《Current Transplantation Reports》：Evolving AI Integration in Complex Medical Decision-Making and Multidisciplinary Transplant Care: A Systematic Review of Human-AI Collaboration
目的：医疗保健领域的人工智能已从早期被视为可替代临床判断的专家系统，显著演进至旨在增强医师决策的协作框架。这种演进在移植外科等领域尤为关键，该领域的决策具有不可逆性，且需整合复杂且常存在歧义的数据。研究人员基于2019年至2025年的同行评议文献开展系统评价，分析了区分成功人机协作伙伴关系与失败案例的关键要素。
近期发现：理想平衡需通过加权整合方法将人类专业知识融入人工智能系统，而非采用二元接受或拒绝范式。这种精细整合要求具备理解和适应各病例独特情境的能力，凸显了医学专业人员与研究人员工作的复杂性和重要性。对于代表复杂决策实践的移植外科医师而言，当前基于二元逻辑的人工智能方法难以捕捉有效决策所需的细致推理。来自随机对照试验和多中心验证研究的证据表明，人机协作系统在结局上优于单独的人类或人工智能表现。
总结：本系统评价追溯了医疗决策中人-机协作的演进历程，识别了限制真正协作组队的差距，并探讨了模糊逻辑系统如何为支持复杂决策提供框架，同时保持外科医师做出自信决策所需的临床可解释性。
引言
人工智能在医疗领域的应用已从20世纪70年代被视为可替代临床判断的早期专家系统，显著演进至旨在增强医师决策的协作框架。尽管MYCIN等系统在技术层面表现出色，诊断准确率与传染病专家相当，但因未能理解医师与技术交互的本质而未能在临床广泛推广。这些早期经验表明，仅靠技术无法确保医疗场景的成功落地，成功的人工智能整合需要理解医疗情境中人类决策的细微本质。当前，随着人工智能能力的快速发展，医学界面临如何构建支持而非替代人类专业知识的协作框架这一核心问题。
这种演进在移植外科等领域尤为关键，其决策具有不可逆性，且需整合多个常相互冲突的数据流。移植外科是复杂医疗决策的典范，情境决定恰当行动，且临床实践中边缘病例占主导。对于代表医学中较精细决策过程的移植外科医师而言，当前基于二元逻辑的人工智能方法难以捕捉有效决策所需的高级推理。近期随机对照试验证据为最优人机协作模式提供了重要见解，强调医师应与人工智能形成伙伴关系，而非仅单纯接受或拒绝人工智能建议。Osmanodja等发表的PRIMA-AI（Prospectively Investigating the Impact of AI on Shared Decision-Making in Post-Kidney Transplant Care，前瞻性研究人工智能对肾移植术后护理中共同决策的影响）随机对照试验方案，纳入122例肾移植受者，旨在评估基于移植物丢失风险预测的人工智能是否会增加治疗选择讨论频率并支持共同决策，是该领域首批专门的随机对照试验之一。
当前医疗人工智能系统常充当外部验证者，提供二元接受或拒绝建议，却未整合医师通过多年本地实践形成的情境专业知识。典型实施流程的常见挑战是缺乏全面审查以确定将人工智能整合入医疗系统的有效设计需求，同时工程师对医学领域的有限理解也会导致模型实施欠佳。人工智能对医学的影响持续增长，正推动医疗交付从更以人为本的方法转向人工智能决策支持。2024年多伦多大学健康网络Ajmera移植中心主办的首次移植人工智能研讨会强调：“模型方法必须透明且经过广泛验证，包括通过随机对照试验证明性能，以培养医师和患者的信任”。
研究人员综述证据表明，人机协作系统比单独人类或人工智能表现能取得更积极的结局，理想平衡是通过加权整合方法将人类专业知识融入人工智能，而非二元接受或拒绝范式。近期综合综述显示，人工智能与机器学习技术通过整合复杂数据集优化供体-受体匹配，实现更精准的器官分配并提升移植成功率。本综述聚焦该领域的原因在于移植决策具有不可逆性，且涉及整合多个常相互冲突的数据流。
