic回归模型，以探讨各因素与接受度之间的关联。

研究结果揭示了丰富的信息。在参与者特征方面，研究覆盖了不同年龄、性别、教育背景的群体，其中91.8%的参与者年龄在21-50岁之间，92.4%具有本科及以上学历，这反映了中国网民的基本特征。通过技术渗透水平的评估，研究人员将参与者分为高、中、低三个层次，为后续分析奠定了基础。

在医疗AI的接受度方面，总体数据显示57.9%的中国居民愿意接受基于LLM的医疗服务，这一比例表明公众对新兴医疗技术持相对开放的态度。特别值得注意的是，不同年龄段人群的接受度呈现倒U型分布，31-40岁群体的接受度最高，达到62.6%，而50岁以上群体的接受度下降至49.1%。性别差异也较为明显，男性接受度(61.3%)显著高于女性(55.5%)。

影响因素分析显示，技术渗透水平是影响接受度的关键因素。高渗透水平群体的接受度是低水平群体的3.61倍，这表明提高公众对LLM的认知度可能有效促进技术接受。信息获取渠道方面，通过社交媒体、专业健康应用和传统媒体了解LLM的群体表现出更高的接受意愿，这为未来的科普宣传指明了方向。

多因素logistic回归模型进一步验证了这些发现。在调整其他因素后，男性接受HS-LLM的可能性是女性的1.233倍(aOR=1.233, 95%CI:1.044-1.458)。技术渗透水平的影响更为显著，高水平群体的接受度是低水平群体的2.381倍(aOR=2.381, 95%CI:1.908-2.973)。对公平性和隐私泄露的低担忧程度也与高接受度显著相关，其中低隐私担忧群体的接受度是高度担忧群体的3.808倍(aOR=3.808, 95%CI:2.149-6.746)。

研究的讨论部分深入分析了这些发现的意义。中国基层医疗正面临人口老龄化加剧、医疗资源分布不均等多重挑战，LLM技术的应用可能为改善这一状况提供新的解决方案。研究表明，通过提高教育普及程度、增强AI的可解释性、加强个人信息保护以及采用特定方式进行AI宣传，可以有效提升公众接受度。

值得注意的是，该研究与国际上同类研究的结果具有一致性。例如，美国的研究同样发现男性、年轻人和高学历群体对医疗AI的接受度更高。这种跨文化的一致性提示，尽管各国医疗体系存在差异，但影响技术接受的基本因素可能具有普遍性。

然而，研究也存在一些局限性。由于采用在线调查方式，无法接入互联网的人群在样本中代表性不足，这可能影响研究结果的推广性。教育程度较低群体的样本量较小，限制了针对该群体的深入分析。此外，单项目测量可能无法全面反映接受度这一复杂构念的多维特性。

尽管存在这些限制，该研究仍为促进LLM在医疗领域的应用提供了重要启示。研究表明，通过正规和官方渠道增加公众对LLM的接触，可能有助于提高基于LLM的医疗保健服务的接受度。这一发现对于正在寻求通过人工智能技术改善医疗资源分布不均、提升全民健康水平的国家和地区具有参考价值。

综上所述，这项研究首次在全国范围内系统评估了中国公众对基于LLM的医疗服务的接受度及其影响因素，为相关政策制定和技术推广提供了科学依据。随着人工智能技术在医疗领域的深入应用，理解并解决公众的担忧和障碍，将有助于实现技术效益的最大化，最终推动医疗服务的普惠性和可及性。