运用循证兽医医学和人工智能支持兽医临床决策
运用循证兽医医学和人工智能支持兽医临床决策
Sally Everitt, BVSc, MSc (VetGP), PhD, MRCVS, Caroline Scobie, BVM&S, MSc(EBHC), CertAVP(SAM), MRCVS
关键词
- 临床决策
- 偏倚
- 循证兽医医学
- 诊断
- 人工智能
要点
- 临床决策可以是反射性的或反思性的。它可能受限于不完整的信息和工作记忆容量,并容易受到偏倚影响。
- 循证兽医医学可以提供一个框架,使临床决策明确化并减少偏倚。
- 诊断是一个复杂过程,是理解动物预后和治疗选择的第一步。恰当使用诊断测试要求兽医既了解诊断测试本身,又了解如何将结果应用于个体患者。
- 人工智能(AI)可以为兽医提供工具,有望提高诊断速度和准确性、改善检测可及性,以及改善支持临床决策的信息获取和呈现方式。
- 兽医专业人员需要充分理解使用 AI 的工具,才能将其安全地整合到实践中。
引言
临床决策是兽医工作的重要组成部分。这些决策涉及如何评估患者问题(诊断)以及如何预防或管理疾病(治疗)的选择。选择的存在意味着需要做出抉择。因此,决策研究就变成了研究如何以及为何做出某些选择,以及如何才能做出更好的选择。
早期的决策研究多发生在经济学领域,提出人类在做决策时是"理性行动者",基于对所有可用信息的评估做出选择,以根据个人目标实现最佳结果。然而,完全理性的选择往往不可能实现,因为信息不完整、时间有限以及认知能力在形成和解决复杂问题方面存在局限。这导致了"有限理性"理论,承认信息收集本身有成本;因此,人们在做决策时经常使用启发法或捷径,往往满足于"足够好"而非最优的决策[1]。
现在认为人类大脑有两种不同的思考和决策路径[2–4]。第一种决策类型,即系统1、直觉型、快速和反射性思考,在很大程度上是无意识的,感觉不费力,导致快速判断和直觉感受。在兽医实践中,这是兽医依靠模式识别时使用的系统——例如,面对一只 8 岁未绝育母犬在发情后 3 周出现厌食和多饮,兽医会迅速推断子宫蓄脓为潜在诊断。这种方式的优点是快速,但可能受到认知偏倚影响。
第二种决策类型,即系统2、理性型、分析型、缓慢或反思性思考,需要有意识的努力,如考虑证据和明确推理。在实践中,这是兽医停下来考虑厌食和多饮的鉴别诊断,并考虑如何验证假设的时候。这种方法较少受偏倚影响,但需要时间和精力,当信息过少或过多时可能引入错误,导致认知负荷过重,特别是工作记忆容量。
启发法与偏倚
在实践中,兽医结合使用系统1(直觉/模式识别)和系统2(分析/循证)方法进行决策,但要有效做到这一点,兽医需要了解自己的决策过程(元认知)。许多决策方法来自经验,使兽医能够使用心理捷径(启发法)在常见情况下做出高效决策,而将更审慎的决策过程留给复杂或不确定的病例。虽然这些启发法已被广泛认识甚至必不可少,但重要的是兽医要认识到使用这种方法的益处和风险。