本系统评价梳理了医疗决策中人-机协作的演进，识别限制真正协作的差距，并探讨弥合这些差距的新兴方法。移植外科作为主要范例，决定是否接受器官涉及需多学科团队协调、伦理考量及处理不确定性的复杂临床选择。综述覆盖人机协作的全部挑战谱系，从技术数据整合、伦理资源分配到不确定性下的时效性决策。研究人员探讨了模糊逻辑系统等新兴方法如何克服二元人工智能方法的局限，同时保持外科医师做出自信决策所需的临床可解释性。模糊逻辑系统是采用隶属度而非刚性二元分类进行推理的计算框架：标准算法将肾脏分类为“可接受”或“不可接受”，而模糊系统可表征中间粒度，如“鉴于受体紧迫性属于边缘但可接受”，反映临床医师评估复杂病例时的连续推理逻辑。进展依赖于使医师能将其经验知识直接融入人工智能推理的系统，超越建议工具，迈向真正的协作推理伙伴，保持以人为本的方法，并在医疗决策中优先考虑人类判断。
方法
本研究遵循《系统评价与Meta分析报告规范》（PRISMA）2020指南开展系统文献评价，采用PRISMA 2020扩展清单，并符合《临床试验报告统一标准-人工智能扩展》（CONSORT-AI）要求。研究方案预先制定以减少偏倚并确保检索策略与筛选标准的可重复性。
研究在PubMed/MEDLINE、Embase、Cochrane Library、IEEE Xplore、Web of Science、Scopus、CINAHL和PsycINFO共8个电子数据库中开展全面检索，时间跨度为2019年1月至2025年7月。检索策略结合医学主题词与自由词，通过布尔运算符连接：（“artificial intelligence” OR “machine learning” OR “deep learning” OR “neural networks” OR “fuzzy logic”）AND（“transplant” OR “organ transplant” OR “kidney transplant” OR “liver transplant” OR “heart transplant” OR “lung transplant”）AND（“human-AI collaboration” OR “clinical decision support” OR “decision making” OR “human-computer interaction”）AND（“validation” OR “clinical trial” OR “randomized controlled trial” OR “effectiveness”）。
纳入标准为2019年1月至2025年7月发表的同行评议文章，满足以下条件之一：涉及移植外科或相关临床决策中人工智能应用的队列、报告验证方法或含性能指标的临床结局队列、含定量结果的人机协作框架队列、移植领域人工智能的系统评价或Meta分析。2019年前发表的基础性队列若为人机协作演进提供关键背景则予以纳入。
排除标准包括无全文的会议摘要、仅涉及动物模型的队列、无验证数据或临床结局的文章、非英文出版物、无原始数据的社论或观点类文章。验证过程中重复或与研究目标不符的队列也被排除。
经标题与摘要初筛后，对全文进行资格评估。去重流程识别并移除重复发表文献，核实其与研究目标的适用性。系统检索共识别2847篇潜在相关文章，经标题与摘要筛选排除2720篇，剩余127项队列进入全文评审。所有127项队列均符合纳入标准，但经适用性核实后，42项因重复或与研究具体目标不符被移除，最终85项队列纳入分析。总参考文献列表含88条引文，其中3条为综述过程的方法学框架而非分析队列。筛选优先选择不仅关注人工智能系统是否有效，更关注其与临床工作流程整合、展示可测量改进及维持适当验证标准的队列，这对理解技术上成功的系统为何常在临床实践中失败至关重要。
数据提取由第一作者使用结构化框架完成，系统捕获研究特征、验证方法、性能指标和临床结局。合著者审核提取数据的完整性与准确性，补充来源以核实结果。提取信息包括作者详情与发表年份、研究设计与方法学、样本量与患者人口学特征、移植器官类型、采用的人工智能技术及具体算法、所用验证方法、报告的性能指标（如灵敏度、特异度、曲线下面积）、测量的临床结局、人机协作框架、实施障碍与促进因素。
