《International Journal of Circumpolar Health》:Artificial intelligence/machine learning in Alaska Native healthcare systems: symposium perspectives
编辑推荐:
人工智能与机器学习(artificial intelligence/machine learning,AI/ML)在阿拉斯加原住民与美国印第安人(Alaska Native and American Indian,AN/AI)医疗体系中的应用,为解决长期存在的
人工智能与机器学习(artificial intelligence/machine learning,AI/ML)在阿拉斯加原住民与美国印第安人(Alaska Native and American Indian,AN/AI)医疗体系中的应用,为解决长期存在的健康差异、提升阿拉斯加原住民社区福祉提供了契机。2025年“阿拉斯加原住民医疗系统中的人工智能”研讨会在阿拉斯加州安克雷奇举办,共有31名来自阿拉斯加原住民部落健康联盟(Alaska Native Tribal Health Consortium,ANTHC)、南中部基金会(Southcentral Foundation,SCF)、马尼拉克协会(Maniilaq Association)及斯坦福大学的多元利益相关方与专家参与引导式对话。研讨会的总体目标是汇聚阿拉斯加部落卫生系统(Alaska Tribal Health System,ATHS)内的合作伙伴,推动三方面工作:(1)支持AN/AI群体在ATHS内AI/ML落地中行使部落主权指导权;(2)拓展技术能力;(3)建立集中化的指导与专业知识体系,引领未来以社区定义获益为导向的AI/ML研究与实施。会议期间,小组讨论围绕四大主题展开:(1)AI/ML的常见应用场景;(2)AI/ML相关的关切问题;(3)指导AI/ML应用的现行或潜在政策;(4)如何构建对AI/ML模型的信任。讨论形成的核心主题包括数据民主化、AI/ML开发与使用须遵循数据主权原则,以及AI/ML质量改进与研究工作的必要性及差异性。本次研讨会是重要的一步,通过合作性伙伴关系与服务探索如何利用AI/ML优化AN/AI群体的健康与福祉。
阿拉斯加原住民医疗系统中AI/ML应用的研讨会共识解读
本研究发表于《International Journal of Circumpolar Health》,针对阿拉斯加原住民与美国印第安人(AN/AI)医疗场景中人工智能与机器学习(AI/ML)落地的空白展开。当前全球医疗领域已广泛探索AI/ML在临床诊断、药物研发、流程优化等场景的应用,世界卫生组织、美国国家医学院、美国食品药品监督管理局等机构均已发布通用伦理指南,但尚无针对AN/AI部落医疗系统的专项规范。阿拉斯加部落卫生系统(ATHS)覆盖近18万服务人群,实行部落自治的数据治理模式,同时面临80%以上社区无公路连通、医疗资源极度分散、紧急医疗转运(medevac)成本高且风险大的独特挑战。2022年的前期试点显示,超三分之一的ATHS从业者从未接触过AI/ML概念,近半数质疑其对原住民健康的实际价值,且此前推进的AI/ML项目未实现预期落地,因此亟需通过系统性对话明确适配部落文化与治理规则的AI/ML发展路径。
研究人员采用雪球抽样法招募31名涵盖临床研究、信息技术、合规管理、部落领导层的利益相关方,于2025年在安克雷奇召开专题研讨会。会议设置小组讨论与案例推演环节,围绕AI/ML应用场景、风险关切、政策制定、信任构建四大议题展开,结合阿拉斯加原住民数据主权原则、ATHS特有的“枢纽-辐射”(hub and spoke)医疗模式,对三类典型应用情景进行论证,最终提炼可落地的实施框架。样本队列来源于ATHS下属12个区域的部落卫生组织(Tribal Health Organizations,THOs)服务人群,所有研究设计均严格遵循ATHS的多层级审查机制——包括美国印第安人卫生服务局阿拉斯加地区机构审查委员会(IHS Alaska Area Institutional Review Board,AAIRB)、ANTHC健康研究审查委员会、部落治理机构的逐级审批,确保符合原住民社区的知情同意与利益共享要求。
研究结果按会议核心主题展开如下:
数据主权优先原则
研究人员明确AI/ML开发与应用必须严格遵循原住民数据主权(Indigenous data sovereignty)原则,即联邦承认的部落及其授权的THOs拥有对本部落数据的收集、所有权与使用权的绝对治理权。讨论将CARE原则(collective benefit集体获益、authority to control控制权威、responsibility责任、ethics伦理)与FAIR原则(Findable可发现、Accessible可访问、Interoperable可互操作、Reusable可复用)、《通用规则》(Common Rule)、《健康保险流通与责任法案》(HIPAA)结合,强调从软件选型到数据分析的全流程均需以AN/AI群体的优先事项与文化价值为决策核心,建立跨组织协作中的数据质量、安全防护与主权合规机制,管控数据开放带来的潜在风险。
数据民主化实践路径
数据民主化被定义为在法律保密与安全限制内,向尽可能多的组织员工开放数据访问权限,适配组织文化与需求。当前THOs已通过电子健康记录(electronic health record,EHR)报表系统支持医疗服务提供者追踪亚人群健康质量目标,研究人员计划进一步开发自助分析工具、开展临床与管理层的数据能力培训、推动跨THO的知识共享与工具开源(包括政策模板、代码库、试验环境),通过赋能一线员工提升临床与运营决策效率,缩小不同THOs间的技术应用差距。
质量改进与研究的差异化定位
研究人员厘清了AI/ML在ATHS中的两类核心用途:质量改进聚焦运营效率提升、风险评估、预测分析、质量指标上报与人员培训,可直接嵌入日常诊疗与管理流程,无需经过完整科研伦理审查;研究则侧重算法开发与验证,需重点解决现有AI/ML数据集普遍缺乏AN/AI人群代表性导致的偏差问题,必须通过本地EHR数据完成算法验证。两类工作均需建立持续的质量保证(quality assurance)与质量控制(quality control)机制,确保模型运行符合预期。
讨论部分指出,相较于2022年的首次研讨会,2025年参会者的AI/ML认知水平、应用信心均有显著提升,且本次会议通过聚焦同质性利益相关方、嵌入多轮小组案例讨论,直接产出了可落地的成果:ANTHC分享了本机构的AI使用政策,某偏远THO汇报了Cerner AI Scribe在基层门诊的落地经验,参会者达成共识将依托现有“共享部落分析与报告(Shared Tribal Analytics and Reporting,STAR)”例会机制持续推进协作,并计划在心血管疾病等重点健康领域启动联合研究项目。研究最终证实,适配ATHS的AI/ML实施必须以部落主权为核心,将数据治理、文化适配、基础设施约束纳入全流程设计,通过去中心化的协作网络实现社区定义的获益,为北极圈及其他原住民地区的医疗智能化提供了可复制的范式参考。