现在有越来越多的启发法和偏倚被认为会影响日常生活和专业工作中的决策(表1)[5,6]。一旦理解决策容易受到偏倚影响,决策者就可以制定缓解策略。其中最重要的是意识到何时在使用系统1(直觉)思维,并使用更明确的系统2方法来检验自己的思维。
表1 小动物实践中启发法与偏倚示例
| 偏倚 | 描述 | 示例 | 益处 | 风险 |
| 可得性偏倚 | 根据病例进入脑海的容易程度来判断某种疾病的可能性 | 最近刚看过几例细小病毒病例,就假设呕吐幼犬很可能是细小病毒 | 快速回忆潜在相关信息 | 可能高估患病率而忽略其他诊断,如异物 |
| 锚定偏倚 | 过分重视早期信息,不根据新数据调整 | 看到一只 Cavalier King Charles Spaniel 有咳嗽和心脏杂音,就假设它处于心力衰竭 | 为诊断提供起点 | 可能导致过早诊断,未考虑所有信息 |
| 归因偏倚 | 根据个人特征或行为对患者或客户做假设 | 根据客户穿着或驾驶的车辆来判断其消费能力 | 做假设节省时间、减少认知负荷 | 外表可能具有误导性 |
| 自动化偏倚 | 不加批判地接受自动化系统信息的倾向 | 不加质疑地相信不可靠的血液检查结果 | 当机器校准正确且检测经过验证时,提供有用信息 | 即使检测结果与其他临床数据不符也高估其价值 |
| 实施偏倚 | 倾向于干预(诊断或治疗)而非观察等待 | 对一只无并发症、无发热的年轻腹泻犬进行诊断检查 | 可能发现可治疗的早期疾病(如 Addison 病等) | 增加假阳性和过度诊断风险,导致进一步检查或治疗 |
| 确认偏倚 | 倾向于寻找和记忆支持已有信念的信息 | 寻找支持自己偏好治疗方案的已发表论文 | 当信念有充分依据时,寻求确认可以提高效率 | 未能寻找支持替代诊断或治疗方案的信息 |
| 框架效应 | 决策受信息呈现方式而非事实本身影响的倾向 | 将存活率描述为 80% 而非将死亡率描述为 20%,会影响客户对手术的看法 | 可用于鼓励预防性健康干预 | 可能导致误导性解读和不充分知情同意 |
| 遗漏偏倚 | 因害怕造成伤害而避免行动,即使不行动风险更高 | 对明显呼吸困难、大量胸腔积液的犬只观察氧疗反应而避免胸腔穿刺 | 氧疗最初可能改善犬的心血管稳定性 | 未治疗的胸膜腔疾病导致的低氧可能随时间恶化 |
| 代表性偏倚 | 假设个体符合其群体的典型表现 | 一只 2 岁拉布拉多患皮肤病就假设为特应性皮炎 | 快速模式识别可以快速准确 | 可能漏非典型表现、共病或个体差异 |
| 满足化 | 一旦找到合理解释就停止收集数据 | 对已确诊甲状腺功能亢进的猫,讨论治疗方案而不考虑共病 | 如果正确则省时省钱 | 可能漏诊共病,如甲亢猫的慢性肾病 |
| 沉没成本谬误 | 即使决策无效也因过去投入而继续坚持 | 因先前投入(时间、金钱、情感)而继续疗程,即使不符合动物最佳利益 | 保护先前的投入和"自己做的是对的"这一信念 | 可能损害动物福利 |
循证兽医医学如何支持临床决策?