质量评估遵循预测模型偏倚风险评估工具（PROBAST）用于预测模型队列，以及CONSORT-AI清单用于干预试验。PROBAST质量评估显示预测模型队列的偏倚风险水平不一，多数在参与者选择与结局评估方面为低到中度风险。采用CONSORT-AI框架的队列报告完整性更高，尤其在描述人工智能干预特征与实施细节方面。
该分析方法确保全面覆盖关键主题，同时保持对临床相关性与循证结局的关注。分析优先理解技术性能之外的维度：与现有临床流程的工作流程兼容性、用户接受度与采用率、临床人员培训需求、与标准临床实践的比较、患者结局的可测量改进、成本效益考量。
鉴于纳入队列的异质性，采用叙述性合成方法。队列按移植器官类型、人工智能应用领域（包括预测、诊断、决策支持）、验证方法和临床结局指标分组。分析发表模式的时序趋势，识别研究期间移植领域人工智能应用的演进。结果按PRISMA指南报告，包括描述研究筛选流程的流程图、研究特征汇总表，以及按主题类别组织的核心发现叙述性合成。
结果
最终队列包含85项队列，覆盖多种移植器官类型与人工智能应用领域。85项纳入队列的方法学质量稳健，76项队列（89%）报告了具体验证方法，65项队列（76%）提供了可测量的临床结局。验证与结局报告的高比例反映了筛选过程优先选择不仅关注技术功能，还关注临床工作流程整合、患者护理可测量改进及符合适当验证标准的队列，这对理解技术上成功的人工智能系统为何常无法实现有意义的临床落地至关重要。
移植类型的队列分布显示，肾移植是代表性最高的领域（48%），其次为肝移植（28%）、心脏移植（15%）和肺移植（9%）。2024年器官获取与移植网络数据显示，肾移植27759例（占四大实体器官移植的59%）、肝移植11458例（24%）、心脏移植4572例（10%）、肺移植3340例（7%）。肝、心、肺移植在人工智能文献中的占比高于其手术量占比，可能反映这些领域临床复杂度与决策不确定性更高。肾移植因手术量更高、流程标准化更强，尤其适合人工智能整合，但其在研究文献中的占比（48%）低于手术量占比（59%）。
发表模式的时序分析显示，研究期间人工智能-移植研究的加速增长显著：2019-2020年占12%，2021-2022年占31%，2023-2025年占57%。这种指数级增长轨迹不仅反映医疗人工智能更广泛的技术革命，也表明研究正从概念验证转向验证与临床实施阶段。2023-2025年发表的集中尤其强调转化研究的增长，旨在弥合算法定开发与临床实践之间的鸿沟。
这些发现将本综述置于医疗技术革命的背景下，其特点是人工智能应用快速增长，技术能力与广度深度同步扩展。移植领域医疗决策的复杂性为考察人机协作演进提供了极佳场域，因其涵盖不可逆决策、多重冲突数据流、时效性干预及资源分配的伦理考量。通过对这85项队列的分析，研究人员梳理了医疗决策中人-机协作的演进，识别了移植医学中限制人与人工智能系统真正协作组队的关键差距，并探讨了弥合这些差距的方法。移植决策的复杂性提供了一个汇聚上述主题的场域，跨领域证据的启示可为未来系统设计提供参考。
从替代到协作的演进
神谕模型的失败
早期医疗人工智能系统被定位为旨在自动化并替代人类专家的电子顾问，体现了所谓的“希腊神谕”决策支持模型。这一隐喻源于古希腊神谕提供隐晦且常模糊的建议，类似于用常规谷歌搜索术语后试图解读海量信息变体。
尽管对这些开创性人工智能项目充满热情，早期系统MYCIN被归类为神谕模型。其包含350条编码临床决策标准的“如果-那么”生产规则知识库，取得了卓越的技术成功：治疗方案符合斯坦福大学传染病专家标准的达90.9%。尽管MYCIN证明了人工智能可捕获并应用专业医学知识，但该技术尝试最终因与医师工作流程和职业认同的严重错位而未能临床采用。
失败揭示了替代导向方法的根本问题。人工智能系统要求医师手动将大量患者数据录入独立平台，造成工作流程中断，使常规使用不切实际。这干扰了医师常规的患者护理流程，增加了临床决策所需时间。更关键的是，将这些系统定位为诊断权威而非协作工具引发了职业抵触。医师视自身为熟练的诊断者而非中介，准确诊断是临床医师最具职业满足感的活动之一。
