作者：北京大学公共卫生学院教授、博导 刘 民
清华大学万科公共卫生与健康学院教授、博导 梁万年
【摘要】“医学+AI”的意义不止于技术赋能医疗服务，更在于其对卫生健康治理体系的深度重塑。通过对海量健康数据的系统整合与智能分析，人工智能技术能够显著提升疾病预测、风险识别和决策支持能力，从而在不依赖等比例资源投入前提下，提高卫生健康系统的运行效率与治理效能。为将“医学+AI”的技术红利系统转化为公共价值，需坚持技术创新与制度创新并重，强化风险治理，确保人工智能沿着有益、安全、公平的方向发展，使其成为建设健康中国和增进全民健康福祉的长期支撑。
【关键词】医学人工智能 健康中国 智慧医疗
【中图分类号】R19 【文献标识码】A
当前，新一轮科技革命和产业变革深入发展，以人工智能（AI）为代表的新一代信息技术加速演进。《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》提出：“全面实施‘人工智能+’行动”，“加强人工智能同产业发展、文化建设、民生保障、社会治理相结合，抢占人工智能产业应用制高点，全方位赋能千行百业。”①“医学+AI”正从技术探索走向卫生健康事业的“主战场”，这不仅是技术工具的迭代升级，而且是关乎健康中国建设、社会治理现代化的重要命题。《“健康中国2030”规划纲要》提出，到2030年，“健康科技创新整体实力位居世界前列”②。随着“医学+AI”持续赋能健康中国建设，我国将加速建成更加公平可及、系统连续、优质高效的健康服务体系。
“医学+AI”从技术应用走向健康治理
人民健康是民族昌盛和国家强盛的重要标志，也是国家治理体系中最具基础性和普惠性的公共议题之一。随着经济社会发展水平不断提升，我国居民健康需求已由“有没有”加快转向“好不好”“优不优”，对医疗服务的质量、安全性、连续性与公平性提出更高要求。与此同时，人口老龄化进程持续加快，慢性非传染性疾病负担不断加重，公共卫生风险呈现多源叠加、跨界扩散的新特征。传统依赖人力投入和机构扩张的卫生发展模式难以持续，卫生健康体系在资源配置效率、服务协同性与风险应对能力等方面，面临结构性约束。在此背景下，健康中国战略不是单一领域的民生政策，而是成为衡量国家治理体系和治理能力现代化水平的重要标尺。以人工智能为代表的新一代信息技术加速深入卫生健康领域，其在大规模数据处理、复杂系统建模和智能辅助决策方面的独特优势，为破解长期困扰卫生健康治理的结构性难题提供新的可能。近年来，“人工智能+医疗健康”持续被纳入政策体系，“医学+AI”由早期的技术探索逐步迈入制度化、规模化推进的新阶段。
“医学+AI”的意义不止于技术赋能医疗服务，更在于其对卫生健康治理体系的深度重塑。人工智能技术的引入，使健康治理具备从经验驱动向数据驱动转变的现实基础，使分散于不同机构和层级的健康信息得以整合分析，从而推动治理方式由碎片化向系统化协同演进。同时，基于风险预测和动态监测的技术能力，人工智能为健康治理由被动应对向主动干预、由事后处置向关口前移提供重要支撑。这一转型路径，与健康中国战略倡导的“预防为主、共建共享、全民健康”理念，在价值取向和实践逻辑上高度一致。正是在这一意义上，“医学+AI”已不再是卫生健康领域的可选技术方案，而是关乎健康公平、服务效率和治理能力的时代必答题。如何在推动技术应用的同时，统筹制度设计、伦理规范和公共价值，成为政策制定与实践面临的重点问题。
习近平总书记强调：“面对新一代人工智能技术快速演进的新形势，要充分发挥新型举国体制优势，坚持自立自强，突出应用导向，推动我国人工智能朝着有益、安全、公平方向健康有序发展。”③“医学+AI”不仅是提高诊疗效率的技术手段，而且是优化资源配置、减轻医务人员负担、提升健康服务公平性与可持续性的关键支点。总体而言，“医学+AI”是人工智能技术在卫生健康领域的系统性嵌入过程，涵盖疾病预防、诊断治疗、康复和健康管理等全链条场景。通过发挥智能感知、风险预警和精准决策等优势，推动卫生健康服务由同质化向高质量转变、由不均衡向更加公平可及转变、由被动响应向智慧治理转变。④“医学+AI”既是技术进步的集中体现，又是健康中国建设过程中实现健康治理理念、治理方式和治理能力整体跃升的重要抓手。
