综述：BASM框架：面向AI增强诊断管理的生化-AI诊断管理成熟度模型的开发与效度验证

《BMC Health Services Research》：A maturity model for AI-augmented clinical biochemistry: the BASM framework for diagnostic stewardship, algorithmic governance, and health-service outcomes

　　

摘要

临床生物化学产生约70%用于医疗决策的客观数据，然而人工智能（AI）、机器学习和大语言模型（LLMs）在实验室运营中的整合仍处于碎片化状态。现有的数字健康成熟度评估体系（HIMSS EMRAM、HITI、CAMM）未能同时涵盖分析计量学、算法生命周期治理与临床结果问责，使实验室在AI增强诊断管理方面缺乏结构化的发展路线图。本研究旨在开发并对面验证"生化-AI诊断管理成熟度"（BASM）框架——一个将实验室分析能力、AI治理和医疗服务结果通过五个递进层级有机联结的系统级成熟度模型。基于PRISMA-ScR指南开展的系统范围综述，检索了六个数据库（MEDLINE、Embase、Scopus、Web of Science、IEEE Xplore、Cochrane），覆盖2022年1月至2026年7月，共识别1,482条记录；经双人独立筛选后（Cohen's κ = 0.86）保留29篇文献。整理提取的证据与国际临床化学联合会（IFCC）、美国实验室医学协会（ADLM）、美国病理学家学院（CAP）及临床实验室标准化协会（CLSI）的立场声明进行三角验证，并整合为七维度评分量表。通过与五位实验室主任开展的面对面效度评估，并与四个先前的成熟度模型进行结构比较。BASM在七个维度上实现了成熟度的操作化——分析基础、数据基础设施、算法生命周期治理、诊断管理、人员胜任力、公平与安全、结果问责——并划分为五个有序层级（BASM-1至BASM-5），每级过渡设有12–24个月的里程碑节点。保管链聚合规则可防止较高的分析评分掩盖治理或公平性方面的短板。在第三至第五层级中嵌入了与TRIPOD + AI、DECIDE-AI及TRIPOD-LLM报告标准的对齐要求。BASM为实验室、卫生系统及监管机构提供了一个可操作、符合标准的工具，用于规划、基准评估和审计AI增强的诊断管理实践。多机构改良德尔菲法验证是下一步优先工作。