《Frontiers in Public Health》：Digital and artificial intelligence-assisted medication management for older adults with chronic diseases: a systematic review and meta-analysis of randomized controlled trials
编辑推荐：
目的： 本系统评价与Meta分析旨在综合随机对照试验的结果，以确定基于数字技术与人工智能/机器学习（AI/ML）的用药管理方法是否确实能为患有至少一种慢性病的老年人带来可测量的临床改善。
方法： 为识别相关的随机对照试验（RCT），研究人员对PubMed、Em
目的： 本系统评价与Meta分析旨在综合随机对照试验的结果，以确定基于数字技术与人工智能/机器学习（AI/ML）的用药管理方法是否确实能为患有至少一种慢性病的老年人带来可测量的临床改善。
方法： 为识别相关的随机对照试验（RCT），研究人员对PubMed、Embase、Cochrane Library、CNKI、万方等数据库进行了系统性检索，检索时间从各数据库建库至2026年6月30日，纳入针对患有至少一种慢性病的老年人开展的数字与AI/ML用药管理研究。研究筛选、数据提取及偏倚风险评估的所有阶段均由两名研究者独立完成，采用Cochrane偏倚风险评估工具2.0（RoB 2.0）。通过RevMan 5.4进行Meta分析合并。
结果： 共19项RCT符合纳入标准，其中6项纳入Meta分析，13项纳入描述性综合。对于用药依从性，三项研究报告了高度异质性的结果（I2 = 97%），由于存在显著异质性且研究数量较少，数据未予合并；各项研究的效应估计值范围为标准化均数差（SMD）= -0.28至SMD = 1.89。对于潜在不适当用药（PIMs），仅有一项研究报告了可比结局，未计算合并估计值。对于住院率和死亡率，两项纳入研究采用了不同的效应指标（风险比HR和比值比OR），因此分别呈现：Blum等人报告的HR为0.95（95% CI 0.77–1.17），Rieckert等人报告的OR为0.88（95% CI 0.73–1.07）。
结论： 现有证据未能确立数字或AI/ML用药管理在老年慢性病患者中对住院率和死亡率等硬终点具有临床意义的获益。对于用药依从性，证据仍不确切且高度异质，无法获得可靠的合并估计值。鉴于显著的异质性和高质量RCT的有限储备，当前证据不足以支持在老年护理中常规实施数字或AI/ML用药管理系统，亟需更多设计严谨的研究。
系统评价注册号： CRD420261460445。
论文主体内容总结
1 引言
全球人口加速老龄化，60岁及以上人口比例预计将从2015年的12%升至2050年的22%。多数老年人受慢性病影响，相当比例患者存在多重共病。在老年慢性病患者中，估计40–60%的65岁及以上人群同时服用五种或以上药物。多重用药可能增加药物相互作用和不良事件风险，同时降低治疗依从性，导致再入院率升高、生活质量下降及医疗成本上升。在此背景下，人工智能（AI）被视为实现更精准、个性化药物治疗管理的有效工具。在本综述中，数字用药管理定义为通过智能手机应用程序、短信、可穿戴传感器或自动化药房系统等数字平台实施的干预措施。AI/ML用药管理被定义为数字干预的一个子集，其额外使用机器学习、深度学习、自然语言处理、知识图谱或自适应算法来支持药物审查、风险预测、个性化推荐或互动咨询。这些系统不同于仅执行预设指南规则的规则式临床决策支持系统（CDSS），也不同于简单的短信提醒或非交互式教育视频等传统移动健康（mHealth）干预。与传统的用药管理方法相比，AI系统具有实时响应、个性化干预和可扩展部署等优势，特别适合患有慢性病的老年人。
2 方法
2.1 方案与注册：该系统评价于2026年7月24日在PROSPERO前瞻性注册（CRD420261460445），但因注册日期晚于最终检索日期，应视为回顾性注册。
2.2 文献检索：研究人员对多个电子数据库进行全面检索，涵盖英文和中文来源。英文数据库包括PubMed、Embase、Cochrane Library、Web of Science和IEEE Xplore；中文数据库包括CNKI、万方、维普和中国生物医学文献数据库（CBM）。检索期限从各数据库建库至2026年6月30日。
