通过人工智能增强的预防性疾病风险分层决策，推进老年人个性化医疗保健

《Decision Support Systems》：Advancing personalized healthcare for elderly individuals through AI-enhanced preventive disease risk stratification decision

　　

摘要

个性化的长期护理（LTC）已成为应对全球人口快速老龄化的新兴医疗政策优先事项。长期护理，尤其是在癌前病变的预防和早期筛查中，对于降低死亡率以及减轻个人和医疗机构的财务负担发挥着关键作用。本研究开发了一种不依赖高级检查的长期护理风险分层工具。该设计利用人工智能（AI）方法和参数选择流程将个体划分为不同的风险组，从而支持慢性病预防。通过行动设计研究（ADR）开发的AI增强决策支持系统（AIEDSS）与可持续发展目标3（SDG 3）相一致，旨在降低医疗成本，同时改善老年人群的健康结局。本研究使用长庚纪念医院（CGMH）的年度健康检查数据对该工具进行评估，证明了其在疾病风险分层方面的有效性。AIEDSS的疗效体现在识别患有胆结石的老年人时真实阳性率（敏感性）超过97%，以及识别腺瘤时敏感性达80%。此外，该建模方法在定量和定性评估中均受到医生的广泛好评。本研究将AIEDSS作为一种社会技术工具呈现，将先进的AI模型与医生主导的设计相结合，以支持个性化长期护理中的疾病诊断决策，并提高医疗服务的效率、可负担性和可持续性。

引言

随着全球人口老龄化，为无法独立进行日常活动的个体提供支持服务的长期护理（LTC）日益受到政府、研究人员和医疗机构的关注[1]。2024年全球长期护理行业价值约为1.16万亿美元，预计到2034年将增长至2.18万亿美元，复合年增长率（CAGR）估计为6.5%。¹ 美国国家老龄委员会报告指出，居家护理费用为6000–9000美元，养老院费用为8000–15,000美元，一对夫妻的年保险费为2080美元。² 这些费用对私人保险制度下的个人和运营国家保险制度的政府均构成了沉重负担。在台湾，由税收资助的长期护理2.0计划（2016年启动）使支出从53.76亿新台币增至736.48亿新台币[2]。除了财务负担之外，长期护理机构的医疗资源限制也值得关注。在长期护理系统内的过早死亡，尤其是在养老院护理中，在COVID-19大流行前（Ibrahim等人[3]）和大流行后（Weiss等人[4]）均有所增加。使长期护理负担得起并降低过早死亡率是一个紧迫的治理挑战，也是可持续发展目标3（SDG 3）的核心内容。

联合国制定的可持续发展目标提供了一个旨在实现更美好未来的治理框架。可持续发展目标3寻求解决医疗不公平问题，并提高基本服务的可负担性。在可持续发展目标3下，目标3.4旨在降低慢性非传染性疾病（NCD）导致的过早死亡率，而目标3.8明确倡导全民健康覆盖（全球目标，2025年³）。可持续发展目标3.c进一步关注医疗工作者和护理人员，强调减少劳动力过载问题。AI的最新进展使个性化预防和早期疾病风险筛查变得越来越可行。基于AI的疾病风险分层模型利用常规初级护理数据提供个性化风险评估，并可轻松整合到当地诊所和养老院中。通过识别高风险个体并转诊至二级护理，同时允许低风险个体留在初级护理中，这些模型可以减少医生工作量，提高医疗效率，并有助于解决城乡医疗差异问题。随着预防性医疗的不断发展，AI模型已证明在协助医生检测癌前病变[5]、[6]、慢性心力衰竭[7]、脂肪团[8]以及其他疾病方面具有有效性，仅使用病历即可实现，无需内镜或超声等高级医疗设备。尽管癌症仍是全球慢性非传染性疾病死亡的首要原因，占近六分之一死亡（WHO，2025年），⁴ 内镜和活检等侵入性检查虽被视为诊断癌症和癌前病变的金标准，但并非没有风险[9]。为应对这一挑战，我们的模型还通过减少接受不必要的先进检查的低风险个体数量来解决可持续发展目标3.c。这些检查不仅增加了医生的工作量，还给低风险个体带来了巨大的财务负担。具体而言，在美国，一次超声波检查的平均费用在200至800美元之间。⁵ 鉴于老年人行动能力有限，一种无需高级设备的诊断决策支持系统对于实现初级护理中的健康风险监测至关重要。

