人工智能改善公共卫生：为实质性影响设定标准

《Canadian Journal of Public Health》：Will AI Improve Public Health? Setting the Standards for Meaningful Impact

本刊推荐：面对人工智能(AI)技术迅猛发展但公共卫生领域应用尚处初期的现状，Laura C. Rosella博士深入探讨了如何确保AI真正改善公共卫生这一核心问题。研究指出，AI在提升公共卫生监测、流行病学研究等核心功能方面潜力巨大，但必须正视并解决算法偏见、可解释性、伦理治理等关键挑战。文章强调，建立符合公共卫生独特背景的评估标准与治理框架，是引导AI技术发挥实质性影响、促进健康公平的必要前提。该研究为公共卫生领域负责任地整合AI技术提供了重要的路线图思考。

　　

在当今这个技术飞速发展的时代，人工智能(Artificial Intelligence, AI)和数字技术的扩张速度令人惊叹，许多人甚至认为我们正见证一场新的工业革命，这场革命将以深刻的方式改变经济、社会和健康系统。尽管计算能力和算法设计取得了显著进步，但AI对人群和公共卫生(Population and Public Health)的实际影响仍处于早期阶段。这引出了一个至关重要的问题：我们如何知道AI的进步是否真正改善了公共卫生？归根结底，有意义的影响必须通过可预防的发病率降低、人们生活环境的改善以及在减少健康不公平方面取得可衡量的进展来证明。

公共卫生领域长期面临着复杂的挑战，从传染病监测到慢性病预防，从健康促进到资源分配。传统的公共卫生方法虽然取得了巨大成功，但在处理海量、多模态数据以及应对快速变化的健康威胁时，往往显得力不从心。AI和机器学习(Machine Learning, ML)工具的出现，为解决这些挑战提供了新的可能性。它们有望优化公共卫生监测、流行病学研究、沟通和其他常规公共卫生活动，从而增强公共卫生组织的运作效率。这些技术能够支持多模态数据的实时整合，实现病原体或环境暴露的早期检测，改进规划和资源分配，并在最佳时机为特定人群提供有针对性的干预措施信息。这些能力与公共卫生保护和促进人群福祉的目标高度一致。

然而，在拥抱技术红利的同时，我们必须保持清醒的认知。AI在公共卫生领域的应用并非一片坦途，潜藏着诸多风险与挑战。首要关切是算法偏见(Algorithmic Bias)。数据并非中立，它们反映了根深蒂固的社会和结构性不平等。当这些不平等被嵌入训练数据时，就可能产生有偏见的算法，从而强化或加剧这些问题。这种担忧与长期存在的流行病学问题、测量误差、错误分类和选择机制相呼应，这些问题持续影响着ML模型所依赖数据的质量和有效性。偏见影响着数据中谁被代表、风险如何量化以及决策如何制定，这凸显了需要特定学科的标准来严格评估公平性、有效性和可推广性。

第二个关键挑战在于，解释不同人口群体之间差异的因素，往往不同于群体内部运作的因果路径。如果不加以仔细解读，这些方法可能会模糊驱动人口健康和不平等的结构性决定因素(Structural Determinants)。此外，倾向于个体化、技术介导的数据趋势，可能会将注意力和资源从系统和社区层面的干预措施上转移开，而历史上正是这些干预措施产生了最大的公共卫生收益。因此，如何在利用AI进行精准风险识别的同时，确保其支持而非削弱公共卫生的基础性工作和解决上游健康决定因素(Upstream Determinants of Health)的全人群策略，成为至关重要的平衡点。

第三个挑战涉及AI模型的可解释性(Interpretability)和透明度(Transparency)。许多当代AI模型，特别是深度学习(Deep Learning)方法，依赖于高度复杂的计算路径，需要新的方式来沟通和解释预测是如何产生的。在公共卫生领域，问责制和信任依赖于清晰的推理线索，因此，可视化界面和可解释性工具等新方法正在被快速开发，以支持负责任使用所需的透明度。从业者需要的工具不仅是准确的，还应该是可理解、可审计且符合公共卫生价值观的。

