人工智能在主动健康管理服务中的实践应用：现状、挑战与展望

Artificial intelligence in proactive health management services: current applications, challenges, and perspectives

摘要

随着全球老龄化程度和慢病负担的持续加剧，从传统“被动医疗”向“主动预防”的主动健康管理成为提高全民健康水平的重要策略。近年来，人工智能（artificial intelligence， AI）在医学领域飞速发展，为疾病早期风险预测、个性化评估和干预提供了关键技术支撑。尽管有一定的研究基础，目前我国AI在主动健康服务管理中的应用进展与局限仍不十分清楚。因此，本综述系统梳理PubMed、Web of Science和中国知网等数据库近十年关于AI在主动健康管理领域实践进展的研究证据，发现基于机器学习、深度学习及大语言模型等在健康监测、风险评估、个体化干预及整合型健康管理平台建设等关键环节形成较为成熟的应用体系，但数据偏倚、隐私安全、算法缺乏验证等问题也进一步限制了其大规模向临床转化应用。本综述为我国未来优化人机协同模式和发展伦理政策提供了重要理论依据。

Abstract

As accelerating global aging and the burden of chronic diseases, the transition from traditional "passive medicine" to "active prevention", termed proactive health management, has emerged as a pivotal strategy for improving population health. In recent years, artificial intelligence (AI) has undergone rapid advancement in the medical field, offering critical technical support for early disease risk prediction, personalized assessment, and intervention. Despite existing evidence, the current progress and limitations of AI applications in proactive health service management in China remain unclear. Thus, this review systematically summarized evidence from the past decade across databases including PubMed, Web of Science, and the China National Knowledge Infrastructure (CNKI) on the practical implementation of AI in proactive health management. The findings indicate that AI technologies, including machine learning, deep learning, and large language models, have formed a relatively mature application framework for key domains such as health monitoring, risk assessment, personalized intervention, and integrated health management platform development. Nevertheless, challenges including data bias, privacy and security concerns, and a lack of algorithm validation continue to impede large-scale clinical translation and implementation. This review provides a crucial theoretical foundation for optimizing human–AI collaborative models and guiding the formulation of ethical and policy frameworks for the future of proactive health management in China.

随着全球人口老龄化程度日益加剧，非传染性慢性疾病（简称慢性病）患病率与死亡率不断升高，给全球公共卫生管理带来沉重经济负担^［1］。传统医疗模式以疾病治疗和二级预防为主，不仅影响患者生活质量，加重社会与家庭经济负担，也加剧医疗资源错配^［2］。基于此，贯穿全生命周期的主动健康管理以预防疾病发生、早期识别疾病风险并实现个性化干预成为慢性病管理的重要理念^［3］。近年来，人工智能（artificial intelligence， AI）技术飞速发展，逐渐被应用于复杂医学信息的解析与模式识别^［4］。AI是通过整合可穿戴设备、生物标志物及电子病历等多模态健康数据，实现健康监测、风险预测及个体化干预，为主动健康管理提供关键技术支撑^［5］。然而，AI不同算法在主动健康服务管理中的应用进展以及局限仍不十分清楚。因此，本文系统梳理国内外近10年AI在全人群主动健康管理实践的研究证据，围绕连续综述其在健康监测、风险预测、个体化健康干预及整合型健康管理平台等关键环节的优势与核心挑战，以期为我国未来优化人机协同模式和发展伦理政策提供了重要理论依据，为AI赋能主动健康管理的实践转化与规模化应用提供参考。

1 文献检索

1.1 检索数据库与关键词

本研究采用系统性文献检索方法，外文数据库包括PubMed、Web of Science、IEEE Xplore及Scopus，中文数据库包括中国知网（CNKI）、万方数据知识服务平台及维普网。检索时间范围为2016年1月至2026年3月。检索策略结合标准主题词（如MeSH）及自由词进行构建，并根据不同数据库检索规则进行适当调整。外文数据库检索关键词包括人工智能相关术语（“artificial intelligence” “machine learning” “deep learning” “large language model”）、主动健康相关术语（“proactive health” “health management” “preventive health” “health promotion”）以及临床实践应用相关术语（“clinical application” “practical application” “implementation” “healthcare service”）；中文数据库采用对应中文关键词进行主题检索。共检索英文文献206篇，中文文献63篇。

1.2 纳入与排除标准

纳入标准：①涉及人工智能技术在主动健康管理或健康管理相关领域中的应用；②发表期刊论文；③包含实际应用场景或已实证研究结果。排除标准：①内容仅讨论AI理论和技术；②会议或者毕业论文等；③内容仅涉及临床疾病诊断；④重复发表、会议摘要或无法获取全文的文献。

1.3 文献筛选流程

两名研究者独立对检索结果进行筛选，首先通过标题与摘要进行初筛，随后对符合条件的文献进行全文评估。如存在分歧，邀请第三位研究者参与讨论共同决定。

2 人工智能在主动健康管理关键环节的应用

2.1 人工智能赋能健康监测与风险评估：从数据采集到风险分层

随着科技的发展，可穿戴设备的快速普及为健康监测提供了坚实的技术支撑。智能手表、连续血糖监测仪等常用设备可通过实时采集心率、血氧、血压、血糖及睡眠状态等多维度参数，实现连续性的动态数据监测^［6-8］。在此基础上，AI技术在健康监测与疾病风险预测中的作用主要体现在以下3个方面。

在数据质量层面，多种新兴算法已广泛应用于日常监测设备的数据信号处理。例如基于光电容积描记法（photoplethysmography， PPG）的心率监测设备可利用稀疏信号恢复中的多测量向量（multiple measurement vector， MMV）模型识别并去除运动伪迹，从而实现运动状态下更准确、稳定