面向慢性病控制与主动健康的数字化“治未病”：整合中医药（TCM）智慧与数字智能的可检验概念框架

《Frontiers in Digital Health》：Digitalized “preventive treatment” in chronic disease control and proactive health: a perspective on integrating TCM wisdom with digital intelligence

　　

本视角（Perspective）提出一个用于数字化“治未病”（digitalized preventive treatment）的可检验概念框架，整合多维数据采集、双引擎分析、精准健康画像（precision health profiling）与个性化干预。该框架并非代表一个经临床验证的系统，而是组织现有组分层面证据，并为未来评估可行性、有效性、安全性、公平性、实施性和成本效果（cost-effectiveness）定义路径。

**论文主体解读**

**一、研究背景、问题与开展理由**
非传染性疾病（NCDs，non-communicable diseases）已成为全球主要公共卫生威胁，原文引世界卫生组织报告指出其约占全球年度死亡的71%。全球医疗资源分布极不均衡，传统“反应式”医疗模式难以应对慢性病年轻化与老龄化社会趋势，促使医学从“疾病治疗”转向“健康医学”。这一“预防优先”范式与中医药（TCM，Traditional Chinese Medicine）“治未病”理念高度契合，其核心包括“未病先防”“既病防变”“瘥后防复”，为病前与疾病进展风险阶段的纵向预防管理提供理论支持。但传统“治未病”模式缺乏客观量化指标，服务场景受时空限制，难以对大规模高风险人群实现连续、精准风险预警，存在“时空限制”和“数据缺口”，制约基层可及性与干预效果。近年物联网（IoT，Internet of Things）、人工智能（AI，Artificial Intelligence）等数字智能技术为实时或重复监测、风险评估和数字化支持干预提供新路径，但当前数字智能健康管理仍呈“技术领先、理论滞后”的碎片化特征，缺乏TCM整体观与数字算法的深层逻辑耦合。因此，研究人员提出一个可检验的概念框架，而非报告已临床验证的干预系统。

**二、研究开展、结论与意义**
研究人员提出数字化“治未病”的可测试概念架构，将TCM原则操作化为纵向多模态感知、生物医学风险评估、概率性TCM体质—证候推理、临床情境融合、证据约束的干预选择、临床医生监督及纵向反馈与重校准。原文强调该架构不是已建立的临床解决方案，其可行性、有效性、安全性、公平性、实施性和成本效果均待前瞻性评价。其意义在于把TCM“治未病”与数字健康整合从概念倡导转化为明确的数据流和研究议程，并区分预后风险与干预效应证据，要求临床重要决策由医生审核。

**三、关键技术方法概述（≤250字）**
本研究为视角/概念性研究，非系统综述，未收集原始样本队列；引用的研究涉及单中心、特定人群或任务级性能。方法为基于现有组分层面证据和理论综合构建概念架构。关键技术包括：多模态纵向数据采集（TCM舌面声步等感知数据、生物医学测量、行为生活方式环境数据）；双引擎平行推理（生物医学疾病发生/进展风险及不确定性；在TCM知识库K_TCM支持下生成概率化体质—证候画像及不确定性）；临床情境融合形成健康表征；引入独立干预证据层E_I与安全、禁忌、升级约束G，生成需医生审核的候选干预a_t^*=π(z_t, C_t, E_I, G)；结局和新数据反馈用于监测、更新与重校准；提出分阶段验证，包括数据质量、测量一致性、校准与外部效度，可行性实施试点，以及多中心实效或整群随机评估。

