《Healthcare》：Applications of Artificial Intelligence in the Health Sector: A PRISMA-Based Systematic Review
编辑推荐：
背景：健康领域正因人工智能（AI）的使用而发生变革，包括诊断、治疗计划、疾病预测以及健康系统管理。过去几年，该领域的研究有所增加，这得益于机器学习（ML）、自然语言处理（NLP）的出现以及电子健康记录（EHRs）数量的增长。目的：本研究旨在通过调查该主题的全球
背景：健康领域正因人工智能（AI）的使用而发生变革，包括诊断、治疗计划、疾病预测以及健康系统管理。过去几年，该领域的研究有所增加，这得益于机器学习（ML）、自然语言处理（NLP）的出现以及电子健康记录（EHRs）数量的增长。目的：本研究旨在通过调查该主题的全球科学产出/格局，如年度出版趋势、国家贡献和出版模式，来探讨人工智能（AI）应用在医疗环境中的当前趋势。方法：本研究基于系统综述，结合了文献计量分析和聚类分析，使用VOSviewer 1.6.20版本、R软件4.5.0版本和Biblioshiny（R中的Bibliometrix包）以及2020年系统综述和荟萃分析首选报告项目（PRISMA），以透明和严谨的可视化方式检查在COVID-19爆发后至2026年期间，在Scopus数据库上发表的关于AI在医疗保健中应用的英文文章。结果：使用相关检索词，在2020年至2026年间识别出5940篇文献，经过筛选和相关过滤后，纳入1434篇进行分析。2020年后，该主题的出版物显著增加，超过一半的出版物源于医学学科。美国、中国和英国对研究量的贡献最大。自然语言处理（NLP）和诊断是新兴主题。《医学互联网研究杂志》（Journal of Medical Internet Research）、《BMC医学信息学与决策》（BMC Medical Informatics and Decision Making）、《生物学与医学中的计算机》（Computers in Biology and Medicine）、《IEEE生物医学与健康信息学杂志》（IEEE Journal of Biomedical and Health Informatics）、《公共卫生前沿》（Frontiers in Public Health）和《数字健康》（Digital Health）是该领域一些最具影响力的来源。Li J和Liu X是具有显著本地影响力的作者。结论：该工作旨在帮助研究者、医疗专业人员和政策制定者了解现代趋势，并关注AI增强医疗保健中未来研究和合作的关键领域。本研究的局限性在于仅考虑了Scopus数据库，但为研究者使用其他数据库（如Dimensions、Lens和PubMed）进行分析提供了机会。此外，本综述考虑了COVID-19爆发以来的出版记录，但也可以进行疫情前后研究的比较分析，以全面了解该领域研究的剧烈合作。讨论：研究结果表明，近年来人工智能在医疗保健中的作用至关重要，但同时也存在其他支持技术，但技术犹豫型人群以及因伦理问题导致的AI低接受度，在确保医疗保健效率方面不可忽视。
**1. Introduction**
人工智能（AI）在医疗保健服务中近期获得重要性，尤其是在COVID-19大流行后，该疫情推动了对先进和个性化治疗的需求，以利用大数据分析优化医疗交付系统效率。医疗保健行业正借助AI进行转型，使研究人员能够分析大量患者数据。AI系统可帮助医疗提供者通过分析个性化患者数据和遗传模式来设计个体化治疗计划，支持精准医学。这种个体化疗法提高了诊断准确性，实现了疾病的早期诊断，并改善了治疗结果，超越传统的一刀切方法。此外，基于AI的系统能够记忆和学习过去的诊断和治疗结果，形成不断增长的知识库，这些数据可回收用于辅助其他具有相似疾病的患者诊断和治疗，从而增强临床一致性并减少人为错误。与传统治疗方法相比，AI技术可简化诊断过程，节省时间和金钱，减轻患者及其家庭的经济负担。AI技术还能高精度处理复杂患者数据，如症状、病史和遗传标记，提供替代治疗方案、推荐适当药物并预测可能的风险或副作用。这种预测能力使医疗工作者能够做出更好的决策，并在治疗期间及之后应对潜在并发症。尽管存在数据隐私、伦理问题和监管障碍，AI仍是现代医疗保健系统发展中最有效的工具之一。该领域具有巨大潜力，可提高医疗保健效率、成本效益并促进决策。
**1.1. Literature Review**
已有一些文献计量学研究探讨了AI对健康部门的影响，但多数研究聚焦于主要健康问题，留下了进一步文献计量分析的空间。需要进行探索性研究，以识别该领域最相关和高产的作者、附属机构和来源，帮助研究人员以更少努力找到合适信息。本研究将帮助政策制定者和医疗保健专家将最新和先进的AI集成技术引入健康领域。
**1.2. Objectives of the Study**
通过对该领域研究发展至今的识别和未来研究潜力的分析，进行了技术世界与健康部门之间关联的深入分析。研究考察了出版物的增长、国家贡献，并对该领域已发表文献进行了聚类分析。本研究是一个当代主题，其相关性日益增加，因此作为最新发展的最新综合，其贡献将更好。通过结合聚类分析和PRISMA框架，从其他文献计量学研究中增加澄清，使本研究的时间框架和数据集的不同之处更加明显。
