《Informatics in Medicine Unlocked》：Translational Applications of Artificial Intelligence and Digital Health Technologies in Real-World Healthcare: Opportunities and Challenges
编辑推荐：
人工智能（AI）和数字健康技术正在通过增强诊断准确性、优化治疗策略以及将患者监测扩展到传统临床环境之外来重塑医疗保健的未来。本综述探讨了AI驱动工具的转化应用——包括机器学习（ML）、预测分析和临床决策支持系统（CDSS）——以及数字健康创新，如可穿戴设备、远
人工智能（AI）和数字健康技术正在通过增强诊断准确性、优化治疗策略以及将患者监测扩展到传统临床环境之外来重塑医疗保健的未来。本综述探讨了AI驱动工具的转化应用——包括机器学习（ML）、预测分析和临床决策支持系统（CDSS）——以及数字健康创新，如可穿戴设备、远程医疗和远程患者监测（RPM）。证据显示在诊断精度、早期疾病检测、个性化治疗开发和工作流程效率方面取得了显著进步。此外，AI支持的预测模型在爆发预测和患者结果预测方面展现出前景，而虚拟助手和远程会诊平台增强了患者参与度。尽管取得了这些进展，广泛临床应用的障碍依然存在，包括数据隐私问题、监管碎片化、技术互操作性和医疗保健专业人员的接受度。应对这些挑战需要强大的伦理框架、协调的监管、跨学科合作和可扩展的现实世界验证。虽然手稿经常强调可扩展现实世界验证的关键作用，但必须区分概念验证AI应用——通常局限于受控的回顾性数据集——和已经过严格外部验证并在多样化临床环境中进行前瞻性现实世界测试的模型。概念验证研究证明了可行性，但在优化条件下往往表现过高，而现实世界部署则揭示了由于数据漂移、特定地点变异和未建模混杂因素导致的性能下降。最终，AI和数字健康（AI-DH）的整合有潜力促进更可及、高效和公平的医疗保健系统，但其成功取决于平衡技术创新与患者信任、安全和社会准备度。
在引言部分，研究人员指出人工智能（AI）已成为医疗保健领域极具变革性的工具，但大量研究创新未能成功整合到实际临床工作流中。数字健康创新的支持加速了AI应用的开发与实施，将患者和医疗专业人员的参与扩展到医院环境之外，促进更整体的健康管理方法。AI与数字健康（AI-DH）的交叉不仅承诺更好的临床结果，还描绘了一个技术与人文关怀和谐共存的愿景。本综述通过综合2020年至2025年的90多项研究，提出了新框架，如FHIR联合验证路线图，量化了差距（例如，临床决策支持系统（CDSS）在真实世界与实验室设置中准确率下降75%），并建模投资回报（例如，手术时间节省30%）。与以往总结不同，它引入了AI成熟度的混合指标，包括采用率、AUC基准和公平性评分，为临床医生提供实用工具，用于多站点试验和偏差缓解部署。
在数字健康技术概述部分，研究人员描述了数字健康技术如何将医疗保健从反应性治疗转变为积极、预防性和个性化的护理。通过整合电子健康记录（EHR）、远程医疗、人工智能（AI）、物联网（IoT）和数据分析，医疗系统可以提供更智能、更快速和以患者为中心的服务。数字健康工具极大增强了沟通与协作，特别是在医疗人员和患者之间，促进更连接的医疗生态系统。常见类别包括智能手机应用、可穿戴设备、远程医疗、远程患者监测系统、实时数据分析以及增强和虚拟现实应用。三维（3D）打印在医疗保健中的应用成为关键数字健康技术，能够从数字成像数据（如CT或MRI扫描）直接生产患者特定的医疗设备、解剖模型和组织构建体。AI集成通过机器学习（ML）进一步优化这一过程，改善定制化和效率。云计算在医疗保健中的实际场景涉及一家区医院使用基于云的远程医疗平台存储EHR、上传放射学图像并运行AI辅助分诊仪表板。