“医学+AI”带来广阔发展前景
从长远视角看，“医学+AI”在公共卫生和健康治理中的作用，并非局限于提升某一环节的效率，而在于推动卫生健康治理由分散应对走向系统协同、由事后处置走向前瞻预警、由经验管理走向智能决策。
推动卫生健康事业由“要素投入型”向“能力提升型”转变。长期以来，我国卫生健康事业的发展在很大程度上依赖于人力、资金和机构规模的持续投入，这一模式在一段时间里有效支撑基本医疗卫生服务体系的快速建立，但其边际效益正逐步递减。在人口老龄化加速、疾病谱持续转型和健康需求日益多样的背景下，单纯依靠要素扩张，难以支撑健康中国建设对质量、效率与公平的更高要求。“医学+AI”的引入，为推动卫生健康发展模式由“要素驱动”向“能力驱动”转型提供重要契机。通过对海量健康数据的系统整合与智能分析，显著提升疾病预测、风险识别和决策支持能力，从而在不依赖等比例资源投入前提下，提高卫生健康系统的运行效率与治理效能。健康中国建设追求的并非医疗资源的无限扩张，而是通过治理能力提升，实现健康服务的可持续供给与公平可及。
支撑“预防为主”战略转型，推动健康管理关口前移与疾病全链条管理。“预防为主”是健康中国战略的重要原则，但在长期实践中，受制于信息获取能力不足、风险识别手段有限，以及研究证据转化效率偏低等难题，卫生健康事业仍然呈现出以疾病治疗为中心的结构性倾向。人工智能在疾病预测、风险评估和人群健康管理中的系统应用，为突破这一瓶颈提供现实条件。通过对人群健康体检数据、疾病诊疗数据、长期随访数据，以及可穿戴设备和环境监测等多源多模态数据的持续分析，可以在个体和群体层面，提前识别健康风险，实现疾病早筛、早诊和早干预，使健康管理逐步由事后应对转向事前防控。这一能力的形成，与人工智能对队列研究和人群研究方法的深度重构密切相关。人工智能技术驱动的研究体系不仅提升风险评估的科学性和精细化水平，而且显著增强预防策略制定的针对性和可操作性。从更宏观的视角看，以数据和智能分析为支撑的预测性管理模式，使“预防为主”从政策理念转化为可持续运行的制度能力，有助于降低整体疾病负担和医疗支出，推动健康管理从风险识别向疾病的全链条管理延伸。这不仅为实现“少生病、晚生病、不生大病”的战略目标奠定技术基础，也为推动公共卫生体系现代化和健康中国建设提供新的实现路径。
优化医疗资源配置方式，夯实健康公平目标实现的技术基础。针对制约健康公平的区域差异、城乡差距等问题，依托行政调配或人才补偿式流动的治理模式，往往面临运行成本高、转化周期长和可持续性受限等现实瓶颈。“医学+AI”将高水平医学知识、诊疗经验与科研成果进行数字化、模型化重构，为破解医疗资源配置难题提供全新技术范式。这一变革的深层意义在于，推动医疗资源配置由依赖物理性要素投入，转向以数据、算法和平台为重心的能力型配置模式，为医疗服务能力持续下沉和均衡发展提供重要支撑。
在医疗服务供给层面，人工智能通过将顶级专家经验和规范化诊疗路径，转化为可嵌入基层场景的智能支持能力，使优质医疗服务不再完全依附于特定专家或机构，而是以可复制、可扩展的形式实现跨区域流动。在基层临床实践中，AI辅助系统深度参与疾病初筛、风险分层、诊疗路径提示和转诊决策等关键环节，推动医疗服务由“人力派驻式下沉”向“能力赋能型下沉”转变，显著增强基层医疗体系的功能完整性与诊断一致性。⑤这一技术路径与分级诊疗制度和县域医共体建设形成协同，将显著提升系统整体运行效率和就医可及性，也从机制层面为健康中国建设注入新的技术动能。