随着医疗系统越来越多地采用人工智能（AI）技术作为关键解决方案，医生必须正式参与AI模型的开发和部署[10]。我们通过开展行动设计研究（ADR）——一种由Sein等人[11]提出的组织情境驱动的设计方法——开发并评估了AI增强决策支持系统（AIEDSS）作为一种社会技术工具。该工具通过重新设计健康检查流程，在初级护理环境（如当地诊所和养老院）中对老年人应用AI增强疾病风险分层模型，将高风险患者转诊至二级护理（地区医院或教学医院）。此后，我们将初级护理（二级护理）与当地诊所/养老院（地区医院/教学医院）互换使用。

AIEDSS提供了以下实践和理论贡献。首先，AIEDSS的开发遵循ADR框架，确保所生成的工具与社会情境目标（SDG 3）紧密一致，并纳入系统开发人员和医生的评估机制。如图1所示，AIEDSS通过使用常规初级护理检测数据生成个性化风险分层和转诊建议，重新设计了健康检查流程，使低风险个体留在初级护理中，同时将高风险个体转诊至地区医院或教学医院接受高级检查。其次，本研究为医疗领域的行动设计研究贡献了规范性设计知识。通过构建—干预—评估（BIE）迭代，本研究正式化了将初级护理筛查与分层转诊路径相结合的设计原则，改善了资源有限环境中的公平风险评估获取途径，并确保了临床准确且与工作流程兼容的AI辅助风险筛查。第三，本研究展示了AI驱动的决策支持如何有助于医疗转型和社会公益。通过支持更早识别慢性非传染性疾病风险、扩大预防性评估的可及性、减少不必要的转诊和检查费用，以及减轻分层医院的工作量，AIEDSS为建立更可及、更高效和更可持续的医疗系统作出了贡献。

章节摘要

文献综述

本工作处于AI辅助临床决策（CDM）、长期护理决策支持系统（DSS）和行动设计研究的交汇点。我们首先回顾了AI辅助的临床决策实践，强调AI作为增强机制而非替代医生判断的角色。然后，我们回顾了长期护理中的决策支持系统，并确定了临床上可解释、与工作流程兼容且由医生主导的工具的需求。最后，我们将本研究定位在相关研究领域中

社会技术与研究差距分析

尽管已开发了众多与AI相关的决策支持系统，但大多数仍然主要受功能驱动，强调诊断准确性作为主要设计目标。相比之下，我们的研究采用了一种受社会技术驱动的设计科学方法，明确将社会情境和技术需求整合到设计和评估过程中。这一方向与ADR框架相一致，该框架不仅强调为实用性构建工具，还确保其在

方法论

本节描述了如何使用ADR[11]设计、实例化和评估面向长期护理的AIEDSS。

ADR适合本研究，因为AIEDSS的开发不仅作为一个预测模型，还作为一个社会技术决策支持框架，通过临床实践、医生专业知识、AI建模和分层护理工作流程之间的互动塑造而成。按照ADR的方向，我们的研究迭代地：1）制定和完善临床问题以及社会技术

AIEDSS工具的经验实例化

为展示AIEDSS工具的实用性和适应性，我们呈现了长期护理环境中的两个经验实例：腺瘤风险分层，支持早期检测与高死亡率相关的疾病；以及胆结石风险分层，支持预防与慢性疾病相关的长期并发症。选择这些案例研究是因为它们突出了工具的双重社会技术能力，减少过早

基于ADR的反思与社会技术学习

前述评估证明了所提出工具的技术性能和实用性。然而，在ADR框架内，其主要价值在于为迭代反思和工具改进提供信息。因此，评估不被视为最终的验证阶段，而是被作为反思、学习和工具改进迭代过程的一部分[11]。在两个案例中，技术性能结果和医生评审共同表明AIEDSS

结论

研究结果共同证明了将AI增强决策支持与纳入社会技术设计原则和医生干预的ADR方法相结合的价值。本工作开发并评估了AIEDSS作为面向分层医疗中老年人疾病风险分层的社会技术工具。AIEDSS展示了AI驱动的决策支持如何通过支持更早识别慢性非传染性疾病风险、扩大预防性评估的

CRediT作者贡献声明

Tsung-Hsing Chen：指导、资源、方法、资金获取、概念化。Chia-Yu Lai：撰写—初稿、指导、方法、形式分析。Chieh Lee：撰写—初稿、指导、方法、形式分析、概念化。Jen Yu：撰写—初稿、概念化。Ta-Sen Yeh：指导、资金获取。

利益冲突声明

作者声明不存在已知的财务利益冲突或个人关系可能影响本文内容。

Tsung-Hsing Chen|Chia-Yu Lai|Chieh Lee|Jen Yu|Ta-Sen Yeh

长庚纪念医院林口医疗中心胃肠肝胆科，桃园，台湾