近期政府分析证实了这些挑战的持续存在。美国国家标准与技术研究院识别出人工智能系统中的三类偏倚：系统性偏倚、统计偏倚和人类偏倚。系统性偏倚源于数据中嵌入的制度实践和历史不平等，例如种族校正估算肾小球滤过率方程曾系统性延迟黑人的肾移植资格。统计偏倚发生于训练数据主要来自高容量学术中心，导致在社区移植项目中表现不佳。人类偏倚反映了开发者和使用者的认知倾向，包括确认偏倚，即临床医师选择性关注与其初步评估一致的人工智能建议。每一类都导致了早期系统的失败，并持续挑战现代实施。这一分析强化了将本地情境与外科医师特定方法整合的重要性，模糊联想记忆系统可解决一刀切人工智能模型的固有偏倚。
近期一项分析外科手术人工智能应用的系统评价发现，45%的队列提及验证问题，26%报告模型训练问题，18%引用可扩展性限制。这种持续存在的模式强调了将本地情境与外科医师特定方法整合的重要性，模糊联想记忆系统有助于缓解一刀切人工智能模型的固有偏倚。
向增强的范式转变
认识到人工智能应增强而非替代临床判断，不仅是医疗领域的语义转变，更是对医患关系的根本性重构。这一转变源于认识到最优临床结局不依赖单独的人工智能或人类专业知识，而依赖二者的协同组合。现代方法强调“根本解决方案出现在人机协作中，其结合了医疗服务提供者的认知优势与人工智能的分析能力”。这一洞见承认了临床医师参与医疗过程的重要性。虽然人工智能擅长跨海量数据集的模式识别，但医师带来情境理解、伦理推理和自适应判断，这些是任何算法都无法复制的，使其与人工智能的协作至关重要。
当代框架已将人工智能定位为“增强智能”，即辅助而非替代临床推理的人类智能补充。这种演进反映了对医疗实践复杂社会技术本质理解的加深。该环境中的成功不仅依赖算法准确性，还依赖在利用计算能力的同时保留医师洞察力。人工智能在保留和增强医师洞察力方面的作用，对于在技术进步的背景下 reassure 其专业知识的价值至关重要。当审视成功实施时，这一转变的意义变得清晰：尊重临床专业知识的系统带来了采用率和结局改善，而试图替代医师判断的系统则遭遇抵触和弃用。这种人-人工智能系统伙伴关系代表了医疗领域的重大进步，更多协作模式正在多个医疗场景中涌现。临床医师与人工智能系统之间的信任仍是成功的基础，随着人工智能持续演进并通过改善人机协作变革患者护理。
这一观点得到了医疗领域外洞见的进一步验证。Duranton对成功人机伙伴关系的分析提出，当算法和技术占决策过程的30%以内，人类输入占剩余大部分时，持续产生最优结局。这一70/30的拆分并非任意，它反映了关于决策复杂性的基本事实：人类占多数确保了情境因素、伦理考量和自适应推理在决策中保持核心地位。这一比例在移植外科等领域尤为相关，每个决策涉及医疗、伦理和资源考量的独特组合，需要人类判断来有效导航。
多模态数据整合：当前挑战与解决方案
医疗决策的复杂性要求复杂的数据整合方法，而随着医疗生成日益多样的数据流，这一挑战呈指数级加剧。现代医疗生成Wang和Preininger描述的“多组学数据、临床数据、行为数据、环境数据和药物研发数据”。这种数据多样性不仅是技术挑战，还反映了人类健康的多面性，生物、行为和环境因素在其中以复杂方式相互作用。这一挑战在移植外科中加剧，决策必须同时整合供体特征、受体因素、器官质量评估、机构能力和时间限制，且全程与时间赛跑。
近期进展展示了人工智能进行复杂数据整合的能力。整合盒预后系统在国际27个国家44个中心的27000例患者中得到验证，整合了供体来源游离DNA、免疫标记物和分子显微镜数据。该系统已获得欧洲药品管理局认可，证明了移植领域复杂多模态人工智能整合的可行性。
当前人工智能方法揭示了一个根本局限：它们为特定数据类型设计，难以应对定义临床实践的整合推理。正如Wang和Preininger指出的，“深度学习方法可从给定数据集自动找到合适的数学表示，但针对给定输入类型训练后，无法接受其他输入类型”。这种不灵活性在移植中尤为成问题，关键信需来自多个异质来源并实时整合。外科医师评估潜在器官时必须同时处理实验室值、影像结果、临床史甚至触觉评估，这种多模态整合是当前人工智能系统无法复制的。
