编辑推荐:
医疗健康服务与数据生态系统仍然碎片化、不公平,且与患者、临床医生及公共卫生需求错位。为解决此问题,已涌现出三条通往患者中心人工智能(Artificial Intelligence, AI)的路径:数据协作、全系统方法(Whole System Approach
医疗健康服务与数据生态系统仍然碎片化、不公平,且与患者、临床医生及公共卫生需求错位。为解决此问题,已涌现出三条通往患者中心人工智能(Artificial Intelligence, AI)的路径:数据协作、全系统方法(Whole System Approaches, WSA)和数字包容。每条路径均推动了该领域的发展。然而,没有任何一条路径能够提供公平AI所要求的持续、参与性且以结果为基础的学习。驱动AI学习的数据来源人群也必须是从中受益的人群。这一原则尚未被结构性嵌入任何现有路径中。本叙述性综述定义了一个框架,用于将自适应机器学习(Adaptive Machine Learning, AML)作为第四条整合性路径加以操作化,以实现患者中心AI。AML被定义为从真实世界个体层面数据中持续学习,以生成个性化、群体层面的洞见,并将直接利益回馈给产生这些数据的社区。研究人员对PubMed和Google Scholar(2018–2025年)进行了跨五个主题领域的叙述性综述:AI与机器学习在医疗中的应用;真实世界数据与证据;患者中心护理与数字健康;数据治理与AI监管;以及适应性临床试验设计。检索词涵盖医疗AI应用及自适应、持续学习系统,重点强调预测导向而非静态诊断方法。通过迭代主题分析确定纳入资格。研究人员识别出八项阻碍患者中心AI的系统性障碍,并对现有三条路径在解决偏差、验证和公平实施方面的局限性进行了批判性审视。AML被提出作为弥补这一差距的机制,通过持续的、基于结果的学习连接系统医学、个性化医学和精准医学,并确定了三项原创性概念贡献作为使能因素:整合式数据治理(Integrative Data Governance, IDG)、适应性临床试验(Adaptive Clinical Trial, ACT)设计和循证沙盒设施(Evidence Sandbox Facilities, ESFs)。进展需要全球标准化的医疗数据循环(Healthcare Data Recycling, HDR)框架、适应性评估方法论以及支持多方利益相关者验证的ESFs。未来研究应关注联邦化AML验证、集体同意机制以及与国际化AI治理标准的监管框架对齐。
1 引言
癌症治疗仍处于精准医学的前沿,但传统临床研究始终未能捕捉真实世界患者群体的多样性、复杂性和生活经验。生成式AI提供了弥合这一差距的变革性机遇,可加速诊断、治疗和个性化方案,并使临床实践与群体健康洞察保持一致。这些技术能够将多模态真实世界数据(Real-World Data, RWD)综合为可操作的真实世界证据(Real-World Evidence, RWE),数据来源包括临床记录、影像、基因组学、诊断结果、公共卫生筛查、环境暴露、气候因素和社会决定因素,从而将群体智能直接整合到肿瘤工作流程中。
大型语言模型(Large Language Models, LLMs)和基于提示的生成式AI正在越来越多的临床应用场景中被研究,其缩短从科学发现到临床影响路径的潜力日益显现。然而,围绕固有偏见、幻觉、对合成数据的过度依赖、可重复性、认知崩溃和信念修正等更广泛的担忧依然存在。与环境成本、恶意提示工程、提示泄露以及缺乏标准化评估指标相关的风险进一步增加了安全部署的复杂性。这些风险反映了当前AI系统在构建、验证和治理方式上的结构性弱点。
解决生成式AI的结构性弱点不仅需要更好的治理,还需要将AI嵌入旨在从真实临床实践中持续学习的系统中。持续学习型AI必须支持并得到学习型健康系统(Learning Health Systems, LHS)的支持。LHS通过紧密连接临床实践与群体健康洞察,克服了研究和护理中持续存在的挑战,为AI从受控研究环境向持续真实世界应用的转变提供了基础设施。当生成式AI嵌入以患者为中心的LHS时,可加速数字健康采纳并深化对疾病轨迹的理解。
监管机构正在努力应对这一不断演变的格局。当前的框架并非为那些持续学习、适应新数据并在异质性临床环境中运行的系统而设计。这一差距不仅是技术性的,更反映了静态监管模型与动态AI系统之间的结构性错配。解决这一问题需要适应性整合、临床医生参与和有意义的患者社区参与,并与五重目标(改善患者体验、提升群体健康、降低成本、支持医疗队伍和推进健康公平)保持一致。
尽管取得了上述进展,医疗中AI整合的综合方法仍不完整,这带来了直接的患者安全风险。驱动AI学习的数据来源人群也必须是从中受益的人群——这一原则尚未被结构性嵌入任何现有路径中。本文通过非系统性叙述性综述,批判性地审视文献并揭示了八个相互强化的障碍:数据碎片化、代表性不足、患者自主权缺失、监管空白、治理薄弱、真实世界数据利用不足、创新生态系统脱节以及信任赤字。这些障碍相互关联,没有单一现有路径能够解决这种相互依赖性。
