运用数据科学和人工智能推动实施研究与实践的发展

《JBI Evidence Implementation》：Harnessing data science and artificial intelligence to advance implementation research and practice

　　实施科学旨在通过理解并优化基于证据的干预措施的整合，来弥合研究证据与日常医疗实践之间的差距。在本文中，我们确定了制约实施进展的七大持续存在的挑战，包括：（1）大量的实施相关材料（如报告、访谈、调查）；（2）环境差异性；（3）环境因素、干预措施与结果之间复杂的相互作用；（4）利益相关者参与方面的限制；（5）公平性与可及性障碍；（6）数据不足或存在偏差；以及（7）数据安全、信任与伦理方面的问题。我们探讨了数据科学和人工智能领域的进步如何通过提升证据提取与综合、环境分析、利益相关者参与以及整个实施过程中的适应性调整，为解决这些挑战提供有希望的方案。以精准肿瘤学领域的实际项目为例，我们展示了大型语言模型、聚类算法以及情感分析等人工智能工具，如何从概念层面（如障碍、促进因素、策略）、证据提取、障碍识别到流程映射，全方位支持实施研究与实践。此外，我们还介绍了ImpleMATE这一人工智能驱动的平台，它将实施科学知识与动态的学习型医疗系统工作流程相结合，实现持续的知识提取、决策支持以及为改进实施效果提供反馈。尽管人工智能在加速和扩大实施规模方面具有巨大潜力，但我们仍强调需要伦理监管、透明度以及人类协作，以确保其在实践中得到负责任、公平且富有成效的应用。如图1所示，每年都有数千篇新的实施相关文章发表，要手动整合并解读所有用于决策的相关证据几乎是不可能的。通过系统评价和元分析来得出可靠结论的过程对资源要求高且速度慢，通常每项评价需要专家投入1,000小时以上的时间。22,23 即便是为持续更新证据而设计的“动态”系统评价，也需要大量且持续的投入。此外，尽管存在实施结果报告指南，但不一致和不完整的报告做法依然存在，这使得数据整合更加困难且容易出错。20,21

挑战2：背景与差异性
实施工作者常常面临干预措施因背景不同而效果各异的难题，其有效性会在不同人群、环境和场景中有所差异。目前的分析方法往往无法考虑这种差异性。21,24,25 由于难以拆分干预措施的各个组成部分，研究人员很难了解哪些因素导致了观察到的效果以及它们之间如何相互作用。这也限制了实施工作者在保持干预措施有效性的同时对其进行调整的能力。研究设计、目标行为和结果衡量标准的差异进一步降低了研究结果的可行性和普遍性，导致证据不够明确。18,26,27 此外，实际上要长期维持有效的干预措施也很困难。政策的变动、指南的更新以及医疗服务提供方式的变化都可能使先前成功的策略变得过时。28,29 实施工作必须应对这些差异性，但大多数系统缺乏及时的反馈机制以及调整或淘汰过时做法的灵活性。30

挑战3：复杂性
现实世界的实施涉及干预措施、背景因素和结果之间的动态且相互依赖的关系。传统的分析方法，如元分析，通常只能检测简单的模式和基本关联，往往无法捕捉复杂的模式，因此难以在现实决策中发挥作用。31,32 此外，定量研究往往没有考虑背景如何与各种因素和结果相互作用，从而限制了他们理解在不同情况下是什么导致了特定结果的能力。33

挑战4：利益相关方的参与
与利益相关方和社区的沟通对研究和实践都至关重要，但这面临着巨大的后勤挑战。有效的合作伙伴关系需要大量的资源和人员，而且其覆盖范围可能有限，尤其是在历史上被边缘化的群体中。34 这些限制阻碍了多元观点的纳入，削弱了研究和实施工作的相关性和影响力。

挑战5：公平性与可及性
语言、数字素养以及对研究或医疗系统的不信任等障碍，影响了弱势群体的参与。35 这些因素导致了实施工作在可及性方面的不公平，降低了策略对不同群体的有效性和针对性。

挑战6：数据不足或存在偏差
许多实施研究缺乏足够的数据来进行有力的亚组或调节因素分析，尤其是在那些代表性不足的群体中，比如社会经济地位较低的人群以及种族或族裔少数群体。36–39 这可能导致有偏见的实施策略，同时在实践中也限制了公平性。此外，依赖调查、定性访谈和组织数据往往排除了诸如临床记录或流程数据等全部可用数据来源，38 这种方式缺乏解决个体或亚群体特定需求所需的精确度。由于依赖于自我报告或回顾性数据，进一步限制了人们对影响实施的各项因素的理解，因为这类数据可能无法完全反映现实世界中动态变化的情境。34 同时，实施工作者可能无法获取能够为及时决策和灵活实施提供依据的集成数据系统。