**四、研究结果（保留原文小标题）**
3.1 “治未病”三重内涵：原文以《黄帝内经》“治未病”为源，涵盖未病先防、既病防变、瘥后防复，强调“正气存内，邪不可干”和整体调节以主动防控。
3.2 数字技术赋能“治未病”的逻辑依据：数字技术可支持系统化数据采集、纵向监测和个体化评估并扩展服务场景；Shang and Zhang、Yu et al.、AI风险预测及知识图谱/大语言模型（LLMs，large language models）检索等提供技术可行性，但不确立临床有效性。
4.1 风险预测与早期预警：Wang Qi团队建立“体质辨识理论—辨识方法—应用模式”三位一体体系，报告多模态体质辨识及与疾病风险评估、健康管理连接的技术可行性；外部验证、纵向稳定性和跨场景泛化仍不足。
4.2 早期筛查与诊断：Shang Hongcai团队以数字智能TCM“广义望诊”设备进行头面全身多维动态捕获，并报道覆盖健康筛查、高血压靶器官损害预警、无创冠心病评估和非感知性心衰监测的防控系统；增量诊断价值、可重复性、真实世界效果和泛化待前瞻评估。
4.3 个性化干预方案生成：数字平台可结合体质信息和纵向数据支持体质评估与预后风险估计，但预后风险不等于干预获益；干预选项须连接独立验证的干预效应证据、指南和安全约束，系统输出应可医生审核而非自主执行。
4.4 纵向预防健康管理实践：数字技术已用于风险识别、早期干预、随访和自我管理；本视角操作重点是病前风险和进展风险个体的纵向管理，复发预防和康复未作为完全操作化目标；国际研究提示多维平台可改善特定人群血压/血糖控制和用药依从性等中间结局。
4.5 干预效果的循证评价：现有研究提供组分层面证据，整合架构效果未确立；Qin et al.对2型糖尿病（T2DM，type 2 diabetes mellitus）高风险和患者进行12个月TCM-AI干预临床对照研究，观察到血压、血糖、血脂下降及糖尿病认知和自我管理效能提高，观察组更优，提供初步循证支持；高血压数字健康系统综述主要评价血压控制、生活方式行为和用药依从性而非长期硬终点，主要心血管事件、残疾或长期死亡证据有限。
4.6 融合机制的系统创新：5G、可穿戴设备和AI协同可支持“数据采集—风险评估—干预实施—效果追踪”闭环，TCM推理与AI算法协调可支持人机协同决策，深度学习多模态数据可支持理论表征、可解释决策支持和医生监督实施；局部实践以线上线下互动和照护联动网络实施TCM慢病管理。
5.1 从“时点评估”到“纵向数字表型”：传统四诊为时点评估，难捕捉疾病动态；数字表型（digital phenotyping，通过可穿戴设备等连续采集个体行为、生理、心理和环境数据）可连续被动采集多模态信息，研究提示连续血糖监测（CGM，continuous glucose monitoring）、睡眠追踪和多组学深度表型可刻画健康—疾病连续体；本框架中其增量预测和临床价值需前瞻验证。
5.2 从“群体管理”到“精准体质养生”：TCM“因人制宜”强调体质差异，但传统体质辨识依赖经验、养生难规模化；Li et al.的TCM-DS大语言模型基于症状和体质数据自动生成个性化药食同源方，报告特定任务推荐精确度0.9924，显示任务级技术性能，临床有效性和泛化待确立。
5.3 从“经验驱动实践”到“双引擎融合”架构：TCM专家经验长期为隐性知识难复制；Duan et al.基于知识图谱和LLM辅助提取开发TCM病例问答系统，报告特定评价中信度和相关性良好；TCM-KLLaMA引入知识图谱和知识注入后报告方剂生成任务幻觉相关错误更低且优于评估基线；这些为任务级技术性能，非外部验证临床有效性；本框架双引擎特指平行生物医学风险评估和TCM体质—证候推理，而非自主诊断或处方系统。
5.4 双引擎融合架构的操作化：研究人员定义两个平行推理路径：生物医学引擎估计疾病发生/进展风险及不确定性，TCM引擎在K_TCM支持下生成概率化体质—证候画像及不确定性；融合表征用于健康状态、预后风险和管理优先级，但预后风险不确立干预获益；治疗选择需独立E_I并经a_t^*=π(z_t, C_t, E_I, G)纳入安全、禁忌和升级约束，临床重要选项须医生审核，结局反馈用于更新重校准；公式仅为信息流形式表示，非拟合或验证模型。
5.5 案例示例：原文以糖尿病前期模拟案例展示双引擎工作流：45岁男性、体质指数（BMI，body mass index）27.5 kg/m²、空腹血糖6.3 mmol/L、糖化血红蛋白（HbA_1c）6.1%、餐后CGM峰值9.8 mmol/L、久坐>10 h/日；生物医学引擎估计进展风险，TCM引擎生成概率化体质—证候画像，融合病史、用药、禁忌、偏好和指南后提供医生可审核的饮食、活动、睡眠、自我监测及适当TCM非药物支持选项；系统不自主诊断、处方或执行，随访监测依从性、缺失、不良事件、患者报告结局、血糖体重趋势、医生override和实施负担。
6.1 数据孤岛与安全风险：多源健康数据分属不同系统，TCM舌象、脉象、体质类型等泄露可致隐私和伦理争议；需数据最小化、目的限制、分层知情同意和撤回、角色访问控制、加密、审计追踪、保留删除计划及机构责任，联邦学习等隐私计算可减少可识别数据转移但不替代治理、安全测试和问责。
6.2 临床适用性、泛化与算法偏倚：训练数据多来自单一机构或特定人群，泛化弱；模型与临床工作流结合不紧，增加操作负担和降低依从；偏倚可源于单中心采样、地区差异、年龄性别失衡、社会经济地位、设备变异、数字参与模式和TCM标注者差异；评估应报告亚组敏感性、特异性和校准，跨机构设备外部验证，记录TCM标签评分者间不确定性，部署后漂移监测和定期公平审计。
6.3 基层人员数字素养与接受度：基层人员对AI和数字智能监测掌握有限，部分存在“技术焦虑”；老年慢病患者面临“数字鸿沟”；缓解需可及界面、大字和语音交互、辅助使用路径、离线或非智能手机替代、社区健康工作者或照护者支持；缺乏数字可及性或素养不应成为新资格障碍。
6.4 TCM感知数据标准化滞后：TCM诊断信息长期依赖主观经验、定性描述为主，缺乏统一术语，难满足AI高质量标注数据要求；不同厂商舌脉图像设备在光源环境、传感器参数和图像分辨率等缺统一规范，照明和色卡标准不一致导致颜色复现差异并影响数据互认；世界中医药学会联合会已启动TCM舌象数据交换国际标准。
6.5 临床安全与人类监督：架构需对异常血压、血糖、新症状等预设升级和转诊规则、禁忌筛查、不确定性透明沟通、记录医生审核和override；LLM支持功能应使用策展知识源、检索grounding、来源溯源、输出日志和审计；虚拟全科医生隐喻不授权自主诊断或处方，专业问责必须明确。
6.6 卫生经济不确定性与成本效果：目前无证据确立完整架构成本效果；未来评估应捕获设备、软件、平台、培训、维护、医生时间、患者时间和医疗利用成本及结局，适当时预设成本效果分析、成本效用分析和预算影响分析，报告增量成本效果比和每质量调整生命年（quality-adjusted life-year）成本。
7.1 区域数据平台与隐私计算：未来构建安全高效可互操作区域TCM健康数据共享平台，引入隐私计算构建“数据不动模型动、数据可用不可见”共享模式，建立透明可控数据授权机制和安全监管，明确使用范围、权限和流程，使用户保留知情和控制权。
7.2 轻量智能设备与基层适配：发展匹配基层能力和人员操作技能的轻量智能设备及支持服务，开发培训材料、操作手册和技术支持体系，形成“设备+培训+售后支持”方案，提升基层人员和用户设备使用能力。
7.3 标准体系与数据互认：构建覆盖“采集—传输—存储—分析”全链TCM感知数据技术标准体系，加快四诊数据采集设备统一技术规范；对舌象、脉象、面色等关键指标明确光源环境、传感器参数和图像分辨率等最低标准；建立设备准入和校准机制，提高不同厂商数据可比性和互认性。
7.4 分阶段验证与实施路径：第一阶段建立数据质量、测量一致性、判别、校准、不确定性估计及跨站点人群设备外部效度；第二阶段以可行性和实施试点评估招募、保留、依从、可用性、数据完整性、工作流负担、医生override和不良事件；第三阶段以多中心实效或整群随机研究及充分随访评估临床效果和实施，覆盖患者报告、临床、安全、公平和经济结局；阶段推进取决于预设性能和安全标准。