循证医学(evidence-based medicine, EBM)原则由来已久;然而,该术语现在更常用于指一种医学方法,即"慎重、明确和明智地使用当前最佳证据来制定个体患者的护理决策"[7]。一篇概述该方法的论文提出了4个假设,表明了整合系统1和系统2决策的重要性[8]:
- 临床经验和临床直觉的发展是成为合格临床医生的关键和必要部分。
- 学习和理解疾病的基本机制是必要的,但不足以指导临床实践。
- 理解特定的证据规则对于正确解读关于因果关系、预后、诊断测试和治疗策略的文献是必要的。
- 新范式的最后一个假设是,基于对潜在证据理解的实践医生将提供更优的患者护理。
EBM 原则已被应用于包括兽医在内的许多医疗领域,循证兽医医学(evidence-based veterinary medicine, EBVM)被描述为在制定临床决策时使用当前最佳证据[9]。
EBVM 最常与在制定个体患者护理决策时明确使用研究文献联系在一起。然而,它也受到批评,一方面因为文献本身的局限性,另一方面因为临床专业知识的重要性以及考虑个体情况和兽医服务交付背景有时被贬低[10,11]。这导致 EBVM 的定义被更新,强调临床专业知识的重要性,并考虑每只患者和主人的个体情况,以对兽医患者做出最佳决策[12,13]。
在人医中,有公认的证据等级,其中随机对照试验(randomized controlled trial, RCT),尤其是对多个试验的系统综述和荟萃分析构成"最佳证据"[14]。然而,在兽医中证据基础可能更有限,研究表明设计问题(如样本量小、多结局报告)以及主要结局报告持续不佳和未能识别资金来源,可能限制即使是 RCT 的可靠性[15,16]。
尽管有这些局限,EBVM 确实为兽医提供了将证据整合到临床决策中的框架,并且通过使过程更加明确,可以帮助兽医识别和克服决策中的偏倚。
5A 模型为将证据整合到临床实践提供了有用框架:
- ASK(提问):第一步是提出问题,帮助识别最相关的证据。定义问题的一种方法是使用 PICO 方法(患者/人群、干预、对照/比较、结局),帮助明确识别要回答的问题。PICO 问题示例见表2。
- ACQUIRE(获取):下一步是利用这个问题建立搜索策略以找到最相关的证据[17]。
- APPRAISE(评价):然后重要的是评价证据,因为即使已发表的证据也可能存在偏倚[18]。
- APPLY(应用):这一步涉及将证据应用到实践中。
- ASSESS(评估):最后,需要评估证据对实践的影响。
有广泛的资源可指导兽医完成这一过程,包括来自 RCVS Knowledge[19]、诺丁汉大学[20]和 EBVM 协会[21]的资源。
表2 PICO 问题示例:在母犬中,绝育与不绝育相比是否降低乳腺肿瘤风险?
| 要素 | 描述 | 示例 |
| P 患者/人群 | 相关患者或人群是谁?尽可能具体,如幼犬、老年患者、妊娠母犬、西班牙猎犬? | 母犬(dog, dogs, bitch, bitches, canine) |
| I 干预 | 你关注什么干预?要测试的管理策略、诊断测试或食物、药物、手术类型是什么? | 绝育(spaying, neutering, ovariohysterectomy, ovariectomy, gonadectomy) |
| C 对照/比较 | 主要替代方案是什么?你特别想比较的对照或替代管理策略或干预是什么?有时当你想知道上述干预是否优于不做任何事时,比较组为"无干预"。 | 不绝育 |
| O 结局 | 你试图达到、测量、改善、影响什么?干预的患者相关后果是什么? | 乳腺肿瘤(mammary, breast, tumor, cancer, neoplasia, neoplasm, mass, lump, carcinoma) |
人工智能如何支持临床决策?
