综述：评估扩展现实（XR）医疗保健模拟中人工智能驱动角色的系统评价

　　本综述系统评价了2015-2025年间132项研究，聚焦人工智能（AI）驱动角色在扩展现实（XR）（包括虚拟现实（VR）、增强现实（AR）和混合现实（MR））医疗模拟中的应用。研究发现AI-XR在知识获取（Hedges’ g=1.31）、决策速度和操作效率（任务时间SMD=-0.68）方面具显著优势，但证据确定性低（样本小、异质性高）。研究提出DASEX框架（诊断、适应性、安全、参与和可解释性）以解决实施障碍（如分阶段推广、师资培训）和质量保证（如偏见审计、透明度措施）缺失的问题，为未来AI-XR整合提供跨学科指导。

　　

引言

扩展现实（XR）技术已成为医疗保健模拟的重要组成部分，通过虚拟现实（VR）、增强现实（AR）和混合现实（MR）提供安全、可重复且可扩展的技术和非技术技能实践。尽管应用加速，但关于其有效性、实施可行性和质量保证的证据仍零散，且既往综述很少孤立评估AI驱动角色在XR医疗培训中的具体贡献。

自2023年以来，大语言模型（LLMs）和XR硬件的进步可能使与早期研究的比较复杂化。结果报告存在异质性（不同量表、设计和终点），限制了既往荟萃分析合成。广泛使用的评估框架（如MLASE、CFIR、Kirkpatrick）仅部分解决AI特定问题（适应性、透明度、算法安全性），凸显技术能力与现有教育治理框架间的差距。

本综述采用PRISMA对齐方法，检索2015年1月1日至2025年7月31日间的生物医学、教育和计算源，包括ACM数字图书馆和IEEE VR等关键会议，以捕捉常发表在传统期刊外的尖端AI+XR研究。为管理方法学异质性，将结果分组为任务时间、错误率、知识评分、OSCE评分、诊断准确性、运动指标和置信度评级等家族，以进行有意义合成。

方法

本系统评价遵循PRISMA 2020指南，检索PubMed、IEEE Xplore、Scopus、Web of Science和ACM数字图书馆等五个数据库，以及IEEE VR、ACM VRST等目标会议 proceedings（2015-2025）。搜索字符串结合三个概念域：XR技术（“虚拟现实”或“增强现实”等）、AI驱动角色（“人工智能”或“智能体”等）和医疗背景（“临床培训”或“医学教育”等）。

纳入标准包括：医疗专业人员或学生、包含AI驱动交互代理的XR模拟、医疗教育或临床培训背景、实证研究设计、以及2015-2025年间经同行评审的期刊文章或完整会议论文。排除模拟中无AI驱动角色、XR应用超出医疗教育、非实证报告、非英语出版物和无法获取全文的研究。

数据提取使用标准化框架，捕获研究特征（出版年份、国家、设计、样本量）、技术规格（XR形态、硬件平台、AI架构）、教育背景（临床专业、学习目标、课程整合方法）、结果数据（绩效指标、知识增益、学习者信心）和质量保证实践（验证方法、可靠性指标、人工监督协议）。研究质量使用改编自CASP（Critical Appraisal Skills Programme）的量表进行评估，强调随机化、验证工具、预注册和明确伦理批准等客观指标。

结果

共纳入132项实证研究，覆盖有效性（RQ1，n=71）、实施（RQ2，n=45）和质量保证（RQ3，n=44）三个核心领域。重叠有限：47项研究仅针对RQ1，31项仅针对RQ2，27项仅针对RQ3；10项涉及RQ1+RQ2，13项涉及RQ1+RQ3，3项涉及RQ2+RQ3，仅1项覆盖所有三个RQ。

出版量在2022年后急剧增长，2024年42项，2025年（截至7月）33项，表明该领域由近期证据主导，易受时间效应（如LLM时代系统）影响。XR形态分布偏向VR（n=82；62.1%），其次是AR（n=36；27.3%）；MR（n=1；0.8%）和XR未指定（n=7；5.3%）罕见。

研究设计异质，包括11项随机对照试验（RCTs）（约8-9%）、33项实验研究、9项混合方法、5项试点、3项调查、2项案例/系列和19篇综述。报告数字样本的研究中，中位样本量为41（IQR 17-81），而可提取N的RCTs（n=8）中位数为67（IQR 56-120）。

