知识卡片：尼日利亚医疗工作者对临床采用人工智能的准备度评估

一句话结论

一项 2025 年 12 月至 2026 年 3 月在尼日利亚 761 名医疗专业人员中进行的横断面调查显示，医疗 AI 认知度很高（92.6%），但知识/准备度不足（40.9% 报告低或极低知识，63.0% 自认准备充分），形成“高认知—低准备”的临床采用缺口。

事件概述或研究问题

研究评估尼日利亚多个学科、多个实践场景的医疗专业人员对医疗 AI 的认知、态度、准备度与采用障碍。核心问题是：在低收入和中等收入国家（LMICs）基础设施与培训缺口持续存在时，医疗队伍是否准备好临床采用 AI？来源为 arXiv 条目，英文标题为 Prepared Or Unprepared? Evaluating Healthcare Workforce Readiness for Clinical Adoption of Artificial Intelligence in Nigeria。抽样方法、地区分布、机构类型、响应率等：待核实。

方法/产品要点

• 研究设计：横断面研究（cross-sectional study）。
• 样本：761 名尼日利亚医疗专业人员，覆盖多个学科与实践场景。
• 工具：结构化、经验证的问卷（structured, validated questionnaire）；问卷维度与验证细节待核实。
• 数据收集时间：2025 年 12 月至 2026 年 3 月。
• 分析：摘要报告卡方检验、F 检验等；协变量调整、模型设定、统计软件等待核实。
• 性质：不是产品评测，而是对临床 AI 采用中的人力准备度调查。

主要结果或产业意义

• 认知：92.6% 对医疗 AI 有总体认知。
• 知识与准备：40.9% 报告低或极低知识；仅 63.0% 自认准备充分。
• 意愿：92.5% 表示有兴趣接受培训；78.7% 支持将 AI 教育纳入本科课程。
• 主要障碍：缺乏培训 84.7%；基础设施差 71.1%；AI 工具成本高 61.0%；担心岗位替代 60.6%；伦理顾虑 52.9%；数据隐私顾虑 52.7%。
• 群体差异：准备度在地缘政治区之间存在显著差异（χ²(5)=24.28，p<0.001）；认知在专业组之间存在显著差异（χ²(6)=68.38，p<0.001）；对 AI 态度在专业组之间存在显著差异（F=3.32，p=0.003）。自认准备者的态度均值 3.74，高于未准备者 3.46；量表范围待核实。
• 产业意义：资源受限地区推进临床 AI，不能只依赖技术可用性；培训、基础设施投资、成本可及性和清晰实施框架是采用前提。

为什么重要

• 该研究用尼日利亚多学科、多实践场景样本，量化了“高认知—低准备”的落差，并把障碍按培训、基础设施、成本、岗位、伦理、隐私排序。
• 与既有卡片的关系：已有“尼日利亚移动购物应用中的 AI 数字主权调查”关注消费者侧透明度与控制；本卡片把尼日利亚 AI 议题推进到医疗专业人员侧的准备度与培训缺口。已有 LLM HVAC 系统综述强调部署就绪度证据不足；本卡片提供特定国家医疗劳动力就绪度的问卷证据，但同样显示技术潜力与临床现实之间存在距离。LCA 肿瘤学框架侧重模型无关编排；本卡片侧重人力、基础设施与伦理/隐私条件，是临床 AI 采用的不同层面。

局限与不确定性

• 横断面设计不能推断因果关系；准备度与态度之间的关系可能受其他变量影响。
• 数据为自报，可能存在社会期望偏差；知识测量方式、量表范围与信效度细节待核实。
• 仅覆盖尼日利亚，向其他 LMIC 或国家外推需谨慎。
• 样本是否具全国代表性、抽样框架、响应率、伦理审批、资助与利益冲突：待核实。
• 地缘政治区、专业组差异的具体原因：待核实。
• 来源标注发布时间为 2026-09-16，是否经同行评审、版本状态与后续修订：待核实。

可用于图书/PPT/简报的角度

• “高认知不等于高准备”：医疗 AI 传播与培训落差的案例。
• 资源受限地区临床 AI 落地清单：培训、基础设施、成本、伦理、隐私、岗位影响。
• 医学教育与继续教育：把 AI 教育纳入本科课程与在职培训。
• 政策简报：按地区和专业群体差异做分层干预，而非统一推进。
• 与消费者数字主权、临床决策支持框架对照，讨论 AI 采用的社会技术系统条件。

原始材料

• 英文标题：Prepared Or Unprepared? Evaluating Healthcare Workforce Readiness for Clinical Adoption of Artificial Intelligence in Nigeria
• 英文关键词：待核实（来源材料未提供关键词字段）
• 作者：Abbas M. Rabiu, Abdulrazaq A. Zubair, Um-mulkhairi Ibrahim, Tolulope Olusuyi, Shaheeda Farouq, Safwan M. Dafi, Adaobi C. Emegoakor, Yewande Gbadamosi, Maruf Adewole
• arXiv ID：2609.19096v1
• 分类：Primary cs.CY；Categories cs.CY, cs.AI
• 发布/更新时间：2026-09-16T17:30:48Z
• 摘要页：https://arxiv.org/abs/2609.19096v1
• PDF：https://arxiv.org/pdf/2609.19096v1