《Asia-Pacific Journal of Oncology Nursing》:Scaling oncology artificial intelligence in Asia–Pacific: A sociotechnical governance framework anchored in platforms, workforce, and evidence
编辑推荐:
摘要专业翻译
人工智能(AI)癌症筛查工具在亚太地区不断增多,但真正惠及目标人群者寥寥无几。本评论旨在探讨:为何某些部署已服务数百万人——中国某省934万名女性完成筛查、日本结肠镜检查工具获国家医保报销、澳大利亚乳腺X线摄影分阶段推广——而多数部署却止步于试点
摘要专业翻译
人工智能(AI)癌症筛查工具在亚太地区不断增多,但真正惠及目标人群者寥寥无几。本评论旨在探讨:为何某些部署已服务数百万人——中国某省934万名女性完成筛查、日本结肠镜检查工具获国家医保报销、澳大利亚乳腺X线摄影分阶段推广——而多数部署却止步于试点阶段。答案很少在于模型准确性。在所有规模化部署中,算法均被叠加在已能触达人群的既有平台之上。在已报告一线效应的案例中,算法同样改变了工作分配:样本采集、图像拍摄、随访与协调工作转移至初级保健人员和护士,而此类工作是否被计入工作量或获得经费支持,通常未见报告。研究人员提出一个六部分社会技术框架,作为指导性建议而非经过验证的模型,其共同主线是:人员配置、职责与经费应在实施前的采购合同中予以明确,并主张肿瘤科护士应参与此类合同的制定。
论文解读
一、研究背景与问题
“规模化”是数字健康领域中使用最频繁却最少被审视的词汇之一。世界卫生组织(WHO)将其定义为有意识地扩大已验证成功的健康创新影响,使更多人受益并形成可持续的政策与项目支撑。然而,应用于人工智能领域,证据令人警醒:经济合作与发展组织(OECD)2026年盘点发现,AI虽已用于所有受访成员国的健康管理,但仅有约10%的国家将其规模化应用于医学影像,制约因素并非算法本身,而是数据碎片化、政策错位以及治理与人力能力缺口。亚太地区癌症负担尤为严峻——亚洲承担全球49%的癌症发病率和56%的癌症死亡率,中低收入国家的病理与实验室服务缺口最大,印度约1500名临床肿瘤学家对应每年每名肿瘤学家约677例新发癌症病例,而美国为11700名肿瘤学家对应每年137例。护士是卫生人力中最大的职业群体,贯穿筛查、治疗、症状监测与生存期管理,但一项范围综述发现,AI在肿瘤护理中的应用主要局限于终端使用,护士几乎未参与设计、评估或治理。任何假设专家将在护理点监督AI的规模化计划,都建立在并不存在的人力规模之上;任何默默依赖护士吸收规模化部署带来的额外工作而不予计数或资助的计划,都难以持续。
二、研究内容与结论
研究人员考察了亚太地区具有可记录人群覆盖范围的AI筛查部署,分析其一线人力影响及人员配置与经费安排方式。核心案例为中国湖北省宫颈癌AI辅助细胞学筛查项目:2022年7月至2024年12月间,通过政府主导的公私合作模式筛查了934万名女性,覆盖35—64岁适龄女性的73.7%,其中67.1%为农村人口。该项目采用明确的功能分工:初级保健中心仅负责社区动员、登记和样本采集;单一签约供应商集中处理玻片制备、AI判读,并由其自有培训人员和细胞病理学家人工复核所有阳性或疑似阳性玻片及10%随机阴性样本;专科诊疗中心接收阳性报告并实施阴道镜、活检和治疗。该分工使稀缺的专科资源得以覆盖全省,但评估者指出初级保健工作量可能增加——包括样本采集、患者随访、本地协调和AI培训——形成所谓“人力悖论”,需加以解决才能实现可持续实施。项目经费明确:中央和省级政府投入5.95亿元人民币(8300万美元),55%拨付供应商,45%拨付初级与专科诊疗中心用于培训、管理和实施。
泰国糖尿病视网膜病变项目展示了未妥善安排一线人力时的后果:深度学习系统在九个初级保健点的检测性能与视网膜专科医生相当,但人本评估发现,照明条件、图像质量阈值、网络连接和护士工作量决定了患者能否获得筛查——护士承担了每一次图像拒收和连接故障。日本计算机辅助息肉检测项目则展示了支付路径的重要性:2024年2月国家保险目录新增费用后实现全国使用,此前经历了前瞻性多中心评估和国内多中心随机试验。澳大利亚新南威尔士州乳腺筛查项目展示了验证路径:发表回顾性方案评估658207次连续筛查事件,随后按年龄组和筛查轮次分阶段引入机器判读。