为应对这些相互关联的障碍,本文提出将自适应机器学习(Adaptive Machine Learning, AML)作为通往患者中心AI的第四条路径。AML通过在LHS内整合群体层面、情境敏感的真实世界数据,实现AI模型的持续演化。为操作化这一路径,本文引入三个关键使能因素:整合式数据治理(Integrative Data Governance, IDG)、适应性临床试验(Adaptive Clinical Trial, ACT)设计和循证沙盒设施(Evidence Sandbox Facilities, ESFs)。
2 方法
本节描述了综述的范围与目的、文献识别策略、检索词与主题聚类、概念边界、研究筛选与纳入标准、补充识别与评估方法,以及检索过程的透明度说明。检索遵循结构化迭代过程,主要针对2018至2025年间PubMed和Google Scholar的出版物,并以概念饱和和全面主题覆盖为目标。
3 路径一:数据协作
患者参与被广泛认为是以患者为中心AI的必要条件,但当前的数据协作模式在结构上将其边缘化。知情同意框架仍是交易性和静态的,从患者处提取数据却未将有意义的价值回馈给产生数据的社区。数字健康在没有智能共同基础的情况下扩大了数据量却未解决数据碎片化问题。AI模型的验证框架目前由总结性方法主导,依赖事后可解释性,而非形成性方法。本文主张转向代理性解释和真实世界学习方法,优先考虑持续反馈回路和情境敏感适应。
4 路径二:全系统方法(WSA)
WSA承诺让社区成为知识的共同生产者而非创新的被动接受者,但在实践中这一承诺并未得到一致兑现。WSA强调实施科学以操作化促进公平医疗获取所需的实际行动和嵌入式知识。然而,医疗获取是一个动态的多维过程,WSA未能解决如何在每个环节持续生成和采取行动的问题。本文提出数字健康自主权(Digital Health Autonomy, DHA)作为WSA解决这一张力的机制。AI可以作为DHA的积极数字决定因素,通过预测性模型识别个体风险,从而增强患者的参与动力。WSA提供了多利益相关方、社区嵌入的基础设施,但适应性不等于公平,WSA仍依赖于其所依据数据的质量和代表性。
5 路径三:数字包容
数字包容通常被框定为以患者为中心AI的基础支柱,但其在实践中低估了挑战。数字包容策略促进了社区内的多样性,但推广不等于结构性变革。积极的数字参与需要更深层次的参与形式,而当前的实施主要是被动的。数字表型分析展示了数字包容的潜力与局限。公民参与对于评估系统性不平等和设计无障碍解决方案至关重要。本文扩展了路径二的论点,指出AI驱动的参与策略可以积极扩大数字包容,而非仅仅依赖其先决状态。
6 路径四:自适应机器学习(AML)
数据协作、WSA和数字包容都是实现持续AI学习的工具,但它们的验证仍然是静态或偶发性的,而非持续性的。AML被定义为动态应用AI模型,从真实世界个体层面数据中持续学习,以个性化和情境敏感的方式优化健康结果。AML将诊断视为一个持续的验证步骤:一旦真实的临床结果可用,就计算预测与结果之间的损失,模型据此调整。系统医学提供演进的机制模型,个性化医学提供个体层面的渠道,AML通过持续的、基于结果的验证将两者连接起来。精准医学是这种融合的具体输出。AML整合了三条现有路径的不同能力,生成代理性的、任务和领域特定的微模型。
7 AML使能因素
7.1 整合式数据治理(IDG)
IDG是在源头进行个体层面、路径特定数据捕获的治理结构。它确保通过AI重新分类新识别的患者不仅被添加到数据集中,而且其具体的路径上下文得以保留。AML依赖于稳健的情境敏感治理,IDG为此提供基础,链接知识动员与技术标准和政策框架。医疗数据循环(Healthcare Data Recycling, HDR)被定义为通过IDG在源头治理的、沿着患者路径在多参与者之间进行的协调性循环数据交换。HDR是构成性参与的,数据持续返回丰富价值给患者、临床医生和群体。
7.2 适应性临床试验(ACT)
现有的验证框架并非为持续学习系统设计。随机对照试验将AI模型评估为固定干预措施,无法捕捉其在试验期间的变化。ACT设计提供了AML持续验证循环所需的形式化评估结构。N-of-1微随机试验(Micro-Randomised Trials, MRTs)将这一逻辑扩展到个体层面,评估AI赋能干预的真实世界有效性。ACT设计是AML持续验证循环能够被严格评估的必要架构。
7.3 循证沙盒设施(ESFs)
ESFs在监管沙盒的基础上创建安全、结构化的环境,用于在多样化的IDG设置及其通用数据空间中测试创新的RWE解决方案。ESFs必须以患者主导的设计和集体决策为核心,让社区能够根据自己的公平、安全和自主权标准测试模型。ESFs解决了长期阻碍数据访问和证据评估途径的障碍,支持将AI工具可控地整合到常规临床实践中。
8 局限性
本文提出的AML是一个概念框架而非经过验证的临床干预。主要局限性包括:缺乏大规模的真实世界集成实施来证明统一AML架构的可行性;AML对数据质量和代表性的高要求在大多数医疗系统中尚不具备;联邦学习方法面临显著的监管和基础设施限制;以及ESFs尚未达到履行其角色所需的规模和治理成熟度。