挑战7：安全、信任与伦理
使用敏感的个人或健康数据可能会揭示实施工作如何影响服务或患者层面的结果，这就带来了隐私、法律限制和信任方面的问题。这些问题可能会延迟或阻碍实施工作，尤其是在利益相关方缺乏信任以及组织间协作不足的情况下。40,41 这反过来又给研究和实践带来了障碍。解决这些挑战对于实现实施科学的核心目标至关重要，即在不同环境和人群中及时、高效且以理论为依据地整合循证实践。

数据科学与人工智能在实施科学中的作用
数据科学与人工智能具有变革潜力，能够帮助解决实施科学中诸多长期存在的挑战。随着实施工作变得越来越复杂、动态化且数据量越来越大，这些技术能够提供可扩展且具备适应能力的工具，助力更高效、精准且公平地将证据转化为实际应用。表1展示了数据科学与人工智能针对上述实施科学挑战所承担的作用。人工智能最直接的贡献之一就是处理来自研究和实践的大量证据。如图1所示，每年都有数千篇实施研究发表，其中包含详细且高度相关的项目相关资料和数据集，借助人工智能驱动的深度学习和自然语言处理技术，可以自动提取和整合关键信息，包括概念、干预措施组成部分以及背景变量——如障碍和促进因素、策略和结果——这些信息来源于各类渠道，包括已发表的文献、技术报告、会议记录、访谈、焦点小组讨论以及调查数据。18,42,43 例如，一项最新研究运用长短期记忆（LSTM）深度学习技术，从512份关于戒烟干预的随机试验报告中提取结构化数据。18 虽然人工智能在多种类型的实体识别上达到了人类水平，但该研究强调了需要更加标准化、机器可读的报告格式，以提高自动提取的效率。另一项研究评估了三种自然语言处理模型，包括变换器模型的双向编码表示（BERT）、44 LLaMA、45 以及生成式预训练变换器（GPT），46 这些模型通过零样本学习技术，从25项癌症遗传学转诊实践研究中提取实施障碍和策略。在该研究中，人工智能与人工标注的结果相似度高达0.79（1表示完全一致）。42

除了概念提取之外，这些人工智能系统还能标准化不一致的术语、识别实施中的差距，并支持快速的证据整合，大大减少了进行系统评价和元分析所需的时间和精力。例如，大型语言模型是在包含多种术语和背景的庞大数据集上训练而成的，它们能够泛化处理类似概念的不同表达方式，从而在实施科学中实现全面且精准的知识整合。在特定领域文献上对大型语言模型进行微调，进一步提升了它们在异构数据集上的泛化能力。47 已有研究探讨了大型语言模型在系统评价过程多个阶段的潜在应用价值。19,48 大型语言模型可以自动完成研究筛选、数据提取和证据整合工作，减少人力负担并降低偏见，不过它们的输出结果仍需人工验证，以减少错误并确保透明度。

人工智能还为解决实施过程中的背景差异性问题提供了强大工具。机器学习模型能够分析复杂的多层次数据集，找出可能与干预措施在不同环境、人群和时间下的表现相关的模式。聚类算法和网络分析有助于厘清复杂干预措施各组成部分之间的相互依赖关系，让研究人员和实施工作者能够明确什么方法在何种情况下对谁有效。例如，社会网络分析已被用于了解医疗保健提供者之间的社交互动模式，这有助于确定干预计划在医疗环境中的适用性。49 聚类方法已被应用于多种领域，包括医疗保健领域，用于识别在病因、症状表现、预后以及对治疗的反应方面具有相似特征的同类个体亚群。50 通过发现这些潜在的亚群体，这类方法有助于制定更加量身定制且能灵活应对当地需求和不断变化状况的实施策略。

鉴于背景、实施策略和结果之间相互作用的复杂性，人工智能可用于构建这些关系的模型。因果推断、51 系统建模、52 以及强化学习53 等先进的分析方法能够深入洞察因果路径，优化决策过程，并在全面实施之前预测可能出现的不利后果。例如，因果推断中的巧合分析已被用于揭示可能导致某一结果的复杂条件模式。54 巧合分析能够找出导致某一结果出现的最小充分条件或必要条件组合。它能够捕捉到共存性，即多个条件必须同时存在，以及等终局性，即不同的条件组合也可能导致相同的结果。巧合分析还能检测因果链，即某些条件会引发中间结果，而这些中间结果又会产生最终结果。正因如此，巧合分析非常适合用于实施科学，因为在现实生活中往往存在因果关系复杂、多样性高且易受背景影响的情况。