然而，新兴多模态系统通过保留临床推理模式同时提供计算支持的验证框架解决这些限制。基于此认识，Carter-Browne等的多学科框架为纯技术解决方案失败的原因提供了关键洞见。其分析强调，有效的人机团队要求系统认识到“团队中没有‘人工智能’”，这一挑衅性表述捕捉了一个基本事实。
成功整合要求将人工智能理解为复杂社会技术系统的组成部分，而非独立主体，人类能动性和情境因素在其中保持首要地位。这一观点在移植中尤为关键，“系统”不仅包括技术，还包括器官获取组织、移植团队和必须无缝协调的监管框架。未能考虑这一更广泛的系统背景解释了为何许多技术上成熟的人工智能工具未能改善现实世界结局。
最优协作的实验证据
随机对照试验证据
PRIMA-AI随机对照试验代表了移植护理中人机协作的突破性证据。这项为期2年的前瞻性队列纳入122例肾移植后患者，证明人工智能支持的共同决策比标准护理改善了患者结局。该试验方案遵循《干预试验标准方案项目-人工智能扩展》指南，为人工智能干预研究建立了严格方法学。
临床实践中的贝叶斯式整合
近期实验证据为复杂的协作模型提供了令人信服的验证，从根本上挑战了关于人机交互的假设。Reverberi等的标志性研究纳入21名内镜医师回顾504段结肠镜视频，揭示了应指导医疗人工智能系统设计的模式。尽管该研究源于内镜领域，但医师对其自身评估与人工智能输出进行加权整合的基本认知机制是领域无关的，可直接应用于移植外科，外科医师在评估器官分配时也以类似方式权衡多个竞争因素。医师并非简单接受或拒绝人工智能建议——这是当前实施中占主导的二元模型，而是通过“对其与人工智能意见进行加权整合，考虑两者可靠性的逐例估计”实现了更优表现。这一发现值得注意，因为它证明医师自然地进行着复杂概率评估，而我们简化的人工智能界面未能支持这种评估。
这种整合的复杂性在数字中显现。这种类贝叶斯理性行为使人机混合团队显著优于单独任一主体，这种协同效应仅在系统支持精细交互时才会出现。内镜医师受人工智能建议影响（比值比=3.05），但表现出显著的辨别力：当人工智能正确时更易遵循其建议（比值比=3.48），错误时则较低（比值比=1.85）。这种选择性整合揭示了一种未被充分重视的能力——医师自然发展出人工智能可靠性的心智模型，并相应调整信任。这种能力代表了一种元认知能力，当前的二元系统不仅未能利用，反而通过强制全有或全无的决策积极抑制了这种能力。
自然可靠性评估
实验证据中最引人注目的发现或许是，医师在没有当前人工智能开发努力所主导的显式置信度评分或透明度机制的情况下，实现了最优整合。这对医师需要从人工智能系统获得什么的基本假设提出了挑战。医师不是通过数值概率或详细解释，而是通过间接线索发展出对人工智能可靠性的直觉评估：“人工智能诊断的持续存在和无预测输出的比率”。有效的协作系统不应仅依赖算法透明度，还需要利用医师自然识别模式的能力。
这种评估过程的人类相似性为设计成功系统提供了关键洞见。研究表明，医师“似乎像评估同事那样评估人工智能置信度，感知其犹豫”。这种拟人化的人工智能行为解读并非偶然，而是一种使医师能将评估人类同事可靠性的成熟技能应用于人工智能系统的特征。这些自然可靠性评估模式可直接转化到移植领域。移植外科医师在多学科团队会议讨论器官供体时，已通过间接行为线索判断同事的信心。支持移植决策的人工智能系统可通过提供分级评估而非二元建议，以此认知技能为基础。这种人际评估技能的自然转化，为设计支持而非替代既定临床推理模式的系统提供了基础。
Topol对人机协作的研究进一步支持了这种理解，其强调人类与人工智能融合对临床改善的重要性，而非替代人类医学专业知识。成功的人工智能实施需要认识和利用医师的专业知识，整合复杂多模态信息，而非试图用纯算法解决方案替代外科医师的推理能力。必须采用尊重和放大人类认知优势的设计理念，而非将其视为需克服的局限。
已验证的临床应用