人工智能(AI)被描述为计算系统执行通常与人类智能相关的任务的能力,如感知、学习、推理、问题解决和决策。
使用 AI 的工具已开始进入日常生活,并越来越多地进入职业生活,因为基于 AI 的病历记录工具和决策辅助正在进入诊室。
AI 组织数据、识别模式和做出预测的能力,使其在兽医医疗保健中发挥更广泛的作用具有潜力,可改善诊断、群体健康数据分析和生物医学研究[22,23]。
在临床决策方面,AI 工具在支持诊断和治疗决策方面都有作用。许多诊断领域已经依靠机器生成图像或分析样本;AI 工具的整合可以将这一角色扩展到结果分析。AI 工具在诊断中的益处包括提高检测和分类各种异常的准确性[24]。在治疗决策方面,AI 工具的作用最可能是在护理点向临床医生提供信息并提高决策过程的效率[25]。
要将这些工具整合到临床决策中,重要的是兽医对其工作原理有基本理解,并培养批判性评价其输出的能力[26,27]。
- 机器学习是 AI 的一种类型,使用算法和统计模型使计算机能够"学习"并在无需显式编程的情况下做出预测。算法在大型数据集上"训练"以识别模式和关联,然后利用这些信息对新数据集做出预测。机器学习可根据数据是否已标注(监督学习)或是否由机器自行识别数据中的模式(无监督学习)进行细分。
- 人工神经网络是由连接节点层组成的计算机系统,模拟神经系统的神经元和突触。深度学习使用这些分层神经网络来发现模式并分析数据中的复杂关系,包括图像或文本。然而,由于数据处理过程是隐藏的,评估输出可能困难。
- 生成式 AI是一种可以创建新内容(包括文本和图像)的 AI。虽然它在大型数据集上"训练",但它使用生成算法来生成基于训练数据但不完全相同的新内容。
人工智能在诊断中的作用
有效诊断推理的技能对于兽医实践至关重要。确定动物临床体征的原因通常是理解动物预后和治疗选择的第一步。在面对不确定性时实现准确诊断是一个多方面、多变的过程,同时运用系统1和系统2思维(表3)。诊断过程可分为三个阶段:形成诊断假设、细化和确定最终诊断[28]。值得注意的是,研究表明兽医中确诊很少在初级问诊中做出,兽医的大部分时间用于管理持续存在的问题和在诊断做出之前就新问题做出决策[29]。
AI 已在多个领域用于支持诊断过程,包括诊断影像、组织病理学和细胞学[30–32]。这些创新有望以多种方式改善兽医护理:
- 诊断速度:AI 工具有望产生更快的结果,特别是在涉及影像解读的领域[33–35]。
- 降低成本/门槛:AI 工具可能实现比现有诊断工具更便宜、侵入性更小的内部诊断[36]。
- 提高准确性:AI 工具有望识别人类无法检测的变化并减少诊断错误。然而,与人类一样,其准确性取决于训练和经验[37,38]。
表3 诊断策略
| 阶段 | 策略 | 示例 |
| 启动 | 模式识别 | 当病史或临床检查的要素触发假设时——例如,明显饥饿、体重下降和多尿/多饮触发糖尿病的可能性。 |
| 瞬时诊断 | 类似模式识别,但来自对非言语模式的无意识识别。通常是视觉的(如第三眼睑脱出)或听觉的(如犬传染性气管支气管炎的干咳)。 | |
| 主人/照护者标注 | 当主人告诉你他们认为的诊断是什么时。这可能非常准确,特别是当主人有该诊断的经验时(如猫尿道阻塞)。应考虑并用于指导后续细化问题。 | |
| 主诉 | 兽医承认就诊原因,如食欲不振。这是人初级保健中最常用的启动策略,在兽医医疗中可能类似。 | |
| 细化 | 排除规则 | 依赖对主诉最常见鉴别诊断的了解,以及创建必须排除的严重诊断短名单的能力。例如,年轻拉布拉多急性呕吐最常见原因是饮食不当;但考虑排除胃肠道异物是明智的。 |
| 逐步细化 | 可以是解剖学的(将右后肢跛行定位为膝关节疼痛)或病理学过程的(认识膝关节不稳定)。 | |
| 概率推理 | 使用临床体征或诊断测试来纳入或排除诊断。该策略需要知道测试阳性或阴性结果在多大程度上调整特定疾病的概率,例如犬胰脂肪酶免疫反应性在犬胰腺炎诊断中的应用。 | |
