综述:人工智能、自闭症护理与健康公平:一项公共卫生叙事综述

《Frontiers in Public Health》:Artificial intelligence, autism care, and health equity: a public health narrative review

【字体: 大 中 小 】 时间:2026年07月13日 来源:Frontiers in Public Health 4.1

编辑推荐:

  自闭症谱系障碍(ASD)是一种常见的终身神经发育状况,其记录患病率、诊断延迟以及专科服务分布不均构成了日益增长的公共卫生挑战。传统的筛查和诊断路径高度依赖稀缺的专科专业知识,导致等待时间长且在不同收入水平、地区、性别、种族、语言和社会地位之间获取机会不平等。本

  
自闭症谱系障碍(ASD)是一种常见的终身神经发育状况,其记录患病率、诊断延迟以及专科服务分布不均构成了日益增长的公共卫生挑战。传统的筛查和诊断路径高度依赖稀缺的专科专业知识,导致等待时间长且在不同收入水平、地区、性别、种族、语言和社会地位之间获取机会不平等。本叙事综述综合了人工智能(AI)和机器学习在自闭症筛查、诊断支持、干预和纵向监测中的当前应用,并通过公共卫生和健康公平视角重新审视相关证据。研究人员认为,AI对自闭症护理最重要的贡献不太可能仅在于分类准确性的边际提升。相反,其潜在价值在于扩大可及性、支持任务分担、缩短诊断路径、实现面向人群的筛查,以及覆盖未被充分识别的群体,如女性和女童、成年人、种族和语言少数群体以及资源匮乏地区的人群。同时,AI可能引发一种公平悖论:旨在减少差异的技术,若基于非代表性数据训练、部署跨越数字鸿沟,或在治理中未充分关注隐私、问责和社区信任,则可能再现或放大这些差异。AI是缩小还是扩大自闭症相关的健康不平等,将取决于关于数据多样性、低资源设计、与自闭症社区的共同设计、公平敏感性评估、临床整合及适度监管的选择。
根据论文主体部分的结构,总结如下:

**1 引言**

**1.1 自闭症作为公共卫生优先事项**
自闭症谱系障碍(ASD)是一种异质性神经发育状况,以社交沟通和互动差异以及受限、重复的行为和兴趣模式为特征。全球疾病负担(GBD)2021年研究估计,全球约每127人中就有1人(即6180万人)处于自闭症谱系,ASD被列为20岁以下人群非致命健康负担的主要贡献者之一。其负担不仅限于诊断本身,还包括终身支持需求、家庭和照护者的情感与经济负担,以及对教育、卫生和社会保健系统的压力。因此,ASD不仅是临床或教育问题,更是公共卫生优先事项:它常见、终身存在、与显著的人群负担相关,并受到可预防的检测和护理可及性不平等的影响。记录患病率的上升部分由诊断标准变化、意识提高和确认能力改善驱动,而非仅由发病率的根本变化引起。这意味着,在检测能力有限的地区(包括农村、低收入社区和许多低收入和中等收入国家(LMICs)),记录患病率可能低估了真实需求。此外,早期诊断和服务的可及性具有社会模式:女性和女童、种族和语言少数群体、农村居民、成年人和资源较少的家庭更有可能被延迟识别或完全遗漏。

**1.2 当前筛查和诊断路径的瓶颈**
尽管普遍认为早期识别和及时的发育评估能改善服务可及性,但从首次担忧到确诊的路径仍然缓慢、资源密集且不平等。诊断通常依赖于专科医生施行的行为观察、结构化访谈和多学科评估。这些方法在临床上很有价值,但需要受过培训的人员,即使在高收入卫生系统中,这类人员的可用性也有限。这些瓶颈在全球收入梯度上更为严重。一项关于LMICs中ASD的综述综述指出了普遍存在的障碍,包括污名、公众和专业人员认知有限、缺乏文化和语言上适宜的工具,以及依赖专科医生的诊断模式无法在相关临床医生极少的地区推广。其结果是存在检测缺口和治疗缺口:许多ASD儿童和成年人被延迟识别或从未被识别,许多被识别者仍未及时获得适当的支持。