重塑医学科学研究范式和方法体系，提升我国医学科技创新力和国际竞争力。在医学科研与临床转化层面，人工智能通过对高通量组学、影像组学及真实世界数据的深度分析，能够识别复杂的非线性关联与潜在因果结构，加速疾病亚型识别、生物标志物发现和治疗靶点筛选，从而显著缩短医学知识从生成到应用的转化周期，加速推动精准医学在我国的临床转化，提升药物研发和循证医学的整体效率。人工智能正在重塑医学科学研究的方法体系，从研究设计、数据采集到随访管理和多模态数据分析，推动队列研究和人群研究由传统的人工驱动模式向智能化、系统化转型。相较于以往主要聚焦单一临床场景的应用，我国正探索将人工智能嵌入流行病学与长期人群研究全过程，通过疾病分布建模、研究设计优化和样本筛选等方式，显著提升研究的代表性和科学严谨性。这一转向不仅为公共卫生决策和疾病防控提供更坚实的证据基础，而且在更高层面提升我国医学科技创新能力和国际竞争力。
推动卫生健康治理体系现代化，增强系统韧性与协同性。卫生健康问题具有高度的系统性和复杂性，涉及医疗服务、公共卫生、医保支付、养老照护等多个领域，单一部门或单一技术手段难以独立应对。碎片化的信息体系和条块分割的治理模式，在重大健康风险和突发公共卫生事件面前暴露出响应迟缓、协同不足等结构性短板。推动卫生健康治理体系现代化，亟需构建以整体感知、协同决策和动态调控为特征的新型治理能力。在这一过程中，人工智能在跨部门数据整合、系统建模和复杂情景推演方面展现出独特优势，为提升卫生健康治理的前瞻性、精细化和系统韧性，提供关键技术支撑。尤其在公共卫生治理层面，及时、准确的信息获取与研判是科学决策的基础。“医学+AI”通过对医疗服务、检验检测、环境监测，以及人口流动等多源数据的综合分析，显著提升对异常信号和潜在风险的识别能力，使疾病监测和风险预警由被动反应逐步转向主动识别和提前干预。
基于数据驱动的系统建模和情景模拟，使公共卫生决策从经验判断走向量化分析和方案比较。在突发公共卫生事件中，人工智能能够对不同干预措施及其可能影响进行模拟评估，为在资源约束条件下实现最优干预效果提供决策支持，从而有效提升治理体系在不确定环境下的应变能力和整体韧性。这种由数据和智能决策支撑的治理方式，正在重塑公共卫生风险识别、资源配置和应急处置的运行逻辑。从制度层面看，近年来，国家围绕数据要素配置、人工智能应用和医疗体系协同发展，持续完善顶层设计，从数据治理、技术创新到县域医疗协同，为人工智能深度参与公共卫生治理和健康研究提供制度基础。这种多层次、系统化的政策布局，推动我国逐步构建起以数据和智能分析为支撑的数字化公共卫生研究与治理体系，为“医学+AI”在更大范围赋能健康中国建设创造有利条件。
削弱技术赋能效果的潜在挑战
在“医学+AI”为健康中国建设提供深刻变革潜力的同时，需清醒认识到，人工智能在卫生健康领域的深度嵌入，不可避免地伴随一些矛盾与治理难题。这些问题并非零散的技术障碍，而是技术逻辑、医学专业规范与卫生健康治理体系之间复杂互动的结果。若缺乏系统性回应，这些问题可能削弱技术赋能效果，并对健康公平、医疗秩序，以及公众信任产生潜在冲击。
数据治理与医学专业判断的协调问题。数据治理问题是制约医学人工智能发展的重要因素。人工智能系统高度依赖大规模、高质量健康数据，通过算法模型发现传统经验难以捕捉的复杂关联。然而，医学实践本质上是一门高度情境化的学科，诊疗决策需要综合患者个体差异、临床经验以及伦理考量。在实际应用中，数据驱动逻辑与医学专业判断之间存在自然冲突，算法在特定任务上显示出的高准确性，可能引导临床决策过度依赖模型输出，削弱医务人员的主体判断。同时，多数医学AI模型仍具有“黑箱”特征，其决策路径难以被充分理解或追溯，这与医学领域对可审计性和责任界定的基本要求，存在内在不匹配。从制度和治理视角看，需明确人工智能在医疗决策中的辅助定位，将其界定为“增强型工具”，而非“替代性主体”，以确保专业判断的关键作用。建立数据治理标准、模型评估流程和反馈机制，是保证“医学+AI”能够长期安全、有效、可持续发挥作用的基础。