利益相关方参与方面的挑战可以通过聊天机器人或虚拟代理等人工智能工具来解决，这类工具能够支持双向沟通，55 减轻实施团队的工作负担并扩大服务覆盖范围。人工智能文本转录工具可以将会议和访谈中的口头内容转换为可分析的文本，便于与基于自然语言处理的情绪分析和概念提取技术相结合。社交媒体分析和公共数据源则能进一步实现情绪分析和社区观点挖掘，有助于开展更加包容且响应迅速的沟通工作。例如，自然语言处理技术已被用于从社交媒体数据中获取信息，为粮食安全和公共卫生营养领域的决策提供依据。56 整合来自社交媒体和公共数据集等不同来源的大数据，可以提高信息的准确性和相关性，确保干预措施能够更好地满足特定人群的需求。57,58

数据科学与人工智能还提供了促进公平性与可及性的工具。例如，语言翻译工具、自动语音识别以及用户友好的数字平台，都可以降低语言和数字素养方面的障碍。59,60 在设计和开发过程中注重透明度和文化敏感性的人工智能系统，有助于在历史上被边缘化的群体中建立信任，确保他们的观点能在实施工作中得到更好的体现。61–63

为解决数据不足的问题，人工智能可以整合和分析各种数据来源，如电子健康记录和社交媒体数据，以及定性研究和调查数据。合成数据生成等技术可以填补数据缺口，尤其是对于那些代表性不足的亚群体，这样能够在不侵犯隐私的前提下构建更为可靠的模型。例如，基于深度学习的合成数据生成方法可以模拟高保真度的患者记录，既保留了真实数据的统计特性，又保护了个人身份信息。这类方法在复杂治疗场景下改进因果推断方面尤为有用，比如评估多种干预措施对心血管疾病或自身免疫性疾病的影响。此外，通过生成多样且具有代表性的合成数据集，人工智能系统能够更好地进行训练，从而在不同人群之间实现更准确的泛化，减少与年龄、种族或性别相关的有害偏见。64

在处理安全、信任和伦理问题时，人工智能的开发与部署必须要有严格的规范约束。65 联邦学习和安全多方计算等隐私保护技术提供了可行的解决方案。在这些技术中，联邦学习使得人工智能模型能够在多个分散的设备或机构之间进行训练，而无需交换敏感数据；安全多方计算则允许多个方在完全保密的前提下，共同对输入数据进行运算。66,67 例如，医院或研究机构可以合作训练模型，而无需互相透露底层的患者数据。将这些技术与健全的治理机制、透明度以及社区参与相结合，对于维护公众信任和确保伦理合规性至关重要。

数据科学与人工智能在实施科学活动中的实际应用示例
本节将通过一个实际案例，展示数据科学与人工智能如何在实施项目中得到应用。具体而言，该案例聚焦于澳大利亚威尔士亲王医院开展的全国精准护理诊所项目的开发、实施和评估工作。16,68 该精准护理诊所旨在协调肿瘤学领域的精准医学应用，为转诊的肿瘤科医生提供高效的决策支持，通过共同设计且以证据为基础的方法，将精准医学融入常规的癌症诊疗流程中。表2列出了该项目中开展的各项实施科学活动，并说明了如何运用数据科学与人工智能技术为这些活动提供支持。

表2 实施活动示例及潜在的数据科学与人工智能应用方式
实施科学活动 任务描述 实施科学相关要素 数据科学与人工智能的作用（针对前述实施科学挑战）
1. 建立诊所工作流程和实施策略 设计与确立诊所的功能、工作流程和操作规范；通过与利益相关方共同设计，并根据障碍优先级来确定重点，从而构建实施平台。 • 障碍与促进因素 • 策略 • 流程图 • 实施前的结果 • 从利益相关方的反馈中提取和整合概念，为工作流程设计、策略制定和流程图绘制提供依据。1,2,7 • 对已识别的障碍进行聚类和排序，以便确定处理优先级。2,7
2. 文献综述 通过文献回顾，找出基因组学项目现有的障碍、促进因素、建议的策略以及相关结果。 • 障碍与促进因素 • 策略 • 患者结果 • 流程图绘制 • 提取概念，以辅助现有诊疗路径的流程图制作。1,2,7障碍记录：收集来自研究会议、电子邮件、电话交流以及临床会议观察的数据。包括障碍与促进因素、策略、调整措施，还有用于将会议记录转换为文本以便分析的转录工具。此外还包括概念提取、决定因素聚类，以及通过数据综合从相同或相似的背景因素中识别策略。