跨案例呈现两个规律:所有规模化部署均依托已触达人群的既有平台;在一线效应有报告的案例中,AI创造的工作均落在初级保健人员和护士身上。但没有一个部署展示了该项工作的明确安排:湖北虽向初级和专科中心拨付了经费,其评估者仍警告存在人力悖论;其他案例未报告一线时间是否获得资助——这是证据缺失,而非不存在的证据。
三、主要技术方法
研究人员采用比较案例分析方法,系统检索并筛选亚太地区具有可记录人群覆盖范围的AI筛查部署,最终纳入五个案例(四项癌症项目、一项糖尿病视网膜病变对照项目),来源包括同行评审文献、项目评估报告和官方公告。数据来源包括:湖北省宫颈癌项目(934万女性筛查队列,含0.7百万人验证队列)、中国六县人群管理平台(153978次筛查记录)、日本国家医保报销记录、澳大利亚新南威尔士州658207次筛查事件回顾性评估、泰国九站点前瞻性部署及十一诊所人本评估。研究人员基于社会技术系统理论和医疗AI治理成熟度模型,从案例中提炼六项采购前先决条件。
四、研究结果
规模化部署对一线人力提出了什么要求。 湖北项目通过功能分工使稀缺专科资源覆盖全省,但评估者警告初级保健工作量可能增加,形成“人力悖论”。泰国项目显示护士承担了图像采集、拒收处理和故障排除等全部额外工作。日本工具嵌入专科操作流程,未创造新的前线人员类别。澳大利亚尚未报告工作量影响。
为什么大多数肿瘤AI无法规模化。 研究人员归纳四种反复出现的失败模式:工具为任务而建却被部署进工作流程,监管批准证明的是任务性能而非工作流程适配性;模型漂移需要有人持续监控,检测漂移所需的标注与复核工作必须配备人员并支付费用;所有权往往无人负责,Watson for Oncology逐医院采用的模式凸显了部署前明确行政与法律责任的必要性;规模化放大系统既有缺陷,AI增加发现却不增加处理能力,且技能替代导致能力退化——接触AI检测的内镜医师在工具撤出后出现可测量的技能退化。
在采购前明确人员配置、职责与经费。 研究人员提出六项先决条件,每项均可写入采购文件:第一,人力架构与工作量——进行人力影响评估,明确任务转移对象、数量与成本,界定各层级角色与资质;第二,责任与问责——指定唯一问责机构负责部署审批、全生命周期审计和退役,明确护士依据AI输出采取行动时的执业范围与责任;第三,经费与支付——在启用前商定支付或融资路径,将一线时间、监测、标注和再训练作为服务的可报销组成部分;第四,平台与随访机制——明确承载工具的现有国家或州级项目,确定统一患者标识符、重复检测、召回与随访追踪的所有者;第五,分阶段验证与监测——将验证序列、亚组分析、漂移阈值、审计节奏和再训练费用写入招标文件;第六,患者与公众合法性——在启用前开展有记录的患者和社区参与,建立披露与同意机制,提供拒绝AI辅助管理的途径。
五、讨论与结论
讨论部分指出,WHO的AI健康伦理原则设定了任何部署必须遵守的边界,但并未告诉卫生部该采购什么、培训谁或在合同中写入什么。六项先决条件中前三项直接涉及人力,后三项使前三项可实现。由于机构能力差异巨大,六项应按监管成熟度分级适用,且各项所需资源——许可登记、招标语言、能力课程——单独建设成本高昂而共享复用成本低廉,这构成了建立区域共享层的理由。
研究结论指出,亚太地区肿瘤AI面临的问题已经改变:工具是否有效已有答案——中国一个省筛查了934万名女性,日本将癌症检测AI纳入常规医保报销。为何如此少的项目能达到这些案例的水平,从证据来看主要不是算法问题。每个规模化部署都依托既有平台;在一线效应有报告的案例中,工作转移至初级保健人员和护士,只有湖北的合同明确承认了这项工作——即便如此其评估者仍警告存在人力悖论。这些案例无法证明在实施前明确人员配置、职责和经费决定部署能否规模化,但能说明更窄的结论:成功规模化的部署在启用前已解决平台问题(日本还解决了支付路径),而一线工作未获妥善处理的案例,其评估者均将其识别为可持续性威胁。对肿瘤护理而言,这是核心关切而非边缘问题:护士是最大的职业群体,是任务转移模式下的监督层,也是最可能吸收规模化所产生的协调与随访工作的群体。确保被重新分配的工作得到命名、计量、认证和付费,既是护理领导层的责任,也是融资责任。该职业最有价值的贡献不是等待规模化AI到来,而是在采购文件撰写时在场——因为人员配置、职责和经费正是在那里确定的。