**五、讨论部分总结**
原文将TCM“治未病”与数字健康整合定位于减少NCD过早死亡的 broader 目标，但强调本工作是可检验研究架构而非已确立范式转变，其价值取决于未来研究能否证明可接受的可行性、算法有效性、安全性、临床有效性、公平性、实施性和成本效果。原文将本架构与Smart TCM、AI-HEALS、SMART Diabetes、Wei et al.复杂系统证据框架及Gou et al.状态—靶点策略等比较，指出这些概念或干预在概念层级、临床目的、实施状态和证据成熟度上异质，不能视为等效证据或头对头比较。本视角的较窄贡献不是首个TCM-AI系统或系统整合本身，而是将相关原则操作化为明确的数字健康架构：纵向多模态感知、平行生物医学和TCM推理路径、预后风险与干预效应证据的明确分离、临床医生治理决策以及反馈/重校准。原文限制包括：非系统综述，完整架构未前瞻验证；支持证据在技术、疾病、人群和地区间异质，多项TCM-AI研究仅报告单中心或任务级性能而非患者结局；临床安全、算法公平、实施负担和卫生经济效应未充分评估；比较框架快速演变；预后模型与治疗效应模型不可互换，未来验证需分别评估预后模型的校准和外部效度，以及治疗选择模型的因果效度、治疗效应异质性和决策效用。

**研究结论翻译**
随着技术进一步成熟、治理完善和前瞻性验证，数字化“治未病”可能有助于实现更连续、更主动的慢性病管理。本文提出的框架应被视为研究议程，而非已确立的临床解决方案。在大规模部署前，需要对其可行性、算法有效性、临床有效性、患者报告结局、实施结局、安全性、公平性和成本效果进行严格评估。