利益相关者视角下沙特阿拉伯公共卫生领域人工智能整合的卫生系统准备度：一项定性描述性研究

《Healthcare》：Stakeholder Perspectives on Health System Readiness for Integrating Artificial Intelligence into Public Health in Saudi Arabia

　　

背景/目的：尽管人工智能（Artificial Intelligence, AI）具有加强疾病监测、预测分析、预防性干预和人群层面决策的潜力，但其成功整合需要卫生系统在技术、劳动力、治理和组织维度上做好充分准备。沙特阿拉伯快速的数字健康转型为探索这些准备条件提供了独特的国家背景。本研究探讨了利益相关者对沙特阿拉伯公共卫生领域整合AI的卫生系统准备度相关条件的认知，包括感知的挑战、实施要求和战略机遇。方法：采用定性描述性研究设计，对32名参与者进行半结构化访谈，参与者包括沙特阿拉伯的医疗保健专业人员、健康信息学专家以及政策制定者或医疗保健规划利益相关者。参与者根据其相关专业经验通过目的性抽样选取。数据分析采用Braun和Clarke的六阶段反思性主题分析法。结果：确定了四个主要主题：（1）基础设施准备度，反映了数字健康平台的进展以及持续的互操作性和数据整合挑战；（2）劳动力能力，突显了有限的AI素养以及对实用的、针对特定角色培训的需求；（3）数据治理与伦理，强调隐私、问责制、算法偏见以及需要更明确的监管规范；（4）预期的战略机遇，包括预防保健、人群健康监测、疾病监测和决策支持。前三个主题反映了被认知为与卫生系统准备度相关的条件，而第四个主题则捕捉了预期的应用和潜在收益，而非当前准备度的一个维度。总体而言，参与者感知到国家层面的重大战略承诺和数字健康发展，同时识别出与互操作性、劳动力能力、治理和监管相关的重要实施挑战。结论：参与者的陈述表明，将AI负责任地整合到公共卫生中需要协调关注可互操作的基础设施、劳动力能力、治理机制、监管监督和以人为本的实施。以针对特定角色的AI培训和明确的治理与监管框架为支撑的分阶段实施方法，可能有助于将国家AI愿景转化为安全有效的公共卫生实践。这些发现可为沙特阿拉伯及其他卫生系统正在经历快速数字转型地区的政策制定、劳动力规划和负责任AI整合的实施策略提供参考。

**研究背景与问题**

人工智能在公共卫生领域展现出日益重要的应用潜力，能够支持疾病监测、预测分析、预防干预和人群层面的循证决策。然而，AI的成功整合不仅取决于算法本身的可获得性，还取决于卫生系统在技术基础设施、劳动力能力、数据治理、伦理规范和监管框架等多个维度上的准备程度。沙特阿拉伯在"愿景2030"（Vision 2030）和卫生部门转型计划（Health Sector Transformation Program）的推动下，经历了快速的数字健康转型，建立了Seha虚拟医院（Seha Virtual Hospital）、Nafis统一健康档案等国家级数字平台，并由沙特数据与人工智能管理局（Saudi Data and Artificial Intelligence Authority, SDAIA）主导推进国家数据与AI战略，为AI整合创造了独特的政策环境。然而，现有研究多关注学生和公众对医疗AI的态度与认知，较少从系统层面探讨公共卫生领域AI整合的卫生系统准备度（Health System Readiness），尤其缺乏对直接参与医疗服务、健康信息学和政策制定的利益相关者视角的深入理解。为此，本研究旨在探索关键利益相关者对沙特阿拉伯公共卫生领域AI整合相关条件的认知，包括感知的促进因素、制约因素、实施优先事项和战略机遇。

**研究方法概述**

研究人员采用定性描述性研究设计，通过半结构化访谈收集数据。研究纳入了32名参与者，涵盖三个利益相关者群体：医疗保健专业人员（10名）、健康信息学专家（13名）以及政策制定者或医疗保健规划利益相关者（9名）。参与者来自沙特阿拉伯多个地区的公共部门医疗机构，包括利雅得、麦加、东部省、阿西尔和塔布克，涵盖三级医院、综合医院和初级卫生保健机构等不同层级的组织环境。采用最大变异目的性抽样策略，以确保捕捉到运营、技术和政策层面的多元视角。所有参与者均具备与公共卫生直接相关的专业经验（如公共卫生实践、政策规划、疾病监测、流行病学、健康促进和人群健康），以及至少一个与卫生系统或AI实施相关的专业领域经验。数据分析采用Braun和Clarke的六阶段反思性主题分析法（Reflexive Thematic Analysis），结合演绎和归纳策略，以准备度维度为敏感性指导域，同时从参与者的叙述中归纳生成编码和主题。