在AI-DH整合部分，研究人员解释了医疗保健领域正见证由人工智能（AI）和数字健康技术的新兴出现所带来的深刻转型。AI被定义为计算机执行通常需要人类智能的复杂任务的能力，并能从大量数据中有效学习。数字健康则被视为健康和医疗保健的广泛数字化，增强从先进医院管理系统到创新移动应用的产品和服务组合。AI-DH技术承诺在全球范围内深刻改善医疗保健的可及性和整体质量，使其更高效且可及多样化人群。行业预测表明AI-DH市场将在2026年达到230亿美元，凸显其显著增长潜力。然而，实现这一进展包括一系列复杂挑战，如广泛采用AI-DH创新的结构性和程序性障碍、对AI概念和实施的显著抵制，以及对医疗保健访问和结果公平性的日益关注。
在临床决策支持系统部分，研究人员探讨了电子健康记录（EHR）作为现代医疗保健的基础数据存储库，存储结构化患者信息如人口统计学、诊断、药物、实验室和影像学，以标准化格式（如FHIR）。这些记录支持AI整合用于预测性诊断，例如通过机器学习（ML）历史趋势预测再入院，并提供个性化推荐。物联网（IoT）设备扩展了这一功能，生成连续实时数据流（如通过PPG/ECG的心率和活动），直接馈入EHR进行动态更新和异常检测。远程医疗平台实现远程访问，整合AI驱动的聊天机器人进行分诊和数据分析，在虚拟咨询中实时处理IoT输入，减少错误达93-96%。数据分析统一这些数据，应用ML于多模态数据（EHR + IoT）进行爆发预测和结果预测，而AI通过SHAP等技术提供可解释见解，以建立临床医生信任。AI正在帮助创建临床决策支持系统（CDSS），这些计算机程序旨在帮助医疗专业人员做出更好决策。CDSS依赖医学知识、算法和患者数据提供定制建议、提醒和警报。虽然AI-based CDSS提供增强诊断准确性和优化治疗建议等潜在益处，但近期证据表明其现实世界有效性不一致且高度依赖背景。系统评价和荟萃分析显示，尽管机器学习模型在抗菌药物管理中实现强预测性能（例如，汇总AUC为0.723，准确率75%），但高度异质性、有限的外部验证、门诊/儿科设置代表性不足和可变临床影响 temper这些收益。各种AI方法论已贡献于临床决策支持系统，包括基于知识的AI和数据驱动AI。
在AI算法诊断部分，研究人员指出人工智能（AI）正在迅速推进，有望彻底改变疾病诊断和治疗。医疗保健中的机器人学提供了AI整合的具体现实世界示例，增强手术程序的精确性。达芬奇手术系统（da Vinci Surgical System）是一个机器人平台，实现微创手术如前列腺切除术、子宫切除术和心脏瓣膜修复，为外科医生提供3D高清可视化和颤抖过滤控制，以提高准确性和减少恢复时间。其他应用包括Xenex Germ-Zapping机器人，使用紫外线消毒医院房间，显著减少医院获得性感染如MRSA。大型精心注释的数据集使得成功实施复杂的AI诊断算法成为可能，提供快速、高度准确的诊断。新兴成像技术和创新信号处理技术为亚视觉疾病诊断和连续健康状况监测铺平道路。AI在疾病诊断中的重点领域包括医学、传染病学、放射学、阻塞性尿路病、药物发现和组织病理学。医学图像分析使用X射线、MRI、CT和其他成像模式已被AI革命化，实现更快速、更准确的异常检测。疾病预测模型利用患者数据（包括人口统计学、生命体征、合并症和电子健康记录）预测健康风险。