2.3 研究选择标准：纳入标准包括随机对照试验（RCT）、参与者年龄≥60岁且至少患有一种确诊慢性病、干预组包含数字或AI/ML用药管理干预、报告至少一项相关结局。排除重复发表、无法获取全文、非英文或中文发表以及会议摘要、叙述性综述、病例报告、研究方案等非实证研究。纳入的干预措施分为三类：AI/ML干预、规则式CDSS和传统mHealth干预。
2.4 研究选择与数据提取过程：两名独立研究者按两步流程筛选所有检索记录，先评估标题和摘要，再评估可能符合条件研究的全文。对每项符合条件的研究，提取标准化信息，包括一般研究特征、参与者人口学特征、干预规格和结局相关数据。
2.5 偏倚风险评估：使用Cochrane偏倚风险评估工具2.0（RoB 2.0）评估每项纳入试验的方法学质量，涵盖随机化程序、偏离预期干预、结局数据完整性、结局测量有效性和选择性结局报告五个关键领域。
2.6 统计综合：所有Meta分析计算均使用RevMan 5.4进行。对于连续型结局，根据各研究是否使用相同工具，采用均数差（MD）或标准化均数差（SMD）作为合并效应量。对于二分类结局，采用比值比（OR）或风险比（RR）。对于用药依从性结局，因存在实质性异质性（I2 = 97%）且研究数量少（n = 3），未合并数据而采用描述性呈现。
2.7 证据确定性评估：采用推荐分级的评估、制定与评价（GRADE）方法评估每个结局的证据确定性，由两名研究者独立评估偏倚风险、不一致性、间接性、不精确性和发表偏倚。
3 结果
3.1 研究选择：通过数据库检索共获得1002条记录。经逐级筛选后，80篇报告进入合格性评估，其中61篇被排除，最终19项RCT纳入系统评价。其中6项研究提供完整效应量数据用于Meta分析，其余13项因无法提取标准化效应量而仅纳入描述性综合。
3.2 纳入研究特征：19项RCT覆盖21年发表窗口（2005–2026年），共涉及6876名参与者。试验分布在九个国家，多数在美国开展。疾病类型包括2型糖尿病、高血压、慢性心力衰竭、房颤、高脂血症、哮喘/慢性阻塞性肺疾病、肾功能不全及多种慢性病。根据预定义分类，2项研究归为AI/ML干预，8项为规则式CDSS，9项为传统mHealth干预。干预持续时间从3到12个月不等。
3.3 质量评估：使用Cochrane RoB 2.0工具，19项研究中4项被评为低偏倚风险，15项为有一些担忧，无研究被评为高偏倚风险。主要偏倚来源是“偏离预期干预”领域，这在应用程序和CDSS等行为干预中难以避免。
3.4 Meta分析结果：对于用药依从性，三项RCT因高度异质性（I2 = 97%）未合并数据，各项研究效应方向与幅度差异较大。对于潜在不适当用药（PIMs），仅一项研究报告了可比结局，未计算合并估计值。对于住院率和死亡率，两项研究因采用不同效应指标分别呈现，均未达到统计学显著性。
3.5 描述性综合：五项试验提供了数字和AI/ML用药管理对依从性影响的描述性数据，总体呈积极趋势。三项研究报告了对临床指标的影响，但均未发现显著组间差异。四项研究报告了其他结局，包括依从性评分、处方续药持续性、直接成本节约和护理支持效果。
4 讨论
基于19项RCT的数据，本研究对不同技术平台的数字和AI/ML用药管理在老年慢性病人群中进行了比较综合。核心发现显示，数字干预在用药依从性方面呈现积极趋势但证据不确定，而在PIMs、住院率或死亡率方面未观察到显著获益。对于用药依从性，三项纳入研究报告了高度异质的结果，异质性源于目标疾病、基线依从水平和干预类型的差异。对于PIMs和住院率/死亡率，因研究数量极少，证据不足以得出明确结论。当前证据不支持数字或AI/ML用药管理能显著改善老年慢性病患者的住院率和死亡率。尽管数字或AI/ML干预在改善用药依从性和识别PIMs方面显示出初步前景，但这些发现尚未转化为硬临床终点的明确获益，证据仍以显著异质性为特征。
5 结论
本研究综合了关于不同技术平台上数字和AI/ML用药管理策略在老年慢性病人群中的证据。汇总证据不支持在硬终点（包括住院率和死亡率）方面具有临床意义的改善，也未显示在减少PIMs方面的明确获益。对于用药依从性，证据仍不确切且高度异质。整体而言，考虑到显著的异质性、有限的样本量和干预方案的显著变异性，当前证据基础尚不足以证明在常规老年护理中广泛实施数字或AI/ML用药管理系统的合理性。
