《Applied Sciences》:AI for Primary Prevention and Longevity: From Reactive to Proactive Healthcare Model
编辑推荐:
一级预防对于在临床发病前降低疾病负担至关重要,但其在医疗体系中的系统化整合程度仍低于诊断与治疗。尽管人工智能(AI)在医学中的应用日益广泛,现有研究多集中于二级与三级预防,包括诊断、预后分层及疾病管理,而AI在一级预防中的作用尚待明确。本叙述性综述考察了AI在
一级预防对于在临床发病前降低疾病负担至关重要,但其在医疗体系中的系统化整合程度仍低于诊断与治疗。尽管人工智能(AI)在医学中的应用日益广泛,现有研究多集中于二级与三级预防,包括诊断、预后分层及疾病管理,而AI在一级预防中的作用尚待明确。本叙述性综述考察了AI在营养、身体活动、睡眠及心理健康这四个与预防和健康寿命促进相关的可改变生活方式领域的当前应用。研究人员综合了机器学习(ML)模型、可穿戴设备衍生算法、计算机视觉工具、即时自适应干预(JITAI)及对话代理在消费者、社区及临床–数字混合场景中的证据。AI应用支持餐后血糖预测、自动化膳食评估、膳食计划依从性管理、久坐模式检测、个性化运动推荐、适应性行为助推、睡眠监测、昼夜节律感知推荐、心理教育、压力管理支持及心理脆弱性早期识别。这些工具共同可将预防从偶发性临床接触扩展至持续、个性化及情境感知的支持。然而,现有证据受限于随访期短、依赖替代或参与度结局、人群数字素养偏高以及真实世界预防路径验证不足。因此,AI是前瞻性、以健康寿命为导向的医学中前景广阔的赋能技术,但未来研究须证实其长期有效性、公平性、安全性及负责任的实施。
- 1.
引言
预防性医学是公共卫生的基石,旨在疾病临床显现之前、之中或之后进行干预以降低疾病负担并改善人群福祉。传统分为三级:一级预防致力于通过减少风险因素暴露及增强健康人群韧性以避免疾病发生,如疫苗接种、营养教育及促进身体活动;二级预防侧重疾病早期检出与及时管理,如乳腺摄片筛查、血压监测或血脂评估;三级预防针对已确立疾病,旨在减轻并发症及改善生活质量,如心肌梗死后心脏康复。其中一级预防最为上游且具有变革潜力,因其在病理显临床前靶向疾病风险。近年AI渐次应用于预防医学,但多数集中于二级与三级预防的医院场景,例如AI辅助糖尿病视网膜病变或营养不良筛查,以及心肌梗死后AI支持心脏康复。这些贡献虽具临床相关性,却主要运行于以疾病为中心的反应式范式内,即AI在损害或临床病出现后支持检测、分类或管理。相反,一级预防领域虽探索较少,却为AI在发病前重塑医疗提供了独特机遇。通过整合连续生理监测、行为追踪及多模态数据分析,AI系统可识别亚临床风险标志物并递送个性化、情境感知干预。证据表明AI工具可强化靶向营养、身体活动及行为改变的健康促进策略,从而支持非传染性疾病(NCD)预防。在可改变健康决定因素中,营养、身体活动、睡眠及心理健康这四个相互关联的领域构成一级预防枢纽。营养领域中,AI通过多组学数据整合、营养素–基因互作计算模型及数字依从平台实现精准营养;身体活动中,可穿戴监测结合适应算法检测久坐并反馈;即时自适应干预(JITAI)体现情境助推对日常活动水平的促进作用;睡眠领域中,AI增强的数字生物特征可实现睡眠分期及昼夜节律紊乱识别;心理健康领域中,对话代理与移动应用提供压力管理及认知行为策略。本综述批判性评估AI在上述四域推进一级预防的角色,探讨其如何支持早期风险识别、个性化行为引导及持续健康促进,并将AI置于长寿与健康寿命促进框架中。
- 2.