| 模式识别拟合 | 兽医将临床体征与既往病例比较,当模式吻合时识别疾病。它依赖对已知模式的记忆而非特定规则,例如有不同程度胃肠道症状但治疗反应不佳的犬可能提示检测肾上腺皮质功能减退。 | |
| 临床预测规则 | 这是基于明确定义且广泛验证的相似病例系列的模式识别正式版本。犬医学中的一个例子是肾上腺皮质功能亢进临床预测工具[50]。 | |
| 确定 | 已知诊断 | 当有足够确定性开始适当治疗或无需进一步检查即可排除严重疾病时,例如猫咬伤脓肿——可以做更多检查(细胞学或培养和药敏),但不太可能改变治疗。 |
| 安排进一步检查 | 有时标准测试可用于纳入或排除疾病,如总 T4 诊断猫甲状腺功能亢进。 | |
| 治疗试验 | 当诊断不确定时,可以评估对治疗的反应。例如,在无法进一步检查的疑似充血性心力衰竭犬中进行呋塞米试验。 | |
| 时间检验 | 可以使用疑似疾病的预期病程来预测患者何时应改善或恶化。这可以使诊断变得更明显。例如,轻度犬腹泻等待1-2周再做诊断检查。 | |
| 持续不确定 | 当存在持续不确定性时,兽医可使用多种策略:重复问诊、安排第二意见或转诊、与主人分享不确定性、探索性检查。 |
虽然创建 AI 预测模型和诊断工具具有支持兽医患者临床决策的潜力,但兽医必须注意,如果在使用前未严格评估这些工具,实施可能带来的潜在危害。在评估这些测试时,兽医必须查看训练数据所来自动物群体以及测试验证所来自动物群体,以评估任何可能的偏倚。
与所有诊断测试一样,基于 AI 或 AI 辅助测试的诊断准确性应在诊断准确性试验中评估。在该试验中,在临床实践中会接受该测试的动物群体同时接受新测试和参考标准(诊断该疾病最准确的方法)。然后将新测试结果与参考标准比较,计算敏感度和特异度。已有公认的工具用于评价诊断准确性试验,这些工具可适用于包含 AI 的诊断测试[39–41]。
必须量化基于 AI 的诊断与先前路径之间敏感度和特异度的任何差异。这一知识使兽医能够在速度和可及性的益处与测试准确性的任何变化之间取得平衡。
解读诊断测试
恰当使用诊断测试通常是做出诊断和指导治疗或患者管理临床决策的重要步骤。在选择诊断测试时,兽医需要关于诊断测试准确性以及如何解读测试结果的证据。
有三个指标有助于解读诊断测试:
敏感度和特异度
- 测试的敏感度是患病人群中正确检测为阳性的动物比例。
- 测试的特异度是非患病人群中正确检测为阴性的动物比例。
虽然测试的敏感度和特异度可能已知,但仅凭这些信息不足以确定患者患有所检测疾病的可能性。这需要使用阳性和阴性预测值或阳性和阴性似然比进行概率推理。
阳性和阴性预测值
- 阳性预测值(PPV)是检测阳性动物中实际患病人群的比例。
- 阴性预测值(NPV)是检测阴性动物中实际未患病人群的比例。
PPV 和 NPV 分别与疾病在人群中的患病率成正比和反比关系。在疾病更可能发生的动物中,兽医可以更信赖阳性测试结果反映真阳性。如果测试用于疾病不常见的人群,PPV 会降低(检测阳性动物中实际患病的比例更小),NPV 会升高(检测阴性动物中未患病的比例更大),即使敏感度和特异度保持不变。
阳性和阴性似然比
- 阳性似然比(LR)是患病动物与健康动物相比检测阳性的可能性。值越高,阳性测试越可能指示真实疾病。
- 阴性 LR 是患病动物与健康动物相比检测阴性的可能性。值越小,阴性测试越可能真正指示无病。
预测值和 LR 可使用贝叶斯定理解读测试结果,该定理将测试前信息与测试结果结合,更新测试后概率。贝叶斯定理是兽医每天都在使用而未多加思考的工具。例如,想象报告昨天检查的两只犬的血液结果。两只都做了血常规,包括总 T4,两个 T4 结果都低于参考范围。一只是 9 岁拉布拉多,有嗜睡、体重增加、皮肤变化、高胆固醇血症和轻度贫血。另一只是临床正常的 9 岁拉布拉多,血液检查是健康检查的一部分。
