综述：人工智能在医疗保健中应用的伦理和社会考量——一项双管齐下的范围综述

这篇综述创新性地采用双管齐下设计（SR1聚焦2021-2023年最新文献，SR2分析2014-2024年系统综述），揭示了医疗人工智能（AI）伦理讨论正从抽象原则转向具体场景化应用。研究发现传统伦理框架（如公平性、隐私、透明度）难以应对AI技术（如大语言模型/LLMs）在专科医疗（如精神科、放射科）中涌现的新挑战（如去技能化、分配正义），强调需结合实证研究和利益相关方参与以解决价值冲突（如准确性vs可解释性）。

　　

背景

人工智能（AI）技术正全面渗透医疗领域，从初级诊疗到公共卫生监测。随着机器学习（ML）、神经网络和生成式AI（如ChatGPT）等技术的发展，传统伦理框架面临新挑战。早期讨论多聚焦通用原则（如非恶意、正义），但现实应用揭示出专科场景的特殊性——例如放射科的性别偏见风险与精神科的知情同意困境形成鲜明对比。

方法学创新

研究采用双轨设计：

• SR1：扫描2021-2023年164篇文献，捕捉前沿争议（如环境可持续性、动物伦理等新兴议题）
• SR2：分析20篇系统综述（2014-2024），追踪长期趋势（如隐私讨论从数据保护扩展到数据所有权）

核心发现

高频伦理冲突

• 准确性vs可解释性：深度学习模型性能提升常以"黑箱"为代价，影响临床信任（如癌症筛查假阴性引发的法律责任）
• 个体vs群体利益：儿科数据共享案例显示，牺牲个体隐私可能换取群体治疗突破（如儿童药物剂量优化）
• 监管vs创新速度：心血管AI诊断工具面临审批滞后与技术迭代快的矛盾

专科化趋势

• 精神健康：聊天机器人引发"护理去人性化"忧虑
• 牙科：3D成像技术缺乏专属伦理指南
• 公共卫生：疫情预测算法暴露全球南北数据鸿沟

方法论反思

传统五大伦理原则（非恶意、正义等）已显不足。例如：

• 去技能化（Deskilling）：AI辅助诊断导致年轻医生读片能力退化，无法用"非恶意"简单概括
• 分配正义：LLMs训练成本加剧资源不平等，需结合政治经济学分析

实践建议

• 参与式设计：通过公民陪审团（Citizen's Jury）协调患者、开发者价值观
• 伦理学家转型：需掌握算法评估指标（如ROC曲线）以理解性能-伦理关联
• 动态治理：建立专科化伦理委员会（如放射科AI伦理审查小组）

未来方向

作者呼吁更多"微观伦理"研究：

• 实证缺口：仅13.4%文献（SR1中23篇）采用质性访谈等实证方法
• 技术特异性：需区分机器学习（ML）与大语言模型（LLMs）的伦理差异
• 全球协作：建立跨国医疗AI伦理数据库（类似WHO疫情警报系统）

这项研究预示医疗AI伦理正进入"后原则时代"，解决方案将依赖技术细节与临床场景的深度耦合。