AI辅助数字化工作流在皮肤科住院医师培训项目临床观察性数据收集中的真实世界应用：来自印度的创新性先导报告

引言：住院医师科研是学术性皮肤科培训的基石，然而基于纸质的数据收集仍旧费时费力、容易出错，且是规培人员的主要压力来源。电子数据采集（EDC）平台可以缓解这些问题，但在资源有限的环境中往往成本高昂且难以实施。我们评估了一种利用广泛可用的 Google Workspace 工具、低成本且由人工智能（AI）辅助的工作流程，以在皮肤科住院医师科研期间简化数据收集并提高数据完整性。方法：在这项前瞻性单中心模拟研究中，使用以下两种方式分别独立录入100份各含41个变量（共4,100个字段）的假设患者记录：(i) 传统的纸质数据收集及随后的手动数字化录入；(ii) 使用 Google Forms、Google Sheets 自动编码、PDF生成以及通过 ChatGPT 进行实时 AI 辅助验证的数字化工作流。计算了每条记录的平均录入时间、每个字段的错误率以及绝对风险降低率。采用配对 t 检验、带连续性校正的 McNemar 检验、精确二项式 p-values 以及 Newcombe 95% confidence intervals 进行分析。结果：AI辅助工作流将每条记录的平均录入时间从 24.4 ± 1.5 minutes 缩短至 7.5 ± 1.1 minutes（平均配对差值=16.9 minutes, 95% CI: 16.61-17.19, p<0.001, Cohen's d=11.66）。错误率从 8.54%（350/4,100）降至 2.39%（98/4,100），绝对风险降低了 6.15 个百分点（95% CI: 4.82-7.47），错误相对减少了 72%（McNemar's χ²(1)=6.13, p=0.013; exact binomial p=0.0078）。没有任何病例出现数字化工作流所特有的新错误。结论：基于 Google Workspace 的 AI 辅助工作流显著减少了模拟皮肤科科研数据收集中的时间消耗和错误率。该方法成本低廉、部署迅速，并可扩展至资源受限的学术中心。采用此类工作流程有望提高科研效率、增强数据完整性并减轻住院医师的压力，从而最终在皮肤科培训项目中培育更浓厚的科研文化。