在治疗计划影响部分，研究人员讨论了诊断后，临床团队面临治疗选择和剂量的关键决策。大数据分析和人工智能（AI）在此背景下作为有价值的决策支持工具出现；AI对药物发现、患者分层和整体治疗成功率提升有显著贡献。数字技术具有将医学转向个体化治疗的变革能力，这一转变承诺改善医疗质量和人口健康。AI驱动的定制疗法使患者、医生和医疗系统能更有效应对当前和新兴医疗挑战。当代医学实践往往仍专注于大患者队列的症状管理，这种策略由于遗传异质性和多病共存流行常导致可变结果。DNA测序、分子诊断和先进成像等技术阐明疾病表现和进展中的显著个体变异性。
在患者监测和管理部分，研究人员描述了AI驱动的可穿戴技术提供连续、无创的生命体征监测。可穿戴设备记录生理信号（如体温、心率和心电图），并通过云服务传输数据给临床医生或患者以供即时查看。Health Guardian框架集成多模态传感器数据，产生个人日常状态的详细图景。数字孪生（digital twins）源自多种生物标志物信号的实时监测，支持自适应现实世界干预。在可穿戴健康设备部分，运动医学领域见证了可穿戴设备的快速发展和利用，用于跟踪和监测运动表现。人工智能（AI）有望整合到可穿戴技术中，扩展其效用。可穿戴健康设备提供关键生理参数的连续、无创监测，实现临床环境外患者健康的实时评估。对于心率监测，设备如智能手表和胸带使用光电容积描记（PPG）传感器或心电图（ECG）贴片检测心率变异性（HRV）、心律失常和应激水平。睡眠监测通过加速度计、陀螺仪和活动记录算法实现，跟踪睡眠阶段、持续时间、效率和干扰。活动监测使用多轴加速度计和GPS量化步数、距离、卡路里消耗、运动强度和久坐行为。
在远程患者监测系统部分，研究人员指出远程患者监测（RPM）使临床医生能够监测患有慢性或急性病症的个体、居家老年护理患者和住院患者使用技术系统。人工智能（AI）在医疗保健中的快速增长、传统护理模型的转变以及计算机处理能力的增加推动了AI增强RPM的采用。AI有助于早期检测健康恶化，支持通过联合学习（federated learning）进行个性化监测，并识别人类行为模式。其贡献包括身体活动分类和紧急情况下生命体征的监测。AI支持的RPM设备包括物联网（IoT）可穿戴设备、传感器、云、雾和边缘计算，以及区块链技术。区块链确保RPM设备间患者数据的防篡改日志，防止未经授权访问并实现提供者间的安全共享。一个关键例子是MedRec，一个由麻省理工学院（MIT）开发的基于以太坊（Ethereum）的平台，在贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）试点，患者通过智能合约管理EHR同意，减少数据孤岛并改善协调同时保持隐私。IoT启用的设备，如可穿戴设备（例如智能手表、ECG贴片）和植入传感器，构成RPM的支柱，通过连续捕获实时数据如心率变异性、氧饱和度、睡眠模式、活动和环境因素。数据无线流式传输到边缘/云平台，AI算法检测异常如心律失常或慢性病症恶化，触发临床医生警报进行干预以防止住院。远程医疗系统利用RPM进行患者分诊、诊断、治疗、咨询和连续监测。基于AI的移动健康应用支持诊断过程并优化治疗。
在数据隐私和安全部分，研究人员强调隐私和数据安全对于成功部署人工智能（AI）和其他数字技术在真实医疗保健环境中至关重要。管理隐私的法规在不同地区和司法管辖区差异很大，涵盖从完全无要求到广泛而彻底限制的方法。政府积极监管各种数字健康相关数据，包括来自联网医疗设备、电子健康记录和其他云存储信息的数据。因此，隐私和数据安全是必须导航的重大基础挑战，以有效推进AI在医疗实践中的整合。在监管框架部分，在快速发展的AI和数字健康技术领域，监管框架发挥着关键作用。关键利益相关者包括行业贸易协会、医疗组织、患者团体和全球监管机构，影响这一新兴景观。世界卫生组织（WHO）在健康AI方面阐述基本原则的努力，承诺保护人类自主权、促进福祉、透明度、责任、包容性和可持续性，试图建立此类框架。