利益相关者访谈：在实施的不同阶段对利益相关者进行定性访谈，如实施前、实施中和实施后。访谈过程中可运用AI聊天机器人来辅助对话管理。通过概念提取帮助绘制流程图，同时借助概念提取和情感分析了解患者的观点与见解，进而优化患者治疗结果。还可通过数据综合从相似背景因素中识别策略，明确定性实施结果，并根据访谈反馈改进流程。

利益相关者调查：采用混合方法开展调查，以了解利益相关者的体验、反馈及实施效果。通过概念提取和情感分析，能够把握利益相关者的观点与深层见解。

多学科团队观察：收集各多学科团队中的定量与定性数据，将障碍记录在障碍日志中。这些观察可提供关于服务水平结果（如及时性、效率）的信息，通过概念提取进一步分析，再结合数据综合在流程图上标出瓶颈与低效环节，以及定性方面的实施、服务及患者层面的结果。

流程图绘制：详细梳理护理干预措施的实施步骤，明确各角色、职责及工作流程。可通过概念提取辅助绘制更准确的流程图。

逻辑建模：以迭代方式呈现所有实施科学相关概念，建立决定因素、干预措施与结果之间的关联。通过概念提取、数据综合及聚类技术，可识别相似背景因素中的规律，明确决定因素、干预措施与结果之间的关系，从而更好地理解作用机制。

活动1：建立诊所工作流程与实施策略：在制定诊所工作流程和实施策略时，大型语言模型能够从利益相关者的输入内容及共同设计环节中提取关键概念，为构建诊所功能、定制化策略及操作规范提供依据。聚类分析和网络分析还能进一步识别障碍，并了解其与前期实施结果之间的关联，从而更高效地分配资源。

活动2：文献综述：大型语言模型可快速从文献中提取有关障碍、促进因素、策略及结果的各类概念，帮助人们准确了解现有护理路径中的常见问题及有效策略，为流程图绘制提供支持。

活动3：障碍记录：障碍记录可通过电子邮件、电话交流（如WhatsApp）、临床会议观察等多种沟通渠道获取数据，借助AI转录工具和大型语言模型的概念提取功能，系统地捕捉并分类诸如障碍、促进因素及调整措施等关键实施概念。提取后的数据可经过综合分析，确定针对特定情境的策略，为持续优化流程提供依据。长期来看，这种方法有助于发现与成功实施相关的重复模式，从而实现更加及时、基于数据的决策。

活动4：利益相关者访谈：在不同实施阶段对包括转诊医生、临床与研究团队成员、专科医生、医院管理层、患者及其家属在内的各类参与者进行访谈时，AI聊天机器人可协助管理对话并捕捉关键概念。通过概念提取和情感分析，可识别并分类访谈中提到的障碍、促进因素及实施策略，同时也能了解患者和家属的体验与观点，进而判断干预措施的可行性与适用性。这有助于进一步完善流程图，发现流程中的低效环节。通过自动化分析定性数据，AI能够整合多轮访谈中的信息，识别影响实施成功的背景因素，这些信息可对应到实施、服务或患者层面的具体结果，用于评估和优化护理路径。

活动5：利益相关者调查：采用混合方法开展的利益相关者调查，对于了解参与实施工作的各方人员的体验、反馈及实施效果至关重要。这类调查能涵盖诸多重要内容，包括障碍与促进因素、实施策略、实施结果（如可行性、适用性、可接受性）、服务水平结果（如及时性、效率），以及患者层面的结果与体验。通过概念提取和情感分析，可准确把握利益相关者的观点与深入见解。

活动6：多学科团队观察：在多学科团队会议期间收集定量与定性数据，识别障碍并记录在障碍日志中。这些观察能提供有关障碍与促进因素的宝贵信息，可通过大型语言模型的概念提取功能进行分析。进一步的数据综合可呈现定量实施结果，并结合定性见解，在流程图中标出瓶颈与低效环节。这种综合分析有助于更深入地了解实施挑战与服务交付表现，为有针对性的流程优化提供指导。