**1.3. Mapping of Research Questions with Research Techniques**
基于研究问题，设计了研究目标以验证AI在健康部门的关键作用：识别AI和医疗保健中最有影响力的作者和来源；识别年度出版增长、国家分布以及为AI和医疗保健文献做出贡献的最有影响力的国家；分析来源合作模式；探索常用关键词。研究问题与工具对应关系如下：RQ1（AI在健康部门的研究现状）通过年度科学产量和科学生产生命周期回答；RQ2（主导主题）通过主题图和因子图回答；RQ3（高产和有影响力的国家与附属机构）通过国家和附属机构的科学产量及引文分析回答；RQ4（最有影响力的作者和来源）通过作者生产力及其本地影响以及关键来源回答。
**2. Methodology**
本系统综述遵循系统综述和荟萃分析首选报告项目（PRISMA 2020）指南，确保透明和全面的报告。在Scopus数据库中检索2020年至2026年的文献，以发现当前研究模式和该主题的未来范围。VOSviewer用于可视化聚类，Biblioshiny用于文献计量数据的表格和统计分析。本研究提供了AI在健康部门整合的广泛描述，重点关注COVID-19大流行后AI在健康领域的指数级增长。未对自我引用或重复出版物进行特殊控制，数据来自标准化的Scopus数据库。检索过程包括明确定义的资格标准、系统数据库检索、研究选择、数据提取和综合。研究方案在开放科学框架（OSF）中进行了回顾性注册，以促进透明度和减少偏倚。
**2.1. Search Strategy**
在Scopus数据库中使用布尔检索技术（AND和OR）进行综合检索。检索限定在文章标题，以获取更精确的结果。使用四层多维检索字符串：第一层为AI技术，第二层为健康领域，第三层为诊断相关术语，最后一层为AI工具在医疗保健中的实施。检索词包括：“人工智能”（Artificial intelligence）、“机器学习”（machine learning）、“深度学习”（deep learning）、“医疗保健”（healthcare）或“健康护理”（health care）、“诊断”（diagnos*）、“决策支持系统”（decision support system*）、“电子健康记录”（electronic health record*）。初始检索获得5940篇文献，之后按英语语言、2020至2026年出版时间、仅研究文章、期刊来源、医学学科领域进行筛选，最终纳入1434篇文章。
**2.2. Bias Assessment and Quality Evaluation**
采用结构化评估方法评估纳入研究的方法学质量和偏倚风险。每个研究根据预定义纳入标准和研究特征（如目标清晰度、方法适当性和报告透明度）进行独立筛选和评估。通过文献计量指标（如引文数量、年均引文数、h指数等）间接评估方法学质量。本研究的独特之处在于结合了PRISMA 2020指导和近期（2020–2026年）Scopus数据集，提供了方法学严谨性和最新见解。分析显示，1434篇文献来自622个来源，平均每篇文章约15次引用，9958位作者参与，平均每篇约8位合著者，近半数合著为国际合作。年度出版量从2020年的63篇增加到2025年的400多篇，2026年已超过200篇，表明COVID-19推动了该主题的快速增长。主要研究来自医学领域。引文趋势显示2020年平均引文最高（57.03），随后下降。科学生产生命周期分析显示2021年后快速增长，2025年达到峰值（约390篇），之后进入成熟期。桑基图（Sankey plot）显示了引用参考文献（CRs）、作者（AUs）和合并关键词（KW_Merged）之间的关联。布拉德福定律（Bradford’s law）识别出24个核心来源（Zone 1），145个来源在Zone 2，453个在Zone 3。来源本地影响力显示《医学互联网研究杂志》（Journal of Medical Internet Research）在h指数、g指数、总引文数、出版数等方面表现最佳。来源共现网络分析显示《BMC医学信息学与决策》（BMC Medical Informatics and Decision Making）、《IEEE生物医学与健康信息学杂志》（IEEE Journal of Biomedical and Health Informatics）、《生物学与医学中的计算机》（Computers in Biology and Medicine）等为核心来源。年度来源产出趋势显示《医学互联网研究杂志》累计出版量最大，其后是《BMC医学信息学与决策》。作者生产力通过洛特卡定律（Lotka’s law）分析，显示少数作者主导，超过80%的作者仅贡献一篇论文。作者本地影响力显示Li J具有最高h指数（10）和g指数（15），Liu X以10篇论文获得超过600次引用。