人工智能在跨学科与跨部门公共卫生实践中的应用：一项范围综述

《Public Health》：Artificial intelligence in multidisciplinary and cross-sector public health practice: A scoping review

　　

目的：本项范围综述旨在考察人工智能如何应用于跨学科与跨部门的公共卫生实践，重点关注公共卫生角色、协作式实施以及跨部门治理与公平性风险。研究设计：范围综述。方法：遵循Arksey与O'Malley的框架及PRISMA-ScR报告指南，对六个数据库进行了检索。若文献在公共、人群或社区健康背景下考察了人工智能或人工智能辅助决策支持，并提供了有关公共卫生职能、协作、实施、公平性或治理的信息，则纳入分析。数据按研究特征、人工智能角色、合作者、实施条件及治理风险进行图表化整理并采用叙述性综合。结果：共纳入27篇发表于2021年至2026年间的文献。多数为综述、证据综合、政策或指导文件或概念性论文，经验性或从业者导向的研究相对较少。人工智能主要用于监测与早期预警、人群风险建模、健康传播、错误信息检测、政策情报、参与式共创及常规公共卫生运营。其实施依赖于公共卫生从业者、流行病学家、数据科学家、政策制定者、法律与伦理专家、传播专员、社区组织及受影响人群之间的协作。跨部门治理与公平性风险包括数据质量差、互操作性有限、劳动力缺口、现实世界评估薄弱、隐私风险及问责不清。结论：人工智能在公共卫生领域的应用正在扩展，但证据基础仍具异质性且经验性有限。常规运营支持与人工智能就绪度，连同监测与早期预警，是较常被代表的角色，而关于现实世界实施、社区参与及治理评估的经验证据仍然有限。未来研究应超越模型性能，考察工作流程适配性、公平性影响、公众信任、问责制及人群层面结局。

研究背景、现存问题与研究必要性

随着机器学习（ML）、自然语言处理（NLP）、预测分析和生成式人工智能（Generative AI）等技术在疫情早期预警、人群风险建模、错误信息检测、政策分析及常规组织工作中的广泛应用，人工智能正越来越多地被用于支持公共卫生监测、预防、沟通和决策。然而，公共卫生领域的人工智能应用与临床诊断或治疗不同，其面向的是人群、系统和集体行动，因此其价值不仅取决于技术性能，更取决于能否转化为可问责、公平且可操作的公共卫生实践。现有文献表明，人工智能在公共卫生中的价值分布并不均衡：针对非传染性疾病的人群水平机器学习综述发现，偏差虽被频繁识别但缓解措施不一致；人工智能支持的社交媒体分析面临语言歧义、平台偏见和代表性不足等问题。更重要的是，现有综述多聚焦于特定应用领域（如传染病监测、社交媒体监控），而对人工智能如何在公共卫生功能间实现跨职能实施、跨学科协作、治理安排和组织条件等方面的关注不足。因此，有必要开展一项更广泛的综合研究，从实践导向和治理敏感的视角出发，系统梳理人工智能在跨学科与跨部门公共卫生实践中的应用现状。

研究内容与主要结论

研究人员开展了一项范围综述，依据Arksey与O'Malley的方法学框架及PRISMA-ScR报告原则，检索了PubMed、Scopus、Web of Science、CINAHL、ACM Digital Library和Cochrane Library六个数据库中2010年1月1日至2026年5月1日期间发表的英文文献。检索策略围绕三个概念模块构建：（1）人工智能及相关技术；（2）公共卫生职能与场景；（3）跨学科或跨部门协作、实施、治理与公平性。最终纳入27篇发表于2021至2026年的文献，其中2024年后发表的数量显著增加（n=23）。地理分布集中于国际性或区域性来源（n=15），国家层面的证据主要来自加拿大（n=6）和美国（n=5）。证据类型以综述或证据综合（n=14）、指南/政策文件或机构工具包（n=5）、概念性论文或观点文章（n=5）为主，经验性或从业者导向的研究仅有3篇。这一分布反映了该领域尚处于新兴阶段，真实世界评估证据有限。