促进快速、协调的评估有助于避免延迟，当应用程序由可互操作、安全、稳健、临床相关和透明技术支持时。在数据保护挑战部分，电子健康记录、诊断数据、生物识别、语音分析和生活记录设备数据组合创造了大数据金矿，从隐私角度看。增强的临时措施如虚拟专用网络（VPN）和加密通信协议有助于保护开放无线网络。AI工具生成加密密钥和屏蔽定义，保护云中的敏感信息。然而，数据隐私仍然是首要关注点。确保持续数据保护而不抑制访问训练集是一种微妙平衡。患者往往不愿分享敏感信息。美国现在目睹受保护健康信息泄露的增加。医院经常与外部软件公司共享非匿名化数据。对抗性攻击已被用于欺骗预训练模型。立法需要跟上步伐——高度集中的数据存储库是敏感目标——因此必须仔细制定以跟上数字健康技术发展的步伐。
在AI预测分析部分，研究人员描述了预测分析通过统计技术预测未来事件，增强知情决策。在医学中，它预测传染病爆发、定制治疗计划和管理医院资源。人工智能通过利用高级算法和机器学习（ML）处理大量患者数据扩展了这一能力。识别微妙关联能够生成模型，其预测结果的精确度超过传统方法。自适应学习随时间提高系统准确性。机器学习（ML）算法预测风险因素以支持早期诊断和预防。在预测疾病爆发部分，研究人员指出人工智能（AI）已成为开发创新解决方案以预测新兴和再发传染病爆发的使能工具。早期检测疾病爆发，如COVID-19，已被证明无效，因为病毒最初稀缺。理解病毒变异性与爆发时空动态之间的关系对于增强准备和设计有效干预策略至关重要。Stephens等人利用2014年至2017年的公开记录数据集识别驱动多种疾病爆发的协变量。Park等人描述了AI在COVID-19背景下制药医学的演变，包括化学化合物的预测、先导优化和药物再利用。AI基于对现有COVID-19数据的分析帮助识别可重新用于治疗该疾病的已批准药物。在患者结果预测部分，研究人员讨论了人工智能（AI）有潜力帮助评估患者对医疗治疗的反应。通过从电子健康记录中提取数据，可以开发智能算法来预测不同治疗的结果。这项技术可以帮助预测治疗反应、确定适当药物剂量和评估患者预后。最终，它实现为每个个体识别个性化治疗计划。这些技术基于机器学习（ML），涉及识别和分析复杂数据集中的模式。深度学习（deep learning）是机器学习的一个子集，无需显式编程即可自动分类数据。
在远程医疗和AI部分，研究人员探讨了冠状病毒疾病（COVID-19）大流行深刻影响了全球健康和生活方式。数字健康技术提供实时数据流，通过及时为医生、研究人员和政策制定者提供见解来辅助流行病管理。过去流行病的教训——包括SARS、H1N1和埃博拉——已被纳入COVID-19响应，利用创新数字技术。2007年iPhone的引入使得通过移动片上系统（SoC）平台广泛收集真实世界健康数据成为可能，促进数字健康生态系统增长。第三次技术革命推动了医疗设备的进步——如超级计算机、医疗机器人和全基因组关联研究（GWAS）技术——而第四次革命引入了创新，包括医疗物联网（MIoT）、人工智能（AI）、先进机器人和生物传感器，进一步数字化医疗保健服务。在虚拟咨询部分，研究人员描述数字健康提供全面可能性来改善公共卫生，包括增强疾病筛查、个人健康促进和从连接设备（如可穿戴设备）实时数据获取。对于临床应用，远程医疗涵盖临床护理，而远程健康更广泛地包括教育、行政会议和其他活动。远程咨询促进从任何地点进行诊断和治疗决策。虚拟咨询减少了医疗从业者和患者之间身体接触的需要，限制病毒传播并降低感染风险。基于信息亭和助手调解的远程医疗系统补偿不熟悉数字技术的用户。在AI增强患者参与部分，研究人员指出AI有潜力增强患者参与并鼓励开发健康习惯的努力。患者参与和参与医疗保健决策的增加已导致改善的健康结果和护理质量。完全自动化的AI启用聊天机器人尚未足够强大以取代医疗专业人员提供和个性化健康计划。然而，将基于AI的对话代理整合到数字健康干预中提供了机会，以支持大规模部署数字健康内容给更广泛受众，成本更低。远程医疗系统在现代医疗保健服务中日益流行，促进当患者不能亲自到场时的远程咨询。
