پذیرش عمومی مدل‌های زبانی بزرگ در سلامت: نتایج یک بررسی ملی در چین و پیامدهای عدالت سلامت

خلاصه سریع برای خواننده

• مطالعه: یک پیمایش ملی نماینده در چین (۳۵,۸۶۱ شرکت‌کننده، ژوئن–سپتامبر ۲۰۲۴) درباره پذیرش مدل‌های زبانی بزرگ (LLM) در مراقبت سلامت.
• نتیجه کلی: میانگین امتیاز پذیرش ۶۴.۳ از ۱۰۰ (میانه پذیرش متوسط)؛ پذیرش در گروه‌های مختلف متفاوت بود.
• عوامل مرتبط مثبت: سابقه استفاده از خدمات سلامت دیجیتال، سواد eHealth، خودکارآمدی و روابط اجتماعی قوی‌تر.
• عوامل مرتبط منفی: سن بالاتر، داشتن بیماری مزمن، تنهایی اجتماعی، فشار مالی و سابقه اجتماعی-تکاملی نامطلوب.
• نکته کلیدی: عدم استفاده قبلی از خدمات دیجیتال قوی‌ترین نشانه عدم پذیرش بود؛ این می‌تواند منجر به افزایش نابرابری در دسترسی به مزایای فناوری شود.

مقدمه

مدل‌های زبانی بزرگ (Large Language Models یا LLM) مانند ابزارهایی که می‌توانند متن تولید، خلاصه یا راهنمایی‌های پزشکی پایه ارائه دهند، به سرعت وارد حوزه‌های مختلف پزشکی شده‌اند. اما پیش از آن‌که این فناوری‌ها بتوانند به بهبود دسترسی یا کیفیت خدمات سلامت کمک کنند، باید ببینیم که آیا مردم حاضرند از آن‌ها استفاده کنند یا خیر. پذیرش عمومی می‌تواند تعیین‌کننده میزان استفاده واقعی و در نتیجه تأثیر نهایی این فناوری‌ها بر سلامت جمعیت باشد. مطالعه‌ای که در PLOS Digital Health منتشر شده، پذیرش LLMها در مراقبت سلامت را در یک نمونه ملی چین بررسی کرده و نشان می‌دهد که این پذیرش به طور نامتوازن در جمعیت توزیع شده است؛ موضوعی که پیامدهای مهمی برای عدالت سلامت و برنامه‌ریزی پیاده‌سازی دارد.

نوع مطالعه و روش‌شناسی

این تحقیق یک پیمایش مقطعی ملی نماینده است که بین ژوئن و سپتامبر ۲۰۲۴ در ۱۵۰ شهر چین انجام شده است. شرکت‌کنندگان ۱۸ سال یا بیشتر بودند و نمونه‌گیری به صورت چندمرحله‌ای و طبقه‌بندی شده انجام شد تا نمایندگی جمعیت شهری و حاشیه‌نشین را فراهم کند. پس از ارائه یک توضیح استاندارد از توانایی‌های LLM، از پاسخ‌دهندگان خواسته شد پذیرش استفاده از این فناوری‌ها در مراقبت سلامت را روی مقیاس ۰ تا ۱۰۰ ارزیابی کنند. محققان سپس از وزن‌دهی نمونه برای برآوردهای کشوری استفاده کردند و با رگرسیون و تحلیل درخت تصمیم (CART) عوامل مرتبط با پذیرش یا عدم پذیرش را شناسایی کردند.

یافته‌های اصلی

در مجموع ۳۵,۸۶۱ نفر در مطالعه شرکت کردند. نکات کلیدی نتایج عبارتند از:

