将质量功能展开法调整用于将患者反馈转化为医疗人工智能的优先技术需求

为何患者的声音对医院AI至关重要

在医院就诊后留下在线评价时，常常会感觉你的话语仿佛消失在虚空。本研究展示了这些评论如何转变为医院日益使用的用于监测质量和患者体验的人工智能（AI）工具的有力方向盘。作者将数千条患者评价转化为工程师的明确优先事项，提出了一种构建医院AI的方法，使其不仅在纸面上智能，而且在实际中真正回应患者需求、公平且有用。

从在线评论到可行动的信号

研究人员从一个简单问题出发：如果我们把患者评论当作设计医疗AI的主要蓝图，会怎样？他们收集了来自马来西亚一个州53家私立医院近1.5万条谷歌地图评论，并把重点放在1,279条提出严重投诉的评价上。他们没有依赖少数专家手工阅读全文，而是使用大型语言模型——先进的文本处理AI——将每条评论分类到详细主题中，如工作人员行为、沟通问题、等候时间、账单问题和无障碍性。人工专家抽样核查后发现与AI编码高度一致，表明这种自动化解读患者声音的方法在指导设计决策方面足够可靠。

患者实际抱怨的是什么

当团队将详细主题归并为更广泛的类别时，一幅清晰图景浮现出来。最常见的关注点是如何把患者当作个体对待，而不仅仅是他们的病情。服务质量、专业性和沟通各自占了近40%的投诉，紧随其后的是长时间等候和预约问题。设施、财务和患者权利等主题也出现，但频率较低。作者使用统计方法将这些模式归纳为六大“需求”领域，比如服务与沟通、临床护理与体验、患者流动、设施配套、金钱相关问题以及权利与可及性。随后他们评估了每类问题的严重性和发生频率，得出一个分数，显示哪些领域最迫切需要改进。

构建需求与解决方案之屋

为将患者需求与工程师构建AI系统的方式连接起来，作者改编了一种称为质量功能展开法（Quality Function Deployment，常被可视化为“质量屋”）的设计方法。在这个“屋子”的左侧是患者需求；屋顶横向是可以调整的AI特性，例如系统读取文本的准确性、情感检测的精确度、对评论进行细分分类的粒度、处理速度以及筛除虚假评价的能力。中间是一个网格，显示每项技术特性在多大程度上帮助满足每项患者需求。底部则计算出优先级分数，指出若目标是改善真实的患者体验而非仅提升技术指标，应当优先投资哪些AI能力。

哪些AI特性最为重要

分析显示出明确的层级。首要优先项是“细粒度分类”——AI将患者评论分入非常具体、有意义类别的能力，而不是笼统标签。紧随其后的是准确的情感分析和扎实的基础文本理解（即AI对患者言辞的忠实理解）。这些构成了一个关键集群：组织人们讨论的内容、捕捉他们的情感以及正确解读他们的话语。人机一致性——系统判断与人工审查者的吻合程度——位居其后，强调了监督与信任的必要性。速度与实时处理也很重要，但研究发现存在权衡：追求极快响应可能会损害分析的深度与细节。检测虚假评价虽对数据质量有益，但在对患者满意度的直接影响上排名最低。

这对患者和医院意味着什么

对普通读者来说，结论很直接：如果医院希望AI能改善你真实感受到的护理，就必须首先在大规模上认真倾听患者的声音，然后围绕这些关切来设计技术。该框架提供了逐步可行的方法，将混乱的评价文本转化为工程师可构建和改进的特性优先清单。尽管目前的结果来源于马来西亚的私立医院，且仍需在其他环境中进行实地检验，但核心思想具有广泛适用性：衡量对患者重要的事项，将其系统性地与AI构建方式联系起来，并不断重复这一循环。若能做到位，这种方法有望将医疗AI从令人印象深刻的实验室得分，转向在床边带来礼貌、清晰、及时与信任方面的实实在在改进。

引用: Muda, N., Sulaiman, M.H. Adapting quality function deployment to translate patient feedback into prioritized technical requirements for healthcare artificial intelligence. Sci Rep 16, 5713 (2026). https://doi.org/10.1038/s41598-026-36550-x

关键词: 患者反馈, 医疗人工智能, 以人为本的设计, 质量改进, 自然语言处理