在实施挑战部分，研究人员指出在医疗保健系统中实施AI技术带来许多技术挑战。从实验评估过渡到常规临床应用需要基础设施改变以支持连续服务，这可能意味着流程修改对患者结果的不确定影响。依赖多个外部提供者的数据放大运营风险，如中断和通信故障，强调风险管理策略的需要。确保AI系统与现有医院信息系统互操作至关重要；未与标准对齐的专有解决方案可能阻碍个性化和可扩展性。用户接受构成重大障碍，强调需要参与式设计方法，使技术创新与组织背景保持一致，并考虑医疗专业人员的经验和技能。在技术障碍部分，医疗保健面临众多技术障碍，阻碍人工智能（AI）和数字化转型。伦理准则和社会部署原则对于缓解这些挑战并实现变革性医疗体验至关重要。AI算法在特定条件下展示击败几乎每个人类对手的能力，利用卓越的数据处理和访问。在皮肤科背景下，AI在分类皮肤病变方面优于皮肤科医生。AI系统在筛查乳腺X光检查的乳腺癌检测中实现诊断优势，超过放射科医生，凸显AI应用有效过渡到现实世界部署的必要性。尽管整合了来自各个领域的AI——从基于逻辑的模型到机器学习（ML）——到健康和社会护理中，其转化仍受工程复杂性和专业接受障碍限制。在医疗专业人员接受部分，研究人员强调人工智能（AI）和数字健康技术在现实世界临床实践中的转化应用取决于医疗专业人员的广泛接受。理解医生对AI辅助医疗的善意和准备在不同医疗系统中至关重要。尽管对监管框架和技术可行性给予了广泛考虑，AI驱动医疗保健的采用最终取决于数字健康创新者和医疗从业者之间的有意义对话。很少有研究探索医生对实施AI启用系统的看法和亲身体验。一项嵌入葡萄牙医生调查的研究试图通过衡量对AI解决方案在医疗保健相关背景下使用的态度来填补这一空白。
在AI医疗保健案例研究部分，研究人员描述人工智能（AI）是使机器智能的科学和工程，特别是智能计算机程序。它最近作为颠覆性技术出现，可以增强医疗决策并增强数字健康技术以改善健康结果。现实世界案例研究展示了AI的潜在益处，但也说明了挑战，包括数据隐私和用户接受度。在成功实施部分，人工智能（AI）在医疗保健中的应用在过去十年显著增长，协助提供者在诊断、筛查、随访安排、治疗计划和风险分析等任务。本研究探讨AI-DH技术的转化应用——智能手机、患者可穿戴和传感设备、远程临床监测、远程医疗平台、虚拟助手、电子健康记录、影像学方案和疾病注册表——在现实世界临床工作流和实践中。成功案例和挑战根据这些两种互补但相互关联的技术进行审查。在失败教训部分，研究人员指出人工智能（AI）的快速出现为转变当前临床实践和医疗保健系统提供了前所未有的机会。然而，几个限制阻碍了临床环境中潜在进步。一些框架和指导文件已被提出以促进AI系统在现实世界临床环境中的实施，特别是在医疗保健研究中。对三级医院慢性患者数字技术的评估表明，获得数字疗法公共报销需要疗效和效果的可靠证据。因此，支持生成此类证明的合理市场策略或医疗设备软件（MDSW）监管对于广泛采用至关重要。在试点研究期间，原型的有限技术稳健性限制了医疗价值生成和可持续性的优化。