**研究结果**

**主题一：基础设施准备度。** 参与者普遍认可沙特阿拉伯在电子健康记录、数字平台和远程医疗等数字健康基础设施方面取得了显著进展，并将其视为AI整合的重要基础。然而，参与者一致指出互操作性（Interoperability）和数据整合仍是主要障碍。许多参与者描述了碎片化的数字环境：健康数据存在于多个机构、部门和行政系统中，但由于平台不统一、数据标准不一致或遗留系统（Legacy Systems）的存在，这些系统之间无法有效联通，难以支持实时公共卫生分析。此外，参与者区分了数据量的充足性与数据对AI的适用性，指出缺失数据、格式不一致和编码方式差异等问题会限制数据的AI可用性。参与者还关注不同医疗机构和地理区域之间数字成熟度的不均衡，认为较大的资源充裕型机构可能更具AI实施准备度，而小型机构或偏远地区在连接性、技术能力和系统标准化方面仍需进一步投入，这种差异可能导致健康不平等加剧。

**主题二：劳动力能力。** 劳动力能力是跨群体最突出的关切之一。参与者强调，AI准备度不仅取决于技术系统，还取决于医疗保健专业人员、公共卫生工作者、信息学专家、管理者和政策制定者是否具备适当使用AI的知识和信心。有限的AI素养被描述为关键障碍：许多专业人员可能知晓AI的概念，但对AI系统的工作原理、输出的含义以及如何在实践中评估其局限性的理解不足。参与者强调需要超越一般数字技能的结构化实践培训，涵盖AI输出解读、数据质量评估、偏见识别、伦理使用和人类判断的角色。在专业接受度方面，参与者指出若AI被视为替代人类判断或限制专业自主权的工具，可能引发抵触；AI需要嵌入日常工作流程，而非增加工作负担。此外，参与者还指出医疗保健和公共卫生部门需要更清晰的职业路径和留任策略，以吸引和维持健康数据科学和机器学习领域的专业技术人才。

**主题三：数据治理与伦理。** 数据治理与伦理被参与者视为AI准备度的核心但仍在发展中的组成部分。主要关切包括隐私保护、保密性、数据访问安全、知情同意、算法偏见（Algorithmic Bias）、可解释性（Explainability）、问责制和监管明确性。参与者特别强调公众信任的重要性，认为治理不仅是一项技术或行政要求，更是公共接受AI的前提条件。在监管方面，参与者指出现有数据保护和健康信息政策可能需要进一步发展，以应对AI系统的特殊性，如模型验证、AI支持决策的问责归属以及部署后的持续监测等问题。算法偏见和数据代表性是另一重要关切：在数据不完整、质量差或不具代表性的情况下训练的AI模型可能产生不准确或不公平的输出，影响风险预测和资源配置的公平性。参与者呼吁建立涵盖数据管理、伦理审查、透明度、问责制、监管监督和公共沟通的多学科AI治理框架，并强调多方利益相关者的参与。

**主题四：预期的战略机遇。** 尽管存在上述挑战，参与者对AI在沙特阿拉伯公共卫生中的应用前景表达了乐观态度。最常被讨论的机遇包括：预防保健和慢性病管理（尤其是糖尿病和高血压的早期风险识别和针对性干预）、人群健康监测和疾病监测（整合电子健康记录、实验室数据、药房数据和环境指标以实现早期预警）、以及决策支持和资源配置优化。参与者提及COVID-19大流行中Tawakkalna和Tabaud等数字应用的经验，说明实时整合数据对公共卫生应急响应的重要性。然而，参与者一致强调这些机遇的实现依赖于准备度条件的建立，AI应被理解为需要与更广泛的卫生系统转型相结合的工具，而非独立的解决方案。参与者主张采取分阶段、以问题为导向的实施路径，优先选择数据质量高、公共效益明确、伦理风险可控且具备充分人类监督的应用领域。

**讨论总结与研究结论**

本研究的核心发现揭示了国家层面战略驱动与组织层面实施条件之间的张力：参与者既感知到强大的国家政策方向和快速数字健康发展的有利条件，也指出了跨组织互操作性不足、劳动力AI能力欠缺以及治理和监管安排尚不完善等制约因素。这些发现将AI准备度呈现为一个多维互依的实施过程，而非孤立技术条件的清单——基础设施、劳动力能力和治理之间的任何短板都可能制约其他领域的进展。与国际比较，本研究中识别的互操作性、劳动力能力和治理挑战在英国和美国等高收入卫生系统中同样有报道，但沙特阿拉伯的独特性在于其高度集中的国家协调机制和快速转型节奏，这使得"将国家战略雄心转化为组织层面的协调实施"成为核心挑战。

研究结论部分指出，利益相关者感知到国家层面的重大战略承诺和数字健康发展，同时也识别出与互操作性、劳动力能力、数据治理、隐私、算法偏见和监管明确性相关的重要实施挑战。参与者还确认了AI在支持疾病监测、预防保健、人群健康监测、资源配置和公共卫生决策方面的潜在机遇。这些发现代表了利益相关者对准备度条件的认知，不应被解释为对国家卫生系统准备度的客观评估。研究提出了四项值得政策考虑的优先事项：加强国家互操作性和数据共享标准；制定针对特定角色的AI素养和培训计划；建立更清晰的治理和伦理审查框架以应对隐私、问责制、透明度、算法偏见和模型验证等问题；以及采取分阶段、以问题为导向的AI实施路径，辅以人类监督和对效果、公平性、可接受性、工作流程影响和可持续性的持续评估。由于本研究中关于公众信任、隐私和可接受性的视角来自专业和政策利益相关者，未来研究应直接纳入患者、公众和社区代表，从他们的视角审视这些议题。