关键技术方法

本研究采用范围综述方法，具体包括：依据Arksey与O'Malley的框架设计研究方案；在PubMed、Scopus等六大数据库中执行结构化检索，检索时间范围为2010年1月1日至2026年5月1日；通过Google Scholar、WHO/CDC/PAHO/OECD等机构网站及参考文献回溯进行补充检索；两名研究者独立进行标题、摘要和全文筛选，分歧经讨论或由第三名研究者裁决；使用标准化提取模板进行数据图表化；结合描述性映射与定性主题分析法进行数据综合。

研究结果

3.1 纳入研究的特征

初始检索获得1347条记录，最终纳入27篇文献。证据基础在2024年前较为有限（n=4），2024年起大幅增长（n=23）。地理分布集中于国际/区域来源（n=15），国家层面证据主要来自加拿大（n=6）和美国（n=5）。证据类型以综述/证据综合（n=14）、指南/政策文件/机构工具包（n=5）、概念性论文/观点文章（n=5）为主，经验性或从业者导向研究仅3篇。

3.2 人工智能在公共卫生实践中的角色

研究识别出六种反复出现的人工智能角色：（1）监测与早期预警（n=5）：人工智能被用于处理社交媒体、环境信号、数字痕迹等异构高维数据以识别异常模式；（2）人群风险建模（n=2）：人工智能用于识别风险模式、支持预防规划和人群水平分层；（3）健康传播与错误信息管理（n=2）：利用机器学习（ML）和自然语言处理（NLP）检测健康错误信息、分析公共话语；（4）政策情报与决策支持（n=3）：人工智能支持议程设置、证据综合、资源分配和政策评估；（5）社区参与与共创（n=3）：数字工具支持利益相关方参与、参与式设计和反馈综合；（6）常规运营支持与人工智能就绪度（n=8）：生成式人工智能（Generative AI）用于报告起草、会议总结、编码支持和聊天机器人开发。

3.3 协作式实施

人工智能的实施被描述为一个协作过程而非孤立技术工具的引入。三种模式被识别：首先，实施依赖于组织将人工智能输出转化为公共卫生行动的能力，包括数据治理、分析基础设施、劳动力能力和领导力支持；其次，协作贯穿人工智能全生命周期，从问题定义到部署后监测均需公共卫生与技术角色的协同；第三，社区参与的实证证据仍然有限，许多研究依赖社区衍生数据而未让社区实质性参与系统设计或解释。

3.4 跨部门治理与公平性风险

四项挑战被识别：（1）数据治理与人工智能就绪度：依赖可靠、可互操作且有良好文档记录的数据系统；（2）问责与公众信任：透明度、人工监督、可解释性和可争议机制至关重要；（3）公平性：偏差可能通过历史数据、代表性不足、社会决定因素缺失和数字排斥进入系统；（4）生成式人工智能的特殊风险：快速采用导致不准确输出、敏感数据暴露和不一致使用。

讨论与结论

讨论总结

本综述表明，人工智能在公共卫生中最常被定位为监测、预测、沟通、政策支持、社区参与和常规组织工作的增强型基础设施。这些角色很少作为自足干预呈现，其公共卫生价值取决于技术输出能否被解释、治理并转化为及时、公平且可问责的行动。研究发现，监测与早期预警是文献中较常被代表的领域，但这不应被解读为成熟实施的证据——改进检测并不自动带来更好的公共卫生行动。研究还澄清了协作作为实施机制的重要性：人工智能实施需要协调问题定义、数据选择、模型开发、部署和部署后监测的全过程。社区参与的实证证据仍然有限，许多研究将社区视为数据来源而非解释与治理的合作伙伴。

研究结论翻译

人工智能在公共卫生领域的应用正在扩展，但其公共卫生价值更多地取决于技术如何被解释、实施和治理，而非单纯的技术能力本身。在实证研究、综述、指导和概念性文献中，负责任的公共卫生人工智能始终与良好治理的数据系统、多学科协作、劳动力能力、社区参与、透明方法、全生命周期监管以及对公平性的明确关注相关联。然而，关于真实世界实施的实证证据仍然有限。未来的研究和实践应超越模型性能，考察人工智能能否以可问责、可信赖、公平且可操作的方式融入公共卫生系统。