**1.3 为何AI需要公共卫生评估**
正是在此背景下,AI引起了关注。基于AI的系统可以分析行为和生理信号(如凝视、面部表情、声音、语言、运动和传感器衍生的模式),并可嵌入平板电脑、智能手机、可穿戴设备、远程医疗系统和临床决策支持工具中。原则上,这些工具可以重复、远程且以较低边际成本部署。然而,公共卫生问题与工程问题不同。在精心设计的研究样本中表现良好的模型,如果无法获取、负担不起、不被接受、存在偏倚或与服务脱节,则可能无法改善健康结果。反之,一个诊断性能一般的工具如果能够安全地分流需求、减少等待时间并在当前缺乏专科路径的地区扩大可及性,则可能具有显著的公共卫生价值。因此,应不仅根据准确性、敏感性、特异性或曲线下面积来评估ASD领域的AI,还应考虑其覆盖范围、公平性、实施可行性、可接受性、隐私性以及与护理路径的整合。旨在减少差异的干预措施反而可能扩大差异,这一担忧在公共卫生领域已有充分记载,被称为"不平等悖论"或反向护理法则。在数据驱动系统中,这一悖论产生了新的机制:基于非代表性数据训练的模型可能编码并放大现有差异。

**1.4 本综述的目的与贡献**
现有关于ASD领域的AI文献大多围绕技术性能组织,较少关注定义公共卫生的人群层面问题。本叙事综述旨在填补这一空白,首先描述AI如何应用于ASD护理连续体(早期筛查、诊断支持、干预和纵向监测),然后考察这些应用的公共卫生意义(关注可及性、任务分担、诊断延迟、成本和未被充分识别的群体),最后分析构成公平悖论的风险和局限性,并概述以公平为导向的ASD护理AI议程的未来方向。

**2 范围、文献识别与叙事综合方法**
本文采用叙事综述而非系统综述方法。为提高透明度,使用了结构化的文献识别过程。主要信息源为PubMed/MEDLINE,检索截止至2026年6月2日,优先考虑2021年1月至2026年6月的出版物。检索词分为三个概念板块:人群板块(自闭症谱系障碍、自闭症、ASD等)、技术板块(人工智能、机器学习、深度学习等)以及应用与公共卫生板块(筛查、诊断、健康公平、算法偏倚等)。记录根据四个组织主题筛选:AI在ASD护理连续体中的应用;可及性和可扩展性的公共卫生意义;未被充分识别群体的公平意义;以及伦理、治理和监管挑战。由于ASD特定证据有限,关于公平、监管和隐私保护学习的选定方法和政策参考文献来自更广泛的健康AI文献。综合过程是解释性和整合性的,而非详尽的。

**3 AI在自闭症护理连续体中的应用**
AI在ASD中的应用可在护理连续体上分组:早期筛查与风险检测、诊断支持、干预与治疗支持、以及纵向监测。这些领域在证据成熟度、实施准备情况和公平意义上存在显著差异。

**3.1 早期筛查与风险检测**
筛查是AI最具直接公共卫生意义的领域,因为它位于人群首次进入护理路径的关口。关于AI筛查方法的综述围绕行为标志(包括凝视行为、面部表情、运动、声音特征和任务表现)组织文献,并报告了多种分类器性能。多模态方法通常优于单信号方法,但样本、刺激、记录条件和分析管道的高度异质性限制了泛化能力。眼动追踪和计算机视觉研究展示了前景与局限。最具实施相关性的证据来自常规护理中的数字行为表型分析。一项多诊所前瞻性研究将ASD筛查应用程序嵌入健康儿童访视中,使用平板电脑引发行为反应、计算机视觉量化数字表型、机器学习将信号组合成筛查算法,并报告了按性别、种族和民族划分的敏感性相似。总体而言,AI筛查工具有望但尚未准备好作为独立诊断工具,其近期公共卫生角色更应定位为分诊和决策支持。