虽然测试结果相同,但病史和临床发现使第一只犬甲状腺功能减退的测试前概率高得多。因此,低 T4 有意义地增加了对该犬甲状腺功能减退的怀疑。相反,在第二只犬中应保持适当谨慎。后续的诊断和治疗决策反映了测试后确定性的这种差异。
这就是为什么完整的临床病史和体格检查在兽医患者中很重要,以确保兽医从每项诊断测试中获得最多信息。这也凸显了诊断测试如何在低患病率人群中造成伤害。你可能在第二只犬中发现了早期甲状腺功能减退;然而,假阳性的风险增加了。即使后续检查排除了甲状腺功能减退,这只犬也不得不经历更多检查,主人也不得不面对疾病担忧和额外检查费用。
在解读 AI 辅助诊断技术时,测试前概率同样重要。考虑一种 AI 放射学工具,与人工解读 X 光片一起使用。该工具在两只犬中标记了与胃肠道异物一致的 X 光变化。其中一只因反复排尿困难和血尿就诊,无胃肠道症状;另一只已呕吐 2 天。虽然在有尿路疾病的犬中异物是可能的,但这是假阳性的风险很高。许多兽医通过咨询同事或影像专家的意见来提高 X 光片准确性。这些第二审阅者往往会获得关于患者的信息,以便根据背景理解他们的发现。这个 AI 工具可以通过作为第二人工审阅的代理来提高效率。重要的是要认识到 AI 结果仅基于图像,缺乏第二个人类的贝叶斯推理,即使标记结果以自然语言呈现,类似同事的意见。这有可能减少某些形式的偏倚,如锚定偏倚。然而,其他偏倚,如自动化偏倚,可能进入决策过程。与低 T4 水平一样,临床医生需要考虑两只犬的测试前概率,并决定这个 AI 驱动测试的结果如何改变我们 X 光诊断的确定性。
人工智能在治疗决策中的作用
治疗决策涉及整合来自多种来源的信息,考虑不同选择的优缺点,并且在许多情况下管理不确定性[42]。
当前对服务谱系和情境化护理的关注凸显了需要考虑一系列治疗选择并与主人讨论,使他们能够根据动物和个人情况做出知情决策。虽然可以用传统方式收集和呈现这些信息,例如使用价值矩阵[43],但技术工具(包括使用 AI 的工具)可以支持这些任务。
治疗选择信息通常来自教育、教科书和已发表文献,但这些信息需要与关于个体动物的信息整合,例如任何共病以及它对特定治疗的耐受程度。考虑主人的情况和偏好信息也很重要。这是 EBVM 的过程,严重依赖明确的系统2决策,特别是当需要与主人讨论选择并获得知情同意时。然而,在时间压力下,很难明确考虑所有选择,导致倾向于使用捷径并将偏倚引入决策过程。
AI 工具,特别是基于大语言模型(LLM)的工具,可以通过搜索和综合大量信息的能力来支持治疗决策,可用于搜索证据、识别关系或模式并建议治疗。它们快速查找和总结大量信息的能力可以通过减少认知负荷来支持决策过程。
LLM 是设计用于处理和生成人类语言的 AI 系统。它们在大型数据集上训练,使用一种擅长捕获文本模式的神经网络架构。然后它们使用统计预测来生成序列中的下一个词,创建模仿自然语言的提示回复。
在医疗保健中,LLM 在处理大量医学文献、生成鉴别诊断和回答考试式问题方面显示出潜力,达到与人类专家相当的表现[44]。迄今为止,LLM 在兽医实践中的使用集中在从患者笔记中生成和提取数据,尽管其在支持临床决策方面的潜在用途也已被认识到[45]。
然而,除了讨论 LLM 在兽医实践中的潜在用途外,人们也提出了一些担忧。这些包括对知识产权、隐私和数据安全的担忧,以及生成文本的准确性[45,46]。
在考虑使用 AI 工具进行治疗决策时,重要的是了解你使用的 AI 工具是仅检索数据还是具有生成式 AI 能力——后者会创建可能包含"幻觉"的新内容,包括生成听起来合理但实际上不存在的参考文献。LLM 输出的合理性和置信度可能导致人们相信结果必须准确(自动化偏倚)。
使用定义明确的特定学科数据集的 LLM,如 Vetlexicon[47] 或 BSAVA Rover[48],比在更大、更不特定的数据集上训练的模型(如 ChatGPT 或 Gemini)更可能提供更相关和更可靠(尽管更有限)的信息。