• میانگین وزن‌شده پذیرش: ۶۴.۳ از ۱۰۰ (۹۵% CI: ۶۳.۹–۶۴.۶) — نشان‌دهنده پذیرش متوسط در سراسر جمعیت.
• پذیرش در افراد با بیماری‌های مزمن پایین‌تر بود (۶۲.۴ در مقابل ۶۴.۳ کلی).
• پذیرش با افزایش سن کاهش می‌یافت.
• عوامل مثبت مرتبط (همبستگی استانداردشده β_std ≈ ۰.۰۶–۰.۱۹): تصور بالاتر از موقعیت اجتماعی، سابقه استفاده از خدمات سلامت دیجیتال، خودکارآمدی، روابط قوی خانواده و همسایگی، و سواد eHealth.
• عوامل منفی مرتبط (β_std ≈ -۰.۰۴ تا -۰.۰۹): سن بالاتر، مواجهه‌های منفی اجتماعی-تکاملی در کودکی، علائم شدید ADHD، تنهایی اجتماعی و فشار مالی.
• در تحلیل CART، نداشتن تجربه قبلی با سلامت دیجیتال بزرگ‌ترین گروه عدم پذیرش را تعریف کرد (۶۲% از نمونه). در میان کسانی که تجربه دیجیتال داشتند، حمایت اجتماعی پایین و وضعیت اقتصادی اجتماعی کودکی پایین همچنان نشانگرهای مهم عدم پذیرش بودند.
• عملکرد درخت تصمیم در مجموعه تست متوسط بود (AUC وزنی ۰.۶۲، ۹۵% CI ۰.۶۱–۰.۶۴)، با اختصاصی بالا (۰.۹۴) و حساسیت پایین (۰.۱۹).

تفسیر نتایج

یافته‌ها نشان می‌دهد که پذیرش LLMها در مراقبت سلامت متوسط ولی نابرابر است. گروه‌هایی که معمولاً به خدمات سلامت دسترسی یا آمادگی کمتری دارند — از جمله افراد مسن، مبتلایان به بیماری مزمن، و کسانی که منابع دیجیتال یا حمایت اجتماعی کمتری دارند — کمتر متمایل به استفاده از این فناوری‌ها هستند. این الگو نگرانی مهمی ایجاد می‌کند: اگر پیاده‌سازی LLMها عمدتاً به نفع افرادی باشد که از پیش منابع بیشتری دارند، فناوری ممکن است به جای کاهش، نابرابری‌های سلامت را تشدید کند.

چرا یافته‌ها اهمیت دارند؟

در عمل، پذیرش فناوری یکی از پیش‌نیازهای بهره‌برداری از مزایای آن است. اگر گروه‌های آسیب‌پذیر کمتر استقبال کنند یا نتوانند به ابزارها دسترسی داشته باشند، سودمندی LLMها در ارتقای دسترسی، اطلاعات بهداشتی یا پشتیبانی تصمیم‌گیری بالینی محدود خواهد شد. نتایج همچنین نشان می‌دهد که سواد سلامت دیجیتال و تجربه قبلی با خدمات دیجیتال از عوامل قابل‌تغییر هستند که می‌توانند هدف مداخلات آموزشی، طراحی رابط‌های کاربرپسندتر و سیاست‌های دسترسی قرار گیرند.

محدودیت‌های مطالعه و نکاتی که باید با احتیاط خواند

• طبیعت مقطعی: این مطالعه همبستگی‌ها را نشان می‌دهد اما رابطه علت و معلولی را ثابت نمی‌کند؛ برای مثال نمی‌توان گفت تجربه دیجیتال مستقیماً باعث افزایش پذیرش می‌شود یا این‌که افراد پذیراتر ابتدا سراغ تجربه دیجیتال می‌روند.
• توصیف استاندارد LLM: پاسخ‌ها پس از شنیدن یک توصیف استاندارد از قابلیت‌ها جمع‌آوری شد؛ این توصیف ممکن است برداشت شرکت‌کنندگان را جهت‌دهی کند و نتایج را بسته به محتوای توضیح تغییر دهد.
• خودگزارشی بودن داده‌ها: اطلاعات درباره سابقه بیماری‌ها، استفاده دیجیتال یا وضعیت اقتصادی اجتماعی می‌تواند دچار خطای یادآوری یا گزارش مطلوبیت اجتماعی باشد.
• عمومیت‌پذیری جغرافیایی: نمونه ملی چین است؛ با وجود این‌که الگوهای اجتماعی ممکن است در نقاط دیگر جهان مشابه باشند، تفاوت‌های فرهنگی، زیرساختی و سیاسی می‌تواند نتایج را برای کشورها یا گروه‌های جمعیتی دیگر متفاوت کند. نباید نتیجه‌گیری مستقیم درباره ایران یا سایر کشورها کرد بدون شواهد محلی.
• معیارهای عملکرد پایین مدل‌ها: تحلیل CART حساسیت پایینی داشت (۰.۱۹)، به این معنا که در شناسایی همه افرادی که عدم پذیرش دارند، ضعیف عمل می‌کرد؛ به عبارت دیگر درخت توانایی کمی در پیش‌بینی فردی دارد و بیشتر برای شناسایی گروه‌های بزرگ و الگوهای عمومی مناسب است.