有效性（RQ1）

AI-XR医疗教育中的融合正在重塑学习者获取技术和非技术技能的方式。证据表明AI可支持适应性、减少认知负荷和个性化反馈，同时保留培训员监督以确保安全。

程序/时间结果：一项AI引导支气管镜检查与AR叠加的RCT中，临床医生比专家辅导对照组更快更高效地完成任务（程序时间-77秒，P=0.022； revisited segments -7, P=0.019；事后时间SMD≈-0.68，95% CI -1.32至-0.04；负值表示AI更快）。一项四臂外科VR RCT同样显示，自动化视觉/视觉空间反馈比单纯练习在第二/第三次重复时更好地达到基准。

知识/决策：两项术前术后RCT（脓毒症团队培训与AI医生和牙科智能导师）的汇总分析显示，知识/决策结果有大型标准化均值差（g_REML=1.31，95% CI 0.08-2.54），但具实质性异质性（τ²=0.67；I²=85%），预测区间宽（-0.72至3.34），反映任务差异（脓毒症团队认知与牙科决策）。敏感性分析使用r=0.30和r=0.70给出类似结果。

沟通/团队合作：在脓毒症RCT中，AI医生组获得更高知识但沟通绩效未优于人工控制模拟；人工控制组报告更高沟通自我效能。小型实验工作表明情感AI驱动角色可增强真实性和沟通技能练习，但样本量不足（n=9）。对照试验显示沟通结果混合效应，与程序测量中更一致的收益形成对比。

测量/评估稳健性：自动化评估可靠性支持技术绩效的可扩展评估。AI评分在腹腔镜任务中与专家达到中度至几乎完全一致（κ≈0.59-0.86），在自动化DASS 2.0评分中具有高一致性（ICC=0.89），加强了对程序结果测量的信心；沟通的类比验证工具报告较不一致。

实施（RQ2）

实施报告常引用分阶段推广（试点→教师发展→更广泛整合）和兼容性考虑（头戴设备可用性、空间、网络限制）。框架使用（如CFIR、RE-AIM）存在但不一致；成功项目强调领导买入、教师培训和无摩擦技术栈（如云/离线模式、简单设备配置）。障碍包括成本、工作人员时间和数据治理批准。

质量保证与安全（RQ3）

质量保证实践包括场景版本控制、AI行为专家审查、记录和基于规则的安全防护栏。一些研究描述算法检查（如偏见或合理性过滤器）和Human-in-the-Loop监督以进行升级。然而，正式偏见审计、隐私保障和评估工具间评分者可靠性较少详细说明，激发了对AI特定DASEX标准的需求和未来实证验证。

讨论

本综述综合了132项实证研究的证据，调查AI驱动角色在XR医疗模拟中的应用，解决三个领域：有效性（RQ1）、实施框架（RQ2）和质量保证（RQ3）。纳入文献的广度反映了对XR–AI临床培训日益增长的兴趣，但研究设计、结果测量和报告标准的异质性限制了定量汇总结果的能力。

跨71项处理RQ1的研究，证据表明AI增强医疗模拟可改善知识获取、程序技能绩效和决策速度，相比传统培训方法。这些效应在评估离散程序技能（如气道管理、手术缝合）或团队基础危机场景的对照研究中最一致。改进常伴随学习者信心和参与度的增益，尽管使用标准化满意度量表（如SUS、NASA-TLX）的研究报告了可变结果。 notably，极少研究评估向真实世界临床环境的转移，且除即时培训后外的随访期罕见。

映射到RQ2的45项研究揭示了实施的碎片化方法。虽然一些采用结构化框架如Kirkpatrick模型或Miller金字塔指导评估，但大多数依赖无显式理论基础的定制协议。硬件配置以VR头戴设备（特别是Oculus/Meta Quest）主导，AR部署常限于试点研究或程序指导应用。AI驱动NPC的整合从基于规则的分支逻辑到高级NLP和强化学习不等，但少数研究提供AI模型架构或训练数据来源的技术透明度。跨学科合作被出现为成功实施的关键促进因素。

处理RQ3的44项研究证明了正式质量保证协议的显著差距。安全特性——如干预合理性检查、偏见审计或错误拦截——较少报告。仅少数研究描述记录AI推理过程或向学习者提供NPC行动的透明解释。缺乏结构化QA引发了对可重现性、学习者信任校准和风险管理的担忧，特别是在模拟部署于高风险培训背景时。

结论

AI驱动角色在XR医疗模拟中展现出提高学习成果的潜力，但证据基础仍新兴且异质。未来工作应通过更大样本、更严格设计、标准化结果测量和更长时间框架解决当前限制。实施应通过CFIR等框架指导，而质量保证应整合DASEX等AI特定标准以确保安全、公平和有效整合到医疗教育中。通过解决这些差距，AI驱动XR模拟可革命化临床培训，提供个性化、可扩展和引人入胜的学习体验。