AI在预防医学中:从反应式到主动式模型
历史上医学AI集中于诊断与预后域,对应二级与三级预防。早期AI聚焦医学影像、模式识别及临床决策支持,以提升放射、病理及心电异常检测精度,然其仍嵌入反应式照护,于病后干预。新兴的AI驱动一级预防强调风险状态早期检出及通过主动个体化策略持续促健。借助可穿戴、移动传感器及数字平台的多模态流,AI可辨察健康基线细微偏移,学习个体纵向特征并预报长期风险轨迹,适应算法实时支持行为修正。此转变核心在于JITAI,即基于个体生理、行为及环境提供时刻精准引导,如久坐后促动、餐前饮食建议或应激时放松提示。该闭环逻辑涵盖多模态采集、AI风险建模、JITAI决策、个性化干预及反馈适应。
- 3.
AI在关键生活方式域的一级预防
3.1 营养
AI拓展了个性化膳食推荐之构建与细化。通过基因组、代谢组、行为及数字数据整合,精准营养超越群体指南。表1归纳相关技术。
3.1.1 AI驱动精准营养:从微生物组到代谢组
ML模型解读多组学数据以实时荐食。深度学习架构可预测微生物组成及代谢轮廓,纠正营养数据误差。计算营养基因组学探究基因–营养素互作,代谢组与连续血糖监测(CGM)解析餐后血糖反应,ML准确预报血糖波动并荐个体化调整。
3.1.2 预测模型与自适应AI用于个性化膳食规划
ML可辨识肥胖、糖尿病及心血管高风险者,如XGBoost依健康数据最优预测,SHAP指认臀围等为强预测因子。CFRL(协作过滤强化学习)结合强化学习与协同过滤生成自适应餐单,人机回环据反馈细化。生成式AI如Copilot助菜单生成,然尚属规划辅助。
3.1.3 计算机视觉用于图像膳食监测
CNN识别食物、估量并链数据库算营养素,较日记减负但仍赖图像与库完备度。
3.1.4 对话AI与行为营养支持
NLP聊天机器人递教育、解标签及助目标设定。JITAI于购前或夜食时推送助推,转间歇建议为持续引导。
3.2 睡眠
睡眠医学借AI由实验室诊向原发预防延伸。表2比较技术。
3.2.1 AI会话睡眠教练与数字CBT-I
NLP代理交付CBT-I原理,如Sleepio模块,助用户改适失眠习惯以防慢化。
3.2.2 AI预测建模评睡眠障碍风险
eXGBM集成行为心理变量预判学生失眠风险,SHAP揭压力等为要因并出个性建议。
3.2.3 可穿戴、昼夜监测与时空生物学优化
ōURA Ring以加速度及光电容积描记估睡眠架构,检出生理恢复与昼夜失调,先于临床 disordered sleep发展。
3.3 身体活动
身体活动为一预防支柱。表3列AI法。
3.3.1 AI个性化运动处方与适应训练
ML综年龄适能等出 tailor 处方;强化学习调负荷防伤;ARFit位姿估计即时纠动作。
3.3.2 可穿戴与生理监测
Step2Heart自监督习表征心率等,预BMI及VO2max;ML融HRV眠质等判恢复状态以荐 Active recovery。
3.3.3 对话AI与行为支持
会话代理施动机性访谈,JITAI识久坐推提示,游戏化 reinforcement 维参与,筑精密运动医学。
3.4 心理健康
心理健亦为预防要部。表4示AI法。
3.4.1 AI会话代理与沉浸数字疗法
Wysa以NLP予同理对话;XAIA结VR与大语言模型创疗境,作辅预防非替代医。
3.4.2 AI增强个性与心理困扰早检
穿戴生理信号经JITAI触发正念等;BioBase析律动眠活察焦虑降。
3.4.3 人群特异预防应用
生、职、老人群适配数平台减压孤独,须治理保私。
- 4.
讨论
AI扩预防医学之连续与个性。然证主为监测参与改善,未显长期发病率降。
4.1 动态适应系统
闭环与JITAI较静模优,评核应重适应能非仅精度。
4.2 整合多模态预防
四域相交,孤工仅捕偏险;多模感测为方向。
4.3 人监与可释AI
XAI法如SHAP助临判,然须融责框规偏私。
4.4 证据限
短随替终点、数字偏食、传感偏及单域裂系现弊。
4.5 未来方向
长随机试、多模台、开放科及责规系为四大先。
- 5.
结论
AI于一预防已越概念验,循ML个性及自适应支持风险过程。然缺人口疾负减证。须并行长效证、责AI及人机融流,方转 episod 为前瞻健康寿命医。