**3.2 诊断与鉴别诊断**
AI也被研究用于支持正式诊断和鉴别诊断。一项系统综述和荟萃分析发现,面部和社交互动特征的自动分析显示出具有临床意义的诊断性能,尤其是在非结构化游戏范式中。基于神经影像的分类代表更偏研究导向的方向,准确性在70%-80%之间,但公共卫生意图有限,因为依赖昂贵、中心化的成像基础设施。基于语言和自然语言处理的方法正在兴起,可能补充临床判断。诊断文献中的关键张力在于:数据最复杂的方法(如多模态神经影像)往往最不可及,而最具公共卫生覆盖力的工具(如基于智能手机的行为或语言分析)则需要更强的验证。

**3.3 干预与治疗支持**
AI驱动的干预措施涵盖社交辅助机器人、虚拟现实、可穿戴设备、游戏化系统、自适应软件和新兴生成式AI工具。最强证据支持机器人辅助疗法。一项随机临床试验发现,社交辅助机器人在提升幼儿参与度方面与传统治疗等效,便携式设置版本仅需五次治疗即可达到等效效果。第二类新兴干预(虚拟现实、可穿戴设备等)基于初步且主要为非随机证据。第三类为早期概念验证应用,尤其是生成式AI和大语言模型,目前缺乏对照实证评估。干预研究还引出一个规范性问题:AI干预目标不应假定为普遍可取,神经多样性视角应评估是否支持沟通、自主性、参与和福祉,而非仅是行为正常化。

**3.4 监测与纵向支持**
基于AI的监测受到的关注较少,但可能对长期支持很重要。远程监测平台可收集来自智能手机、可穿戴设备和连接设备的纵向数据,生成数字生物标志物。原则上这些工具可追踪干预反应、识别压力或功能变化,减少重复专科访视的负担。然而,可接受性不能假定。一项关于神经多样性年轻人远程日常生活支持的混合方法研究发现,虽然远程支持可增加可及性和选择,但服务使用者比提供者更谨慎,担忧沟通不畅和社交情感联系减少。

**4 对公平自闭症护理的公共卫生意义**

**4.1 通过任务分担和阶梯式护理扩大可及性**
AI在ASD中最有力的公共卫生理由是其扩展检测和支持的潜力。AI工具可能帮助将ASD护理转向阶梯式模型,即低成本、标准化的筛查在初级保健、学校、社区项目或家庭中提供,而稀缺的专科时间保留用于确认、复杂病例和护理规划。AI应被理解为能力扩展工具而非临床医生替代品。

**4.2 减少诊断延迟和路径成本**
AI可通过分诊转诊、自动化选定观察、支持非专科人员以及帮助优先安排需要综合评估的儿童,来减少诊断延迟和评估成本。经济逻辑不同于准确性逻辑:大规模低成本筛查改变专科资源配置。但只有当下游服务存在时,这种方法才能减少不平等。

**4.3 人群层面筛查与未被充分识别的群体**
AI可支持从反应性转诊识别转向前瞻性人群导向发育监测。数字行为表型分析可提供潜在客观补充,尤其是针对在传统诊断路径中被低估的群体(如女性和女童、成年人)。然而,这一机会完全取决于这些群体在训练和验证数据中的充分代表性。

**4.4 公共卫生效益的实施条件**
公共卫生价值不应仅从模型性能推断。为提高公平性,AI工具必须负担得起、非专科人员可用、文化和语言适应、对连接性或数字素养有限的人群可及,并嵌入功能性的护理路径中。实施研究应测量对公共卫生重要的结局:评估时间、转诊完成、诊断年龄、家庭负担、干预接受度以及跨人口群体的公平可及性。

