综述：人工智能赋能南亚医疗：突破困境，迈向公平优质医疗新时代

研究人员针对低收入和中等收入国家（LMICs）医疗 AI 应用难题，经研讨得出多方面成果，助力医疗变革。

　　在当今全球化的时代，医疗健康领域正经历着前所未有的变革。随着科技的飞速发展，人工智能（AI）成为了医疗领域备受瞩目的新星，被寄予厚望。从辅助医生进行疾病诊断，到预测疾病的发生风险，AI 似乎有着无限的潜力，有望为全球医疗带来革命性的改变。然而，理想很丰满，现实却很骨感。在低收入和中等收入国家（LMICs），AI 在医疗领域的应用之路充满了坎坷。

一方面，这些国家基础设施薄弱，网络信号不稳定、数据存储设备不足等问题十分常见，这使得依赖大量数据和稳定网络的 AI 技术难以施展拳脚。另一方面，专业人才的匮乏也成为了 AI 发展的巨大阻碍，缺乏既懂医疗又懂 AI 技术的复合型人才，导致先进的 AI 技术难以落地应用。同时，数据隐私保护意识的淡薄以及监管机制的不完善，让人们对 AI 在医疗领域的应用充满担忧。在这样的背景下，开展针对 LMICs 医疗领域 AI 应用的研究迫在眉睫，这不仅关乎这些国家医疗水平的提升，更关系到全球医疗公平的实现。

为了攻克这些难题，来自多个国家和机构的研究人员在 AI-Sarosh 项目的支持下开展了深入研究。该项目由国际发展研究中心（IDRC）资助，致力于利用 AI 改善南亚地区的性健康、生殖健康和孕产妇健康（SRMH）。研究人员通过举办合作设计研讨会，邀请了 AI 研究人员、医疗专业人员、非政府组织代表和政策制定者等多方人士参与，共同探讨 AI 在 LMICs 医疗领域应用的机遇与挑战。研究成果发表在《npj Digital Medicine》上。

研究人员在开展研究时，主要采用了结构化小组对话的方法。通过组织多轮结构化小组对话，引导不同背景的参与者围绕 AI 在医疗领域应用的各个方面展开深入讨论，从而收集到丰富的观点和见解，为后续分析提供了坚实的数据基础。同时，研究人员还参考了大量已有的文献资料，从不同角度对 AI 在医疗领域的应用进行综合分析。

研究结果主要体现在以下几个方面：

• 医疗系统的机遇与挑战：在许多 LMICs，薄弱的基础设施严重阻碍了 AI 工具的发展和应用。为此，需要优先考虑数字健康平台与现有基础设施的无缝集成、适应性、数据安全性等多方面因素。可以通过鼓励公私合作，发展 “离线优先” 的 AI 应用等方式来克服基础设施方面的挑战。此外，AI 的应用还需要大量的医疗工作者接受全面教育，以确保其能有效利用 AI 技术，同时也需要有 AI 倡导者推动 AI 政策的实施12。
• 卫生工作者与任务转移：AI 有潜力改变医疗劳动力结构，通过促进数据驱动的决策，提高医疗服务的效率和问责性。但成功实施 AI 平台需要卫生系统、投资者和技术创业者的合作，尤其要注重女性在 AI 开发中的作用，以确保 AI 解决方案具有性别敏感性3。
• 无处不在且无缝的 AI 集成：将 AI 集成到现有医疗平台中，虽然能带来诸多好处，如提高诊断准确性、改善运营效率等，但也面临技术基础设施升级、数据质量保证、资源投入和监管审批等挑战。长期来看，成功的 AI 集成需要自上而下的政策变革和标准化方法4。
• AI 解决方案的安全问题：AI 在医疗领域的安全实施至关重要，数据质量、系统的透明度和可解释性是主要关注点。开发 AI 系统时应将稳健性、透明度等作为主要目标，根据具体应用场景评估 AI 的性能和安全性，并将其无缝集成到现有医疗工作流程中56。
• 开发中的偏差与过拟合：AI 系统中的偏差可能会加剧健康不平等，而过拟合会影响模型在现实世界中的可靠性。为了减轻偏差，需要从训练方法、算法设计和数据整理等多方面入手，同时使用多样化的数据集进行测试，并组建多学科团队参与开发7。
• 负责任的 AI：医疗保健中的公平、正义和质量：实现负责任的 AI 需要多方协作和利益相关者的参与，在开发过程中要注重透明度、隐私保护和安全措施，遵循公平、不伤害和患者自主等伦理原则，并在现实环境中对 AI 系统进行严格测试。同时，还需要建立全面的伦理准则，涵盖隐私、数据治理和知情同意等方面89。
• 能力建设与用户采用：提升医疗专业人员的 AI 素养，设计用户友好的 AI 工具，加强社区参与，并建立强大的反馈机制，有助于推动 AI 在医疗领域的应用和持续改进10。
• AI 驱动的医疗保健中的治理、政策和监管框架：政府和私营部门应共同推动 AI 在医疗领域的发展，LMICs 需要建立适合本国的 AI 治理机构和监管框架，参考国际指南，确保 AI 的安全和伦理使用1112。

研究结论和讨论部分指出，AI 在 LMICs 医疗领域的应用潜力巨大，但要实现这一潜力，需要克服诸多障碍。公私合作、本地化数据和工具开发、数字技能能力建设是推动 AI 集成的关键因素，而碎片化的健康数据系统、监管和治理差距以及资源限制则是主要障碍。为此，研究人员提出了分阶段的战略建议，包括开展短期试点项目、建设能力，中期发展基础设施和政策，长期实现可持续性和规模化应用，并持续关注研究差距。这些研究成果为 LMICs 在医疗领域合理应用 AI 提供了宝贵的指导，有助于推动全球医疗公平，提高医疗服务的质量和可及性，为实现更加美好的医疗未来奠定了坚实的基础。