西班牙供受体分配模型在多中心实施，覆盖11个移植中心，移植物存活预测准确率达90.79%，移植物丢失预测准确率达71.42%。伦敦国王学院医院的外部验证显示，其曲线下面积比终末期肝病模型评分高15%，是肝移植领域至本综述为止最广泛外部验证的供受体匹配系统。
肾分配模糊推理系统实现了71.7%的专家一致性，传统方法仅为43.3%，且在估算移植后存活期和年龄匹配方面有显著改善。这是经过严格临床验证、使用既定临床结局指标的模糊推理系统在实际医疗应用中的良好范例。
性能指标与比较有效性
不同移植类型的定量结局
系统分析显示人工智能性能优势在各移植领域一致。肝移植中，神经网络曲线下面积达0.82-0.84，优于标准肝脏评分系统，包括终末期肝病模型、风险平衡评分（0.62）、肝移植后生存结局评分（0.57-0.64）和供体风险指数（0.68）。机器学习模型同时处理26个交互临床变量的能力揭示了隐藏的风险模式，梯度提升模型识别出体重指数、肌酐和高血压在不同糖尿病亚组中的预测重要性差异高达3倍，实现了曲线下面积达0.72的个性化生存预测，这些洞见难以用传统单变量分析捕获。人工神经网络预测肝移植后急性细胞排斥发作的曲线下面积为0.902（95%置信区间0.861-0.944），活检证实排斥发作的曲线下面积为0.848（95%置信区间0.792-0.904）。859例肾移植受者的极端梯度提升模型对即刻移植物功能的预测性能稳健，曲线下面积0.78（95%置信区间0.71-0.84），灵敏度64%，特异度78%，正确识别出21.7%发生即刻移植物功能的患者。31项队列的Meta分析显示，机器学习模型预测肾移植长期存活（超过3年）的曲线下面积为0.74，灵敏度81%，特异度81%。整合盒系统在欧美10个学术医学中心的肾移植受者中得到验证，并在3项随机对照试验中额外验证，满足了监管机构和医学会对肾移植试验稳健替代终点的需求。
心脏移植机器学习模型显示出优于传统方法的预测性能，部分模型在自动组织病理学排斥检测方面前景良好。移植排斥检测的深度学习模型验证准确率达95%（肺移植急性细胞排斥）和曲线下面积达0.962（心脏同种异体排斥），优于传统诊断方法。肺移植研究显示，随机生存森林预测肺移植患者总生存的整合曲线下面积为0.879。预测肺移植后气道狭窄的最优机器学习模型经bootstrap重采样内部验证曲线下面积为0.760（95%置信区间0.666-0.864）。基于机器学习的肺移植高级预测工具评分系统预测肺移植存活的C统计量为0.72（10年死亡率），有效将受者分层为风险组，中位生存期从5.2年到10.5年不等。模型准确性经验证，中危受者预测与观察到的1年生存率一致性达89%，证明其在短期和长期结局预测中均性能可靠。
人机协作有效性
近期队列证明了协作方法的可测量获益。研究表明，人工智能辅助医学影像可减少27.20%的阅读时间和44.47%的工作量。更早的检测通常带来更低的治疗成本，多项队列显示人工智能帮助临床医师更早发现疾病，此时治疗更具成本效益。人工智能手术护理模型的开发需实现对手术各阶段（术前、术中、术后）的复杂稳健评估，关注循证结果并考虑所有手术团队成员对结局数据的影响。研究显示，人工智能支持手术规划可减少28%的并发症，达到78%的安全关键视图达成率，而无人工智能辅助时仅为11%。
经济验证与成本效益
一项纳入21项队列的系统评价发现，62%的队列报告人工智能干预相比标准护理具有成本效益或占优（即更有效且成本更低）。Ashiku等的研究通过绘制肾分配系统中的具体干预点，推进了对人工智能可在器官移植中提供切实获益的理解。其工作识别出关键决策瓶颈：约20%的死亡供体肾脏当前被丢弃，既代表挽救生命机会的丧失，也代表医疗资源的浪费。最优决策阈值需要88%的灵敏度和80%的特异度。美国外科医师学会支持探索新技术和方法，通过改善移植器官匹配减少住院时长并降低长期并发症成本。
系统设计启示
实验证据要求从根本上重新思考医疗人工智能设计原则，超越当前对算法准确性、公平性和可解释性的关注。系统成功与否不应仅依赖是否实现略优的诊断准确性或提供详细的算法解释，而必须使医师能够进行其自然偏好的加权整合，这与其日常实践最为相似。这种焦点转移不仅是理论上的，