在未来方向部分，研究人员指出人工智能（AI）和数字健康的技术进步正在医学中开创一个新纪元。尽管快速进展和引入临床实践，简化协调对于充分利用AI-DH的巨大潜力以转变患者护理至关重要。数字健康技术（例如可穿戴传感器设备、视频、虚拟和增强现实、聊天机器人和物联网）以及应用于精准医学的AI催生了新的健康生态系统的出现。AI被广泛认为是数字健康技术的支柱，增强数据共享技术。克服与公共政策、经济和医疗挑战相关的障碍，以及开发适当基础设施和确保训练有素劳动力的可用性，必须完成以最大化整合。当前数字健康技术和AI的采用已有效改善临床筛查、优化患者医疗并实现疾病预测。在新兴技术部分，研究人员描述人工智能（AI）是一门专注于系统中自动化智能行为的跨学科科学。医疗保健是采用此类技术的最快变化部门之一，诊断算法辅助治疗计划，可穿戴传感器支持远程患者监测。数字健康是一个增长的跨学科领域，由移动电话、物联网设备、可穿戴传感器和云计算推动，提供个性化、预测性和预防性医疗服务。AI应用通常需要临床或合成训练数据。当代信息和通信技术已与AI技术结合，并应用于新领域，如可穿戴设备、移动健康、远程健康和远程医疗。在潜在影响部分，人工智能（AI）有助于药物重定位和新药开发，特别是对于罕见疾病。它可以模拟药物-靶标相互作用并预测副作用如QT间期延长。AI还承诺通过自动化改善医疗保健提供和组织效率，增强患者结果并加速护理过程。
在AI应用伦理考虑部分，研究人员指出基于人工智能（AI）和数字健康技术驱动的系统依赖大量代表性数据来支持诊断和治疗的算法推荐。有偏见的数据集、模型和训练过程可能产生扭曲预期应用现实的结果。不同人群的结果模型，如基于电子健康记录的模型，可能受到纳入偏倚、观察偏倚和报告偏倚的影响。隐私挑战已存在于数字健康中，AI技术加剧了这些挑战，因为AI依赖于大型数据集并从中获取价值，而大量数字健康数据是从可穿戴设备和植入设备收集的。寻求吸引消费者提供互补解决方案以增强远程患者互动的远程医疗中基于AI的应用，对数据隐私和保护产生持续挑战。相关关注是同意。即使数据是自愿提供的，为某一目的提供数据的个人通常不期望其数据用于后续目的。由于难以从AI模型中提取和匿名化有意义信息，隐私违规的潜力延伸到模型本身的应用，而不仅仅是用于训练它们的数据的应用。在AI算法偏倚部分，研究人员解释人工智能算法可能从训练数据中与受保护特征的关联中获得系统性偏倚，这可能扭曲模型推断。偏倚检测分析工具帮助缓解此类系统性偏倚和其他有害捷径。一种方法是使用概念激活向量（TCAV）进行测试，通过揭示数据集中与单个特征的意外关联来识别算法偏倚。IBM的AI Fairness 360（AIF360）框架假设可用数据集中多样性不足，并纳入指标——包括不相等影响和统计平等差异——来检测由此产生的歧视。AIF360补充了几个偏倚缓解算法，如重新加权和偏倚移除。它还提供了一个十题评估工具，解决数据集代表性、数据准备技术、模型选择和公平性标准以及算法性能相对于人类比较器的问题。这些资源在增强机器学习算法的公平性和准确性方面发挥着关键作用，这些算法有望革命化众多医学专业的诊断和治疗策略。在知情同意问题部分，研究人员讨论人工智能（AI）在数字医疗环境中的普遍采用为知情同意带来新挑战。努力在患者的自决权与临床医生提供最佳可用医疗护理的职责之间取得平衡，促使重新考虑惯用的同意方法。患者可以在护理的每一步接受或拒绝AI协助，从而根据个人偏好控制治疗。一套知情同意指南已出现以支持此类患者赋权，详细说明AI的操作角色，并提出伦理部署的保障措施。透明沟通是必要的，以确保AI对接收者完全可理解，并且可以在不造成干扰的情况下解除限制。