法律责任与动态监管的适配性挑战。“医学+AI”在临床实践中涉及开发者、医疗机构、医务人员及患者等多方主体，其应用角色日益多样化。然而，现行法律体系对责任划分、风险承担及权益保护的规定仍不够清晰。尤其是当AI作为辅助决策工具参与临床决策时，算法“黑箱”特性和持续迭代能力使责任认定复杂化，一旦出现医疗纠纷，责任划分不明确可能引发制度性风险。传统以医务人员或医疗机构为中心的法律框架，难以覆盖算法开发方与数据平台运营方的责任范畴，这直接影响医疗机构对AI技术的采纳意愿，并可能抑制其临床应用潜力。对此，需建立分级分类监管体系，明确不同风险等级AI产品的上市前审批和上市后监测要求，推行“预先变更控制计划”，并配套医疗AI责任保险及风险分担机制，从制度层面降低应用阻力，保障临床诊疗安全与技术创新的平衡。
算法偏差和健康公平之间的伦理与政策挑战。算法偏差、数据代表性不足及技术可及性差异，可能无意间放大健康不平等，与健康中国追求全民健康和公平可及的目标存在潜在冲突。如果训练数据未充分覆盖各类群体和区域，AI系统在特定群体中的诊疗效果可能下降，甚至产生不利影响。医学人工智能的发展不仅要关注技术可行性和效率，而且需将公平性、伦理与公共价值内嵌于技术设计和应用规范中。制度性应对措施包括：将公平性考核纳入AI产品评估标准，要求分群体性能报告；在采购、财政补贴及政策激励中，优先支持面向困难群体的技术应用，确保技术推广与健康公平同步实现。
复合型人才不足与医疗卫生机构能力制约。“医学+AI”的研发与运维需既具备临床知识，又具备数据与算法素养的复合型人才。当前，我国相关人才供给仍然不足，高校教育体系与职业培训尚未形成系统的交叉培养机制。同时，医疗卫生机构在技术运维、模型本地化适配和安全监控方面能力薄弱，缺乏完整的AI治理架构，技术引入、运行评估和风险管理体系不健全，“重采购、轻使用、轻评估”的现象依然存在，限制技术落地和可持续发展。为应对这一问题，需在教育和培训体系中实施长期战略，形成从技术使用、评估到风险管理的闭环，保证技术应用安全、规范和可持续。
财政可持续性与支付机制的平衡问题。“医学+AI”在研发与初期部署阶段投入高昂，日常维护需要持续资金投入，而其产生的社会化健康效益长期且分散，短期市场回报难以覆盖成本。如果缺乏稳定的财政支持与支付机制，会导致医疗卫生机构，尤其是基层医疗机构难以持续运行相关系统。需通过示范项目财政补贴，将成熟AI方案纳入政府采购及医保支付试点，探索按效果付费或按人年管理付费等制度安排，为基层医疗机构长期运营提供稳定的财政与制度保障，确保“医学+AI”在提升全民健康水平、优化医疗服务结构和促进公平可及方面，发挥持久作用。
“医学+AI”引领卫生健康事业高质量发展的路径
当前，科研成果与临床应用之间存在转化链条不畅、激励机制不足等现实障碍，部分技术应用仍停留在“工具叠加”层面，未能有效嵌入医疗服务体系和公共卫生治理结构之中。在此背景下，如何通过科技创新破解结构性约束，成为卫生健康事业高质量发展的关键议题。实践表明，技术能力的快速提升并未自动带来治理效能的同步改善，部分地区和机构仍存在“技术可得但能力不足”“应用分散但系统整合不足”等现实问题。从根本上看，这并非技术成熟度不足，而是技术嵌入治理体系的路径尚不清晰。新技术往往以项目制或试点形式引入，缺乏与既有决策流程、服务规范和绩效体系的深度衔接。在此背景下，若仅停留于技术潜力或发展趋势的讨论，则难以回应卫生健康事业高质量发展对治理能力系统提升的现实要求。
