使用基于KAC的模型结合人工智能支持与风险分层来预测数字正畸中的患者满意度

为什么你的微笑与科技如今密不可分

越来越多的正畸治疗——从隐形矫治器到定制托槽——都借助数字工具和人工智能（AI）来指导。然而即便技术看起来令人印象深刻，患者并不总是满意。本研究提出了一个简单但重要的问题：通过了解患者的知识、态度和担忧，能否预测哪些人在AI辅助的正畸护理中会感到满意？

超越整齐牙齿的视角

研究人员把重点放在“数字正畸”上，涵盖了使用3D扫描、计算机设计器具、AI辅助诊断和远程监测等工具的治疗。这些进步虽承诺带来更快、更精确的护理，但患者满意度并未随许多临床医师的热情同步提升。患者在对AI的理解程度、信任程度以及分享数据或依赖软件时的舒适感上差异很大。研究团队没有只看临床结果或简单的技术喜好调查，而是构建了一种有结构的方法来衡量数字正畸护理中的人文因素。

患者体验的三大构件

为此，作者提出了一个称为知识—态度—挑战（KAC）的框架。“知识”反映患者对数字与AI基础正畸工具的理解程度。“态度”则体现他们对在自身治疗中使用这些工具的开放性、信任和舒适度。“挑战”汇总了感知到的障碍，如费用、技术难度、隐私忧虑、约诊不便或对陌生技术的焦虑。团队设计并在两个问卷中测试了该框架——一个针对500名患者，另一个针对全国500名正畸医师——以可靠地衡量这三要素。仅患者回答被用于预测模型，而临床医生的数据则用于描绘提供者眼中相同问题的看法。

将情感与担忧转化为预测

在500名患者中，大约七成表示对治疗满意或非常满意。当研究者比较满意与不太满意的患者时，出现了明确的模式。那些对数字正畸理解更深、对AI更持正面态度的患者持续报告出更高的满意度。相反，因费用、技术或隐私顾虑或实际不便感到负担的人则倾向于满意度较低。通过统计建模，作者将KAC得分与年龄、性别、受教育程度和数字治疗类型（隐形矫治器与定制固定托槽）等基本信息结合，用以预测谁最终会感到满意。所得模型能够较准确地区分高满意度与低满意度的患者。

按满意度风险对患者进行分层

随后团队将模型的预测结果转化为三个简单组别。回答显示不太可能产生不满意的患者很有可能对护理感到满意，而处于最高风险组的患者尽管接受了相似类型的治疗，其满意率却明显较低。这一步称为风险分层，之所以重要，是因为它把抽象得分转化为可操作的指引。例如，被标记为高风险的患者可能受益于更长时间的沟通，解释AI系统如何工作、就数据安全给予额外保证，或更清晰说明数字工具能为其微笑做什么与不能做什么。

这对未来的正畸就诊意味着什么

研究得出结论：在AI辅助的正畸中，患者满意度在很大程度上取决于患者所知、所感以及遇到的阻碍，而不仅仅是治疗的技术质量。基于KAC的模型提供了一个实用工具，能够及早识别可能失望的患者，让临床医师有机会调整沟通、解决顾虑并提供个性化支持。随着AI越来越深入地融入牙科护理，此类方法可能有助于确保更智能的技术真正转化为在诊椅上更好、更令人放心的体验。

引用: Xiaoting, X., Ismail, N.A., Liu, Y. et al. Predicting patient satisfaction in digital orthodontics using a KAC based model integrating AI support and risk stratification. Sci Rep 16, 11164 (2026). https://doi.org/10.1038/s41598-026-39105-2

关键词: 数字正畸, 患者满意度, 牙科中的人工智能, 风险分层, 患者态度