在数字健康中利益相关者的角色部分，研究人员描述人工智能与新兴数字健康领域的融合为疾病管理提供了新途径，并提高了医疗系统的效率。随着AI技术驱动的数字健康应用应用于现实世界临床环境，必须解决与数据隐私和安全、监管和验证相关的各种挑战。临床医生也需要培训，以发展支持和实施数字健康服务和AI决策支持工具在日常实践中的必要技能。AI应用算法、模型和产品的最新进展和开发必须在现实世界实施的背景下看待。基于技术、临床相关性和监管视角的整合讨论促进了转化研究，弥合了技术与患者护理之间的差距。基于AI的算法和工具可以实现一系列数字健康技术，转变医疗保健提供。在新兴数字健康领域，临床决策支持系统（例如诊断算法）、患者监测和管理系统（例如早期预警和可穿戴设备）以及数据隐私和安全处于前沿。将新技术纳入诊断数字健康技术（DHT）应用的临床决策支持系统，扩大了早期疾病识别和适当治疗规划的前景。通过将新的AI驱动预测技术引入患者监测DHT，疾病的早期检测和预防管理得到增强。远程咨询和随访建议提供监测和管理服务，实现虚拟护理和援助。在政府与政策制定者部分，研究人员指出政府和监管机构承担管理医疗保健系统的责任，以及服务和医疗专业的监管和治理。促进数字健康技术的安全有效采用需要制定适应性标准和开放监管框架，以响应市场动态和颠覆性技术。如果系统要经得起未来考验、维持优质服务并支持医疗系统改革，就需要专家领导。通过建立许多国际标准和开发卫生系统框架，已取得进展。数字健康部署的创新有所增加，但大多数倡议仍局限于地方层面。在医疗提供者和患者部分，研究人员讨论健康和医疗中数字技术的采用呈指数增长，由人工智能（AI）方法推动。数字疗法是指使用软件和应用程序（例如基于平板电脑的认知评估）来支持和改善健康和福祉，而数字医学涉及可测量、客观、科学级数据和方法。AI与大数据和传感技术结合，能够收集广泛的生理和行为健康信号（例如心电图、脑电图、呼吸、皮肤电阻、运动、社交互动）。使用AI分析这些数据可以实现精确和客观的健康评估。这些发展的一个关键益处是能够持续评估健康，这是传统的一对一医疗接触模型无法提供的。
在跨学科合作成功部分，研究人员强调当应用于转化挑战时，如减少医院资源使用，协作的跨学科团队科学方法是必要的。几个团队静修会议提供了富有成效的论坛，用于头脑风暴、问题解决和进展评估。合作对于准备遵守操作、伦理和社会保障的AI系统是必要的。现有利益相关者之间的协调努力，包括政策专业人员、医疗工作者和患者，塑造和推进公共卫生倡议。在设计者、工程师和临床医生的初步合作基础上，重点仍然是跨学科团队合作，以加速AI和数字健康技术转化应用的研究和开发。在技术与健康部门合作部分，研究人员描述移动技术、可穿戴设备和通信网络的快速发展改变了医疗保健格局。这一转变需要技术与健康部门之间的持续合作，以释放数字健康的全部潜力，如果没有这种合作，数字健康仍相对未开发。数字健康技术，由数字和移动计算的进步驱动，有潜力改善医疗保健安全、质量和效率；促进行为改变和福祉；实现准确诊断和及时治疗；以及促进积极干预。实现这些目标需要政策制定者、医疗提供者、技术公司、资助机构、从业者和个人之间的合作，以优化数字健康在医疗系统中的整合，同时解决技术挑战、数据保护、安全问题以及社会、文化和法律问题。人工智能（AI）是这一转型的关键推动者；尽管AI在技术和企业部门已使用超过半个世纪，但技术限制以前阻碍了其广泛应用。随着计算资源的进步，AI已进入“黄金时代”，可以支持医疗保健提供、增强知识和决策，以及促进沟通。因此，促进技术与健康部门之间的合作对于在数字健康中充分实现AI的潜力至关重要。在不同专业知识重要性部分，研究人员指出生物信息学家、软件开发人员、工程师和临床医生——每个提供特定领域知识——之间的成功多学科合作是必要的。缺乏利用多个专业知识优势的横向提案通常阻碍数字健康技术的有效采用。需要全面了解医疗系统，以预见日常实践中面临的困难和接受性问题。
在结论部分，研究人员总结AI-DH技术为精准诊断、个性化治疗、预测分析和远程监测提供了变革