从技术工具到制度能力的转化机制。“医学+AI”要真正引领卫生健康事业高质量发展，关键不在于技术本身的先进程度，而在于其能否转化为制度能力。这一转化过程依赖于明确的制度接口，即通过规则、流程和责任配置，使技术成果在医疗服务和公共卫生治理中具有稳定、可预期的运行方式。在医疗服务领域，人工智能应被明确界定为专业判断的辅助工具，其功能需通过制度化流程嵌入诊疗决策、质量控制和流程管理之中，以提升服务一致性与安全性，而非替代医务人员的专业主体地位。在公共卫生领域，则应将相关技术纳入风险评估、监测预警和干预反馈的常规治理链条，使数据分析结果能够直接服务于政策调整和资源配置，避免技术成果停留在分析层面，而难以转化为治理行动。
从试点运行走向常态化应用。构建“医学+AI”引领高质量发展的系统路径，需突破以试点为主的应用模式，推动技术应用的制度化和常态化。首先，在国家和区域层面建立统一的技术应用框架，对不同类型医学人工智能系统的适用场景、准入条件和运行要求作出明确规定，从制度上降低医疗机构和基层单位的应用不确定性。其次，通过财政支持、政府采购和绩效考核等政策工具，引导医疗机构将相关技术纳入日常管理体系，而非作为阶段性创新任务。与此同时，建立持续性的运行评估机制，对技术在实际应用中的临床效果、治理成本和风险表现进行动态监测，根据评估结果及时调整应用策略，增强制度运行的适应性与韧性。
多方主体协同的权责清晰化安排。随着“医学+AI”在卫生健康领域的广泛应用，治理结构中责任划分的重要性进一步凸显。若缺乏清晰的权责划分，技术应用在提升效率的同时，可能产生新的风险。因此，有必要在系统路径设计中同步明确多方主体的职责边界。政府部门重点承担规则制定、监督评估和公共利益保障责任，医疗卫生机构负责技术在具体场景中的合规使用、人员培训与风险管理，技术开发与服务提供方则需对产品性能、安全性和持续维护承担相应责任。通过清晰的责任配置和协同机制，可以在推动技术应用的同时，降低制度摩擦，增强治理体系的稳定性。“医学+AI”引领卫生健康事业高质量发展，并非依赖技术自发扩散，而取决于其是否通过明确的系统路径嵌入既有治理体系，并在实施机制和责任配置的支撑下形成可持续运行的制度能力。这一系统路径，强调现实可操作性与治理一致性，为技术创新服务于健康中国建设目标提供制度基础。
“医学+AI”并非单纯的技术革新，而是推动卫生健康事业发展逻辑、治理方式和制度结构深刻变革的重要力量。在健康中国战略深入实施、人民健康需求持续升级的背景下，人工智能为破解医疗资源配置不均、基层能力不足和公共卫生治理复杂化等结构性问题，提供新的治理工具。同时需清醒认识到，医学人工智能的广泛应用并非自然演进过程，而是高度依赖制度供给与治理能力的系统工程。数据治理、法律监管、伦理规范、人才支撑和财政机制等制度安排，决定着技术能否真正转化为公共价值。唯有坚持技术创新与制度创新并重，强化风险治理、完善制度设计，才能确保人工智能沿着有益、安全、公平的方向发展，使其切实成为建设健康中国和增进全民健康福祉的长期支撑。
（清华大学万科公共卫生与健康学院博士研究生闫温馨，对本文亦有贡献）
【注释】
①《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》，《人民日报》，2025年10月29日。
②《“健康中国2030”规划纲要》，中国政府网，2016年10月25日。
③《习近平在中共中央政治局第二十次集体学习时强调 坚持自立自强 突出应用导向 推动人工智能健康有序发展》，《人民日报》，2025年4月27日。
④《人工智能赋能卫生健康服务——2025年红树林健康大会专家共识》，2025年10月。
⑤闫温馨、胡健等：《人工智能大语言模型在基层医疗卫生服务中的应用与挑战》，《中国全科医学》，2025年第1期。
责编/赵橙涔 美编/王梦雅
声明：本文为人民论坛杂志社原创内容，任何单位或个人转载请回复本微信号获得授权，转载时务必标明来源及作者，否则追究法律责任。