活动7：流程图绘制：流程图绘制需要详细分析护理干预措施的实施步骤，明确各角色的职责与工作流程。概念提取功能可通过整合来自不同数据源的关键任务与决策点，助力绘制准确且全面的流程图。

活动8：逻辑建模：逻辑建模是一种迭代框架，用于连接实施科学中的各类要素，如障碍、促进因素、策略、作用机制及结果。通过概念提取、数据综合及聚类技术，AI能够识别相似背景因素中的规律，明确决定因素、干预措施与结果之间的关系。这种整合方法有助于我们更好地理解实施成功或失败的原因，从而更有针对性地识别并选择有效的策略。

这个实际案例展示了如何将数据科学与AI融入实施科学项目，从而提升实施工作的效率和响应能力。它不仅增强了分析能力，还实现了实施各阶段的实时调整。

一个由AI驱动的实施科学平台：实施科学提供了填补“证据到实践”差距的理论框架与方法论，而数据科学与AI则有望克服上述挑战。为此，我们推出了ImpleMATE（“实施与数据科学：加速证据在医疗保健领域的应用”）这一由AI驱动的实施科学平台，目前仍处于基础开发阶段。该平台旨在将AI、数据科学与人类专业知识整合到一个动态的学习型健康系统模型中，推动基于证据的创新在医疗保健领域的广泛应用。

ImpleMATE围绕三个相互关联的组成部分构建，反映了学习型健康系统的循环过程：
1. 数据到知识（D2K）：自动从多种数据源中提取、综合并整理与实施相关的知识。
2. 知识到实施实践（K2IP）：将综合后的知识转化为可操作的指导与决策支持，用于实际实施工作。
3. 实施实践到数据（IP2D）：从现实世界的实施活动中收集新数据与见解，为后续的学习循环提供依据。

这三个部分旨在支持持续学习与改进，实现实时知识整理、决策制定以及反馈循环，从而实现动态的流程优化。在ImpleMATE的核心，我们计划开发一种结构化的本体，用于表示不同领域中与实施相关的知识。这将通过明确体现实施策略、背景决定因素、作用机制及结果等概念之间的关系，解决“背景与差异性”以及“复杂性”两大问题，进而便于分析不同环境下的复杂因果关系。该平台还将整合结构化与非结构化的数据源，如实施相关文献、项目文档、访谈记录及会议笔记，从而解决“数据不足或存在偏差”的问题，同时收集利益相关者的见解。本体将通过与临床医生、实施科学家及医疗管理人员等最终用户的反复共同设计来完善，以此解决“利益相关者参与度不足”的问题。该本体还将与“实施研究综合框架”及“理论领域框架”等现有框架保持一致，确保实施知识的提取与表达具有统一性和规范性。

目前正在开发的AI核心组件包括大型语言模型，如基于BERT的模型，以及本地部署的变换器架构，如Mistral和LLaMA。我们正在研究运用提示工程策略，如零样本学习和少样本学习，同时对模型进行微调，以便为本体识别和提取概念与关系。这些模型将被设计为能够整合信息，帮助用户解决实施中的问题，例如在临床背景下选择基于证据的策略来应对特定障碍。这种自动从多种来源提取、综合并整理与实施相关的知识的方法，有助于解决“数据量庞大且需综合分析”的问题，同时通过减轻人工审查证据的负担，以及整合那些未被充分利用的数据源，实现更全面、更具包容性的分析，从而解决“数据不足”的问题。

公平性与可及性考虑也被贯穿于平台的整体设计之中。通过整合多元数据源、支持多种交互方式（如文本输入、对话式交互、翻译输入），以及坚持以用户为中心的设计理念，ImpleMATE旨在减少语言、数字素养及获取实施专业知识的差异所带来的障碍。这些设计原则旨在确保实施指南对不同用户群体都具有相关性且易于理解。

该平台的前端将是一个交互式网页应用，提供两层支持：
1. 第一层：基于AI的决策辅助工具，可用于回答问题。用户可以提出实施相关问题，获得基于本体的、由AI综合生成的、具有证据支撑的回答，从而获得即时的策略指导。
2. 第二层：一个实施辅导与数据共享平台，用于更深入的参与，全程协助实施工作。该平台提供多种功能，包括上传实施数据供AI分析、接收沟通信息、与实施团队协调培训与辅导、与同行建立联系以及获取教育资源。这样，项目团队就能监控实施进展，获得针对具体障碍的推荐性基于证据的策略，并跟踪实施结果。