第四个挑战是认识到，负责任和符合伦理的AI发展要求对工具的整个生命周期进行监督，从初始设计和验证到部署和持续监测。近期的国际努力，包括FUTURE-AI等共识框架和世界卫生组织(World Health Organization)关于AI伦理与治理的指南，都强调了公平、透明、问责和稳健性能等原则，这表明在支撑可信AI的要素方面正在形成全球共识。这些原则对公共卫生同样重要。然而，针对人群水平数据、监测、公共卫生决策和以公平为导向的实践的相应框架仍在涌现。制定能够反映公共卫生独特背景、风险和社会责任的治理标准，对于建立信任和确保AI促进而非破坏人口健康至关重要。

主要技术方法概述

本研究为论述性文章，并未涉及具体的实验室实验操作。作者主要通过系统性的文献综述和分析，梳理了AI在公共卫生领域应用的现状、机遇与挑战。研究引用了大量国际共识框架（如FUTURE-AI、WHO指南）和已有研究成果，对算法偏见、可解释性、伦理治理等关键问题进行了深入探讨。其方法论核心在于基于现有证据进行综合、批判性分析和提出前瞻性的发展路径建议，而非采用特定的实验技术。

研究结果分析

AI赋能公共卫生的核心机遇

研究表明，AI和ML工具为加强核心公共卫生功能提供了多种机遇。它们有潜力简化公共卫生监测、流行病学研究、沟通和其他常规活动。这些技术能够支持多模态数据的实时集成，实现更早的病原体或环境暴露检测，改进规划和资源分配，并为特定人群在最佳时机进行针对性干预提供信息。这些能力与公共卫生保护和促进人群福祉的目标相一致。更广泛地说，AI可能有助于识别风险轨迹、预测系统压力，并考虑结合复杂健康决定因素的人口异质性。这些能力与精准公共卫生(Precision Public Health)的既定目标一致，即应用新兴工具以更细的粒度测量疾病、暴露、行为和易感性。早期使用生成式AI(Generative AI)的活动表明，公共卫生组织已开始试点能够自动化通信和总结监测数据的工具，这既说明了潜力，也揭示了AI整合于公共卫生系统的初期性质。

实现有意义的公共卫生影响

文章强调，AI要在公共卫生领域产生真正有意义的影响，其最终体现必须是可预防的发病率的降低、生活环境的改善以及健康不公平的减少取得可衡量的进展。这意味着对AI工具的评价不能仅停留在技术性能指标上，而必须关联到最终的健康结果和公平性目标。将AI的发展与公共卫生的核心使命紧密对齐，是确保其产生实质性影响的关键。

结论与意义

Laura C. Rosella的研究指出，当前AI在公共卫生应用面临的诸多挑战，不应被简单视为障碍，而应被看作是确保AI能够加强公共卫生系统、引导未来投资和创新优先事项的必要保障。公共卫生领域在应对与偏见、推断、人口异质性和公平性相关的问题方面有着悠久历史，所有这些都与负责任的AI集成直接相关。公共卫生对结构性决定因素、社区参与和证据知情决策(Evidence-Informed Decision-Making)的承诺，为引导AI发展以最大化其益处同时减轻风险奠定了坚实基础。

研究结论认为，实现AI在公共卫生领域的潜力需要在多个领域采取协调行动。加强公共卫生数据基础设施是基础，包括改进数据收集、链接、质量评估、标准化和治理。对基础设施和劳动力能力的投资必须与技术创新同步。公共卫生专业知识必须明确地纳入国家和地区AI战略中。公共卫生应用与临床或商业用例有很大不同，需要不同的优先事项、评估框架和成功衡量标准。从业者需要在AI方法、评估、伦理、社区参与和数字系统素养方面接受培训。AI工具的采用还必须得到维护公平、伦理、透明和问责的治理结构的支持。

最终，在快速创新的时代，重申公共卫生的核心目标至关重要。当AI能够放大公共卫生系统、社区伙伴关系以及改善人们生活条件的努力的优势时，它的贡献才最具意义。未来的机遇在于将公共卫生的思维模式带入AI的开发与治理中，使这些工具能够支持更具前瞻性、更公平、更互联的人口健康方法。未来几年为公共卫生领域提供了一个宝贵的机会，以能够加强这些目标的方式来引导AI的发展。这篇发表在《Canadian Journal of Public Health》的论文为这一重要旅程提供了关键的路标和行动指南。