کاربرد بالینی و سیاست‌گذاری

این مطالعه مستقیماً بر نتیجه‌گیری‌های درمانی اثر نمی‌گذارد، اما برای مدیران سلامت، طراحان فناوری و سیاست‌گذاران مفید است. نکات کاربردی عبارتند از:

• پیش از گسترش LLMها به صورت گسترده، باید ارزیابی‌های محلی پذیرش و نیازهای گروه‌های آسیب‌پذیر انجام شود.
• سرمایه‌گذاری در آموزش سواد سلامت دیجیتال و طراحی رابط‌های ساده می‌تواند پذیرش را افزایش و شکاف‌ها را کاهش دهد.
• منابع حمایتی (مانند کمک تلفنی، آموزش حضوری یا واسطه‌های سلامت دیجیتال) می‌تواند برای افراد مسن یا مبتلایان به بیماری مزمن به کار گرفته شود تا دسترسی برابرتر فراهم گردد.
• سیاست‌گذاران باید خطر افزایش نابرابری را در نظر گرفته و راهبردهای همراه‌سازی و پوشش‌دهی هدفمند برای گروه‌های کم‌پذیر تدوین کنند.

نظر تحریریه پزشک سایت

نتایج این پیمایش ملی هشداردهنده اما قابل فهم است: فناوری به خودی خود عدالت را تضمین نمی‌کند. پذیرش متوسط نشان می‌دهد که مردم نسبت به توانایی و نقشی که LLMها می‌توانند در مراقبت سلامت داشته باشند، تردیدهایی دارند. از منظر سیاست‌گذاری، باید از هم‌اکنون برنامه‌ریزی کنیم تا مزایای فناوری به همه برسد و نه فقط به گروه‌های برخوردار. تمرکز بر آموزش دیجیتال، طراحی کاربرمحور و پشتیبانی از گروه‌های کم‌منابع می‌تواند گام‌های عملی مؤثری باشد. همچنین پژوهش‌های بیشتری لازم است تا رابطه علت و معلولی میان تجربه دیجیتال و پذیرش روشن شود و راهبردهای مؤثر برای افزایش پذیرش در گروه‌های خاص بررسی گردد.

چه زمانی باید با پزشک مشورت کرد؟

اگر موضوع شما به یکی از موارد زیر مرتبط است، پیش از تکیه بر ابزارهای مبتنی بر LLM با پزشک یا تیم درمانی مشورت کنید:

• داروها: تغییر دوز، قطع یا تجویز داروها باید فقط با نظر پزشک انجام شود.
• سرطان: تصمیم‌گیری در مورد تشخیص یا درمان سرطان نیازمند ارزیابی تخصصی بالینی است.
• بارداری و شیردهی: هر گونه توصیه مرتبط با سلامت مادر یا جنین باید از سوی متخصص زنان یا مراقب بهداشتی بررسی شود.
• کودکان: در مسائل مربوط به سلامت کودکان همیشه از راهنمایی پزشک کودکان استفاده کنید.
• قلب، عفونت و اورژانس: درد قفسه سینه، تب بالا، مشکلات تنفسی، خونریزی یا هر مورد اورژانسی باید فوراً به خدمات اورژانس مراجعه شود؛ ابزارهای آنلاین یا LLMها جایگزین مراقبت‌های اورژانسی نیستند.
• واکسیناسیون و جراحی: تصمیم‌گیری درباره واکسن یا انجام عمل جراحی نیازمند ارزیابی تخصصی و اطلاعات بالینی است.