为确保AI的使用符合伦理要求、安全可靠且负责任，ImpleMATE将建立完善的治理框架。该框架包括成立由最终用户组成的原则制定委员会、开展关于伦理AI与数据流程的研讨会，以及持续与利益相关者保持沟通，以此建立社会认可度与公众信任。平台还将优先考虑隐私保护的数据处理流程、模型透明度以及安全的部署方式（如本地或机构内部托管）。AI生成的输出结果及提取的概念将定期由实施科学专家进行审核，这一过程是平台设计中不可或缺的人工干预验证环节，旨在确保AI的输出能够辅助而非替代人类的判断与伦理责任，从而解决“安全性、信任度与伦理问题”。

对研究、实践与政策的启示：虽然数据科学与AI为支持实施研究与实践提供了有力的工具，但也要认识到其存在一些局限性，因此必须确保以负责任的方式将其整合并有效运用。已有研究表明，那些作为“黑箱”运行、无法透明展示推理过程的AI模型，会削弱实施决策中的信任度与问责机制。因此，人们越来越重视可解释的AI、透明度以及人工干预机制，让用户能够理解并质疑AI的输出结果，同时保留人类专家在审核和指导AI辅助决策中的作用，这些做法与实施科学所强调的以理论为基础、注重情境差异的原则高度契合。这些研究结果进一步表明，AI应作为人类判断与协作过程的补充，而非替代品，这样才能避免过度依赖AI工具而忽视实施理论、利益相关者的观点以及当地的实际情况。

从研究角度来看，人们越来越意识到，必须对AI工具进行严格评估，不仅要考察其技术性能，还要评估其对实施过程与结果的影响。有观点认为，尽管AI能够在数据提取和证据综合等任务中提高效率，但其价值最终取决于它能否推动基于证据的干预措施更及时、更有效、更公平地得到实施。因此，有必要将AI与传统的实施方法进行对比评估，包括对其可行性、适用性、可接受性以及后续的服务效果和患者结果进行评估。这类评估对于明确AI在何时、如何以及为谁的实施工作带来真正价值具有重要意义。

从实践角度来看，目前AI在实施科学领域的应用仍处于试验阶段。来自数字健康和基于人工智能的项目的证据表明，要成功应用人工智能工具，需要完善的技术基础设施、跨学科协作以及足够的专业人才。多项研究显示，组织准备不足、数据整合缺失以及分析能力有限，都会制约医疗领域数字化创新的可持续性和扩展性，尤其是在资源匮乏的环境中。如果不对相关实施能力进行适当投资，人工智能工具可能会加剧资源充足与资源不足的医疗系统之间的差距。这些研究结果凸显了将人工智能工具与现有的工作流程、资源分配模式以及持续改进机制相结合的重要性，这样才能确保其长期可持续性和可扩展性。对于政策制定者而言，来自人工智能伦理和健康数据治理框架的启示表明，明确的监管指导、能够保护隐私的数据基础设施以及问责机制，对于建立不同机构间的信任与协作至关重要。那些促进数据互操作性、安全数据共享以及伦理监督的政策，既有助于在不同环境中实现经验交流，又能保障个人和群体的利益。尤为重要的是，那些在整个人工智能生命周期中都让利益相关方参与并纳入伦理审查的治理结构，对于维护公众信任和社会认可度具有关键作用。随着这一领域的发展，我们不应将人工智能视为一种现成的解决方案，而应将其视为更广泛实施生态系统中的一个组成部分。确保人工智能应用过程中的伦理监督、透明度以及持续的人机协作，对于建立信任和责任体系至关重要。通过共同设计、严格验证、让各类利益相关方参与进来，同时充分考虑其局限性并采取相应的缓解措施，人工智能才能以负责任且公平的方式得到应用，从而强化而非削弱实施科学的目标。

结论
将数据科学与人工智能融入实施科学，为加速将研究成果转化为实际应用带来了变革性的机遇。通过解决长期存在的实施难题，人工智能提供了可扩展的工具，有助于实现更加高效、精准且公平的实施效果。实际应用以及ImpleMATE平台的开发，都展示了人工智能如何为现实世界的实施活动提供支持。然而，人工智能的应用必须以坚定的伦理原则、利益相关方的参与，以及“补充而非替代人类专业能力”的理念为指导。只有采用平衡、透明且协作的态度，才能确保人工智能在各种医疗环境中真正提升实施效果。

作者贡献
JC、ATR、ET和NT共同构思了这篇讨论文章。JC在NT的指导下起草了手稿。所有作者都对手稿进行了审阅，提供了大量反馈，并确定了最终版本。