附属机构产出趋势显示哈佛医学院、斯坦福大学等机构研究兴趣浓厚，加州大学2022年后出版量快速增长。国家产出分布显示美国、中国和英国是最活跃的国家，美国拥有最多单国出版物（SCPs）和多国出版物（MCPs）。国家科学产量图显示美国、中国、英国、印度和德国是最具生产力的国家。国家引文分析显示美国总引文量最高，德国平均每篇引文最高。关键词共现分析（阈值≥25次出现）显示“人类”和“人工智能”使用最频繁，其次为“机器学习”、“电子健康记录”。与“机器学习”相关的关键词网络显示“人类”、“人工智能”、“男”、“女”高度关联。与“电子健康记录”相关的关键词网络显示其与“人类”、“人工智能”、“机器学习”紧密关联。词云显示“人类”、“文章”、“人工智能”、“机器学习”、“电子健康记录”出现频率最高。因子分析（Dimension 1: 79.18%，Dimension 2: 9.16%）显示第一象限关键词“自然语言处理”代表新兴研究主题，第二象限有“电子健康记录”、“诊断”、“主要临床研究”，第三象限与“风险”、“因素”、“对照研究”相关，第四象限包括“健康公平”、“医疗保健”、“定性研究”、“伦理”。关键词“人工智能”、“机器学习”、“人类”位于原点，连接传统研究和新兴数字健康技术。
**3. Conclusions**
人工智能赋能技术在健康领域的应用不仅将传统医疗中心转变为人工智能医疗中心，还推动从通用医学向精准医学的转变，使治疗更快、更个性化。美国、加拿大和英国不仅在研究量上贡献最大，也是被引最多的国家。这要求发展中经济体和全球南方在健康领域开展研究，因其医疗基础设施有限且薄弱，高温增加病毒爆发风险。结果表明，AI支持的医疗保健是一个跨国问题，全球研究合作逐年显著增加。通过多种文献计量技术（如共现分析、主题映射、趋势分析）以及不同维度（作者、关键词、来源）的一致性检验，以及大样本数据和与先前研究的一致性，确保了结果的稳健性。研究显示，机器学习、电子健康记录、数字健康等应用解决方案应显著发展以提升医疗保健效率。整体而言，研究显示了新技术升级的巨大潜力，但文献中关于数据治理的工作相对有限，这为未来研究提供了巨大空间，以增强AI在医疗保健中的治理，重点关注公平性。由于缺乏全球统一标准，AI使用存在监管挑战。尽管一些发达国家已实施结构化框架，但这些碎片化框架仍限制了AI技术的可扩展性。需要大量投资于研发，并提高医疗保健专业人员和公众的意识，以充分利用AI的潜力和伦理使用。数据隐私仍是AI在医疗保健中采纳的障碍，患者数据包含敏感医疗信息，在数据治理框架薄弱时引发保密和滥用的担忧。因此，需要维护患者保密性和AI系统的透明度。研究结果明显表明，COVID-19爆发后AI在医疗保健中的出版物和应用显著激增，AI被迅速部署于疾病检测和诊断，这主要得益于COVID-19推动了数字健康记录和数字化，促进了远程医疗和远程监测。结果还显示了全球北方和全球南方在AI采纳上的显著差异，先进的医疗保健系统需要更好的基础设施、大量资金和技术专长，而发展中国家数字基础设施有限、政策支持不足，全球医疗保健系统需要包容性的AI采纳。
**4. Limitations of the Study**
本研究的主要局限之一是仅使用Scopus数据库进行数据检索，排除了Web of Science、PubMed、IEEE Xplore等其他相关数据库。此外，本综述仅考虑COVID-19爆发以来的出版记录，但可以进行疫情前后研究的比较分析，以全面了解该领域研究的剧烈合作，这也为荟萃分析（meta-analysis）提供了空间。尽管使用了多层检索策略，但可能排除了一些相关关键词。仅包含英语出版物可能导致遗漏其他语言的重要贡献。此外，仅纳入研究文章，排除了灰色文献。文献计量指标通常偏向较老的出版物，因此近期的重要研究可能在影响力分析中代表性不足。出版产出通常集中在最重要来源/作者/关键词上，可能使结果偏向多数。引文指标可能导致偏倚，因为高被引文章不一定反映高研究质量，可能受开放获取出版、出版年龄和期刊影响因子等因素影响。
**5. Policy Recommendations**
AI在健康和疾病治疗中的顺利运行需要大众健康记录的数字化，但谁拥有这些大数据仍是一个大问题，以及如何确保个性化数据不被滥用？问责、透明、隐私和同意仍是AI在医疗保健中使用的关键问题。通过公私合作可以实现这一点，因为严格的法规和有效的治理是维护健康数据完整性的必要条件，且数字记录的大众化并非政府核心职能，可以委托私人组织负责。此外，如果数字化数据集存在错误，后果难以想象。AI在医疗保健中的整合需要政策制定者、AI开发者和医疗保健专业人员之间的显著协作，以执行新规则和法规。隐私和安全、偏倚缓解、监管框架、AI创新和意识倡议是需要监管的关键领域。需要以用户为中心设计健康应用，以改善交互质量和信息获取。政策制定需要与新兴文献（如机器学习、电子健康记录、数字健康系统）相关联。因子分析表明，数据治理是一个关键关注点，需要政策关注临床/人群健康数据在AI模型构建中的收集、共享和再利用。
