人工智能在公共卫生领域的演进角色：从预测到政策决策

《Clinical Epidemiology and Global Health》：Prediction to Policy decision: The evolving role of artificial intelligence in public health

　　

摘要专业翻译 摘要 研究问题：人工智能（AI）正通过其分析复杂数据集以支持监测、预测和决策的能力，日益深刻地塑造公共卫生领域。机器学习（machine learning, ML）、深度学习（deep learning, DL）和自然语言处理（natural language processing, NLP）的进展已助力AI在疾病监测、诊断和卫生系统管理中的应用。然而，关于数据治理、伦理和公平性的关切依然存在。本叙述性综述旨在整合AI在公共卫生领域的现有证据，涵盖技术方法、项目经验和挑战。 方法：研究人员采用叙述性文献综述方法，通过PubMed、Scopus和Google Scholar等电子数据库进行结构化检索，以获取相关文献。同时，研究人员也回顾了世界卫生组织（WHO）、美国疾病控制与预防中心（CDC）和印度医学研究理事会（ICMR）等国际和国家组织的政策文件。经同行评审的文章、叙述性综述和伦理指南均被识别、筛选并纳入。 结果：研究人员在多个公共卫生领域识别出AI的应用。数字流行病学工具已显示出早期暴发检测的潜力。AI模型在结核病（TB）和癌症筛查等多个领域提升了诊断性能。印度的数字健康平台展示了数字基础设施和数据驱动方法在公共卫生项目中日益增长的应用，而特定领域也正在涌现部分AI支持的应用。与数据质量、透明度、隐私和劳动力能力相关的挑战仍是大规模实施的障碍。 结论：AI有潜力通过改进监测、诊断和决策来强化公共卫生系统。负责任地整合AI需要强有力的数据治理、伦理监督、跨学科合作以及对数字基础设施的投资，以确保公平和可持续的公共卫生影响。

论文解读文章

一、研究背景与意义

人工智能（artificial intelligence, AI）已从早期的基于规则系统演变为具备学习与预测能力的先进模型，为医疗卫生领域带来范式性变革。当前公共卫生面临新发和再发传染病、非传染性疾病负担日益加重、健康不公平以及劳动力短缺等多重挑战，而传统分析方法已难以处理来自电子健康记录、疾病监测系统、社交媒体、传感器和移动设备的海量实时高维数据。与主要服务于个体患者诊疗的临床AI不同，公共卫生AI侧重于分析人群层面的数据模式，以支持疾病监测、风险预测、健康需求评估、资源分配和及时的公共卫生决策。

尽管已有大量综述探讨AI在医疗保健中的应用，但多数聚焦于临床决策支持、影像学或特定疾病应用，较少有综述能从人群和卫生系统视角出发，将疾病监测、流行病学、健康促进、卫生系统强化和新兴治理挑战整合于统一框架。此外，近年来大语言模型（large language models, LLMs）和隐私保护AI技术的快速发展，也使许多早期综述的时效性受限。因此，本研究旨在从人群和卫生系统视角而非主要聚焦临床应用的视角审视AI在公共卫生领域的应用，系统梳理主要应用领域、评估证据成熟度、外部验证与可迁移性、实施可行性、公平性影响、治理问题及隐私保护技术，并区分技术模型性能与已证实的人群健康影响，为政策制定者、研究者和公共卫生从业者提供参考。

二、研究设计与主要技术方法

本研究采用叙述性综述（narrative review）方法，遵循SANRA（叙述性综述文章评估量表）的六个维度以保证综述质量与透明度。研究人员通过PubMed、Scopus和Google Scholar等电子数据库，结合WHO、CDC、PAHO、ICMR等权威组织的政策文件与指南，检索截至2026年5月的相关文献。检索策略涵盖“artificial intelligence”“machine learning”“deep learning”“natural language processing”与“public health”“population health”“disease surveillance”“health promotion”“risk prediction”“health systems”等关键词组合。纳入标准为涉及人群健康、公共卫生实践、疾病监测、健康促进、卫生系统规划或卫生政策的AI应用研究，排除仅聚焦个体临床且与公共卫生无关的研究。文献证据按主题进行叙述性综合，涵盖疾病监测与早期预警、流行病学预测、预测建模与风险分层、人群筛查、卫生系统规划与资源配置、健康促进与沟通、环境健康与灾害应对等公共卫生应用领域。