**5 风险、局限性与公平悖论**

**5.1 算法偏倚与非代表性数据**
机器学习系统从训练数据中学习。如果数据集过度代表高收入、白人、男性、英语儿童,模型可能对这些群体表现最佳,而对女性、成年人、种族和语言少数群体及LMIC人群表现较差。这不仅是技术局限,更是公共卫生风险。ASD特定的影响是直接的:凝视或面部表情模型可能漏检ASD女童;语言模型可能不适用于其他语言。反馈循环也是担忧之一:如果偏倚工具影响诊断标签,这些标签可能进入未来数据集,强化初始偏倚。

**5.2 数字鸿沟**
即使算法公平,也无法帮助无法访问它的人。AI驱动的ASD工具通常假设有智能手机、平板电脑、可靠电力、连接性、私人空间和数字素养。这些资源在国家内部和国家之间分布不均。如果采用遵循现有社会优势,数字工具可能通过惠及已有更好护理可及性的家庭而扩大差距。

**5.3 隐私、同意与数据治理**
AI ASD工具往往依赖敏感数据:儿童面部和凝视视频、语音记录、语言样本、行为观察、生理信号等。这些数据引发对隐私、安全、同意、未来复用、数据所有权以及信息泄露或误用可能带来的污名化的严重关切。儿童可能无法提供完全知情同意,家庭若依赖数字工具获取服务可能感到压力。技术隐私保护很重要,但治理问题同样核心。

**5.4 验证、泛化性与临床转化**
ASD领域AI应用的一个一致局限性是方法学不成熟。综述反复指出样本量小、人口学构成狭窄、结局测量异质、随访短以及外部验证有限。一个数据集的高准确性并不能保证在另一个环境中安全或公平地表现。工具应进行前瞻性、多地点验证,并明确AI角色的透明报告。

**5.5 伦理与监管缺口**
医疗AI的治理环境相对于创新步伐仍不成熟,尽管国际指导不断增多。生成式AI引入额外风险,例如大语言模型可被转化为令人信服的健康虚假信息聊天机器人,在ASD护理中可能破坏家庭信任和决策。

**6 未来方向**

**6.1 多样化、代表性与隐私保护的数据**
该领域需要多样化、代表性数据。数据集应包括女性、成年人、种族和语言少数群体、农村社区和LMIC人群。隐私保护协作是必要的,联邦学习(federated learning)允许模型在多个站点训练而不集中原始数据,可结合差分隐私改善保护,但需关注算法公平性、治理和计算资源的公平获取。

**6.2 低资源与真实世界实施设计**
AI工具应从一开始就针对低资源和真实世界环境设计,包括轻量模型、离线能力、简单界面、文化适应内容以及最小设备要求。可解释性日益重要,工具需可解释以赢得非专科人员和家庭的信任。

**6.3 负责任的多模态与大语言模型整合**
多模态整合和大语言模型应负责任地使用。大语言模型可支持沟通、教育和临床文档,但需人类监督、透明性、防止虚假信息以及安全证据。

**6.4 共同设计与神经多样性知情结局**
与自闭症社区的共同设计应成为标准。工具在缺乏ASD人群参与的情况下开发,存在优化错误结局的风险。评估应考虑是否支持沟通、自主性、参与和福祉。

**6.5 公平敏感性评估**
评估框架需对公平敏感,报告应包含按性别、种族、民族、语言、年龄、社会经济地位等分层的性能数据,以及公平指标、可及性结局、可接受性和下游服务接受度。

**6.6 治理与卫生系统整合**
AI必须整合到卫生系统中并适度监管。卫生系统应定义AI输出的审查方式、家庭如何质疑结果、数据保护以及筛查如何与诊断和干预能力衔接。目标应是AI驱动的阶梯式护理与全民健康覆盖相一致。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号