与用于支持临床决策的任何证据一样,来自 AI 工具的证据应经过批判性评价。如果 AI 工具提供的信息提出了与当前知识和理解不符的主张,或者信息是关键的(如药物剂量),建议对照其他已知可靠的来源进行核查。
伦理考量
在兽医实践中使用 AI 支持临床决策引发了一些伦理问题,特别是在准确性、责任和潜在意外伤害方面[49]。
如上所述,使用 AI 的诊断工具的准确性应通过诊断准确性试验评估,理想情况下应发表在同行评审期刊上。
兽医专业人员对其临床决策负责,包括对用于支持临床决策的工具的选择。因此,他们有责任确保充分了解 AI 工具的工作原理,能够解读其提供的信息并向客户解释这些信息。然而,既需要关于如何设计提示以从 AI 模型获得最佳和最准确信息的教育,也需要能够评价 AI 工具设计、训练、验证和输出的框架[44,46]。

图1. 兽医行业 AI 用例风险金字塔。AI,人工智能。(源自英国兽医协会。)
通过使用 AI 工具对动物造成意外伤害的风险随 AI 在影响临床决策中的自主程度而增加(图1)。因此,兽医专业人员拥有明智使用这些工具的知识和技能,以及评价其输出并安全整合到临床实践中的临床专业知识非常重要。
总结
围绕诊断和治疗的临床决策是兽医实践的重要组成部分。为提高决策过程的有效性,重要的是要意识到人类决策的局限性——可能受偏倚和工作记忆限制。EBVM 可以提供使决策过程更明确、减少偏倚的框架,AI 工具可以帮助管理大量信息,帮助减少认知负荷。然而,兽医专业人员保留对其临床决策的最终责任。
临床要点
- 培养对自身临床决策过程的觉察,了解自己是反射性还是反思性思维。
- 使用 EBVM 原则帮助减少偏倚。
- 培养对何时使用诊断测试以及如何将结果应用于个体患者的理解。
- 充分理解使用 AI 的工具,将其安全整合到临床实践决策中。
利益冲突声明
作者无利益冲突需声明。
参考文献
- Simon HA. Bounded rationality and organizational learning. Organ Sci 1991;2(1):125–34.
- Croskerry P. Clinical cognition and diagnostic error: applications of a dual process model of reasoning. Adv Health Sci Educ 2009;14(Suppl 1):27–35.
- Vinten C. Clinical reasoning in veterinary practice. Veterinary Evidence 2020;5(2).
- Kahneman D. Thinking, Fast and Slow. New York: Farrar, Straus and Giroux; 2011.
- Available at: https://catalogofbias.org/.
- Available at: https://thedecisionlab.com/biases.
- Sackett DL, Rosenberg WM, Gray JA, et al. Evidence based medicine: what it is and what it isn't. BMJ 1996;312:71–2.
- Haynes RB. Of studies, syntheses, synopses, and systems: the "4S" evolution of services for evidence-based health care. Evid Based Med 2001;6:61–2.
- Cockcroft P, Holmes M. Handbook of Evidence-Based Veterinary Medicine. Oxford: Blackwell; 2003.