三、研究结果

a. 疾病监测与早期预警系统

疾病监测是AI在公共卫生领域最早且最显著的应用之一。AI驱动的监测系统整合电子健康记录、实验室报告、新闻媒体、社交媒体、气候信息和人口流动模式等多源数据，以识别异常并产生早期预警信号。HealthMap和BlueDot等数字流行病学工具已被证明能够比传统监测系统更早检测到疫情预警信号。

b. 流行病学预测与大流行建模

AI驱动的流行病学预测模型在COVID-19大流行期间为决策提供了重要支持，包括预测感染高峰、ICU需求和氧气需求等。在登革热、疟疾和流感等地方病领域，AI预测模型也已用于支持早期预警系统和季节性准备规划。

c. 预测建模与风险分层

机器学习模型利用健康数据、人口统计学数据和社会健康决定因素，对非传染性疾病、孕产妇并发症、结核病等优先疾病进行风险分层。在结核病控制项目中，AI应用已被用于预测失访风险，使项目管理者能够聚焦高风险患者的依从性支持。研究同时强调，预测准确性与公共卫生影响是两个不同概念，AUC、敏感性、特异性等指标反映的是模型预测性能，而非使用模型带来的实际人群健康改善。

d. 人群层面的诊断与筛查

深度学习算法在胸部X光片、乳腺X线摄影、视网膜图像和组织病理图像的自动分析方面展现出良好前景。AI辅助的计算机辅助检测系统已被用于大规模筛查项目、移动筛查车辆和监狱等场景，以辅助病例早期发现。

e. 卫生系统规划与资源配置

预测分析模型通过分析历史利用模式、疾病负担和人口特征来预测医疗需求，如住院人数、床位占用率和物资需求，支持更优的规划和有限资源的高效利用。在突发公共卫生事件中，AI工具已被用于预判氧气、个人防护装备和疫苗等关键物资的短缺。在卫生筹资和保险项目中，机器学习模型被用于检测索赔数据中的异常模式，支持欺诈识别和项目可靠性维护。

f. 健康促进、沟通与心理健康

AI驱动的聊天机器人和个性化消息系统被用于传播准确健康信息、应对错误信息和提供公共卫生紧急事件期间的指导。在心理健康领域，AI应用主要用于筛查、自助支持和转诊服务，AI驱动的行为分析也被用于利用移动应用和在线平台等数字数据源监测与压力、焦虑和幸福感相关的人群层面趋势。

g. 环境健康与灾害管理

AI驱动的早期预警系统已被用于预测洪水、热浪、森林火灾等气候变化相关事件。在灾害响应中，基于AI的卫星和无人机图像评估有助于快速评估损害程度、估算人口流离失所情况和规划资源分配。

四、讨论与结论

讨论部分总结：AI在公共卫生领域的优势体现在提升监测、预防、服务提供和卫生系统管理方面的分析能力、效率和精准干预潜力，但实现这些益处取决于高质量且具有代表性的数据、充足的数字基础设施和劳动力能力、与现有工作流程的整合、适当的治理以及持续评估。当前面临的挑战涵盖技术、伦理、组织和社会等多个层面，包括数据质量与可用性、偏差与公平性、透明度与可解释性、隐私与法律问题、网络安全风险、组织与劳动力能力不足以及自动化偏差（automation bias）等。研究特别指出，偏差可能出现在AI生命周期的多个阶段，包括数据偏差、测量偏差、选择偏差、算法偏差和部署偏差，需要分别且综合评估。在伦理治理方面，WHO强调透明度、包容性、问责制、隐私和人类监督等原则，ICMR于2022年发布《医疗保健中人工智能伦理指南》，印度于2026年2月推出《印度医疗保健AI战略》（Strategy for AI in Healthcare for India, SAHI）作为国家框架。隐私保护技术如联邦学习（federated learning）、同态加密（homomorphic encryption）和许可区块链（permissioned blockchain）等有助于应对敏感公共卫生数据使用和共享中的部分挑战，但也各有局限性。研究强调，AI系统应增强而非替代专业判断和公共卫生专业知识，人机协同（human-in-the-loop）系统通过由训练有素的专业人员检查和情境化AI结果，有助于提升信任、可解释性和问责制。

结论翻译：AI有潜力通过改进监测、诊断和决策来强化公共卫生系统。负责任地整合AI需要强有力的数据治理、伦理监督、跨学科合作以及对数字基础设施的投资，以确保公平和可持续的公共卫生影响。