پرسش‌های رایج

آیا این مطالعه نشان می‌دهد LLMها در مراقبت سلامت مفید یا خطرناک هستند؟

خیر. این مطالعه به صورت مستقیم کارایی یا ایمنی LLMها را ارزیابی نکرد؛ بلکه میزان پذیرش عمومی و عوامل اجتماعی-روانشناختی مرتبط با آن را بررسی کرده است. مفید یا خطرناک بودن هر ابزار بستگی به طراحی، نظارت، ارزیابی بالینی و چارچوب‌های اخلاقی دارد.

آیا نتایج این مطالعه را می‌توان به جمعیت‌های دیگر منتقل کرد؟

نتایج مربوط به نمونه ملی چین است. بعضی الگوهای اجتماعی ممکن است در دیگر کشورها نیز دیده شوند، اما تفاوت‌های فرهنگی، زیرساختی و نظام‌های سلامت می‌تواند تعمیم مستقیم را محدود کند.

چه اقداماتی می‌تواند پذیرش را افزایش دهد؟

پیشنهادهایی که داده شده شامل آموزش سواد سلامت دیجیتال، ارتقای تجربه کاربری، ارائه پشتیبانی برای کاربران مبتدی و برنامه‌های هدفمند برای گروه‌های کم‌منابع است. این‌ها باید در قالب پروژه‌های آزمایشی و ارزیابی‌شده اجرا شوند.

آیا افراد مسن و بیماران مزمن نباید از LLMها استفاده کنند؟

خیر. مطالعه نشان می‌دهد این گروه‌ها کمتر متمایل به استفاده‌اند، اما لزوماً برای همه افراد نامناسب نیستند. تصمیم به استفاده باید فردی و با اطلاع از محدودیت‌های ابزار و در صورت نیاز با مشورت ارائه‌دهنده مراقبت سلامت باشد.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• نتایج نشان‌دهندهٔ ترجیحات گزارش‌شده در زمان پیمایش‌اند؛ رفتار واقعی استفاده ممکن است متفاوت باشد.
• شاخص‌های آماری (مثل β_std و AUC) نشان می‌دهند که رابطه‌ها غالباً کوچک تا متوسط و پیش‌بینی فردی محدود هستند؛ این یعنی باید از تعمیم قاطع پرهیز کرد.
• تحلیل CART برای شناسایی گروه‌ها مفید است اما به تنهایی برای راهبرد تفصیلی هدفمندسازی کافی نیست؛ ترکیب آن با داده‌های محلی و روش‌های کیفی توصیه می‌شود.
• پیشنهادات سیاستی باید بر اساس شواهد بومی، آزمایش‌های مداخله‌ای و ارزیابی‌های اخلاقی و حقوقی توسعه یابند.

جمع‌بندی کاربردی

مطالعه ملی چین نشان می‌دهد پذیرش مدل‌های زبانی بزرگ در حوزه سلامت در سطح کلی متوسط است و نابرابری‌های اجتماعی و دیجیتال در پذیرش نقش دارند. برای جلوگیری از تشدید نابرابری‌ها در زمان پیاده‌سازی این فناوری‌ها پیشنهاد می‌شود:

• پیش از اجرا، ارزیابی پذیرش و موانع در جمعیت هدف انجام شود.
• برنامه‌های آموزش سواد سلامت دیجیتال و پشتیبانی کاربران کم‌تجربه توسعه یابد.
• طراحی سیستم‌ها کاربرمحور و قابل دسترس برای گروه‌های پیر و بیماران مزمن اولویت یابد.
• سیاست‌گذاران مسیرهای نظارتی و حمایتی برای تضمین دسترسی عادلانه و محافظت از حریم خصوصی و کیفیت بالینی تعیین کنند.

در نهایت، فناوری‌هایی مانند LLMها پتانسیل قابل‌توجهی برای بهبود مراقبت سلامت دارند، اما بدون توجه خاص به عدالت، آموزش و دسترسی، ممکن است بیش از آن‌که به کاهش شکاف‌ها کمک کنند، آن‌ها را عمیق‌تر کنند.

منبع

Health equity and public acceptance of large language models in healthcare in China: A national population-based survey. PLOS Digital Health. 2026. DOI: https://doi.org/10.1371/journal.pdig.0001555

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.