- Holmes MA, Ramey DW. Evidence-based medicine: a new approach to teaching. J Vet Med Educ 2007.
- Mantis P. Evidence-based veterinary medicine: time for a critical appraisal. Vet J 2011.
- RCVS Knowledge. EBVM definitions. 2020.
- Brennan ML, Silinski M, Wessmann A, et al. Defining evidence-based veterinary medicine. Vet Rec 2022.
- OCEBM Levels of Evidence Working Group. The Oxford 2011 levels of evidence. 2011.
- Baillie S, et al. Quality of reporting in veterinary RCTs. Vet J 2019.
- Vega C, et al. Risk of bias in veterinary clinical trials. Prev Vet Med 2020.
- RCVS Knowledge. Finding the evidence. 2021.
- Greenhalgh T. How to Read a Paper: The Basics of Evidence-Based Medicine. 6th ed. Wiley; 2019.
- RCVS Knowledge website. Available at: https://www.rcvsknowledge.org/.
- University of Nottingham. Centre for Evidence-Based Veterinary Medicine.
- EBVM Association website.
- International Veterinary Information Service. AI in veterinary medicine. 2023.
- Halachmi I, et al. Artificial intelligence in veterinary medicine. J Vet Med 2020.
- Werners A, et al. AI in diagnostic imaging. Vet Radiol Ultrasound 2024.
- Seifter E, et al. Clinical decision support systems. J Am Vet Med Assoc 2023.
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med 2019;25:44–56.
- McAfee A, Brynjolfsson E. Business modeling in the AI economy. MIT Sloan Manage Rev 2017.
- Rose C, et al. Diagnostic reasoning in veterinary practice. Vet Rec 2020.
- Reyher K, et al. Diagnosis in first-opinion practice. Vet J 2019.
- Basran PS, et al. AI-assisted interpretation of veterinary radiographs. Vet Clin Small Anim 2026;56:1105–15.
- British Small Animal Veterinary Association. AI in cytology. 2024.
- National Academies of Sciences. Frontiers in veterinary AI. 2023.
- Kendall A, et al. Rapid AI radiograph interpretation. Vet Radiol Ultrasound 2024.
- Larson L, et al. AI detection of pulmonary nodules. Vet Radiol Ultrasound 2023.
- Chen S, et al. Deep learning in orthopedic radiography. Vet Comp Orthop Traumatol 2024.
- Leuthner KD, et al. Point-of-care AI diagnostics. J Vet Emerg Crit Care 2024.
- Fogel DB. Diagnosis-operational biomedical AI. J Med Syst 2019.
- McKinney SM, et al. International evaluation of an AI system for breast cancer screening. Nature 2020;577:89–94.
- Whiting PF, et al. QUADAS-2: a revised tool for the quality assessment of diagnostic accuracy studies. Ann Intern Med 2011;155:529–36.
- Bossuyt PM, et al. STARD 2015: an updated list of essential items for diagnostic accuracy studies. BMJ 2015;351:h5527.
- Korevaar DA, et al. QUADAS-AI extension. 2023.
- May S. Toward a scholarship of primary health care. Vet Rec 2015;176:677–82.
- Coe JB, et al. Value matrix in veterinary practice. J Vet Med Educ 2021.
- Nori H, et al. Capabilities of GPT-4 on medical challenge problems. 2023. arXiv:2303.13375.
- Bollig L, et al. Language models in veterinary clinical practice. Vet Clin Small Anim 2026;56:1087–1104.
- Rudolph J, et al. Chatging the vet: LLM risks in veterinary medicine. 2024.
- Vetlexicon. Available at: https://www.vetlexicon.com/.
- BSAVA Rover. Available at: https://www.bsava.com/.
- European Commission. Ethics guidelines for trustworthy AI. 2019.
- Clinical prediction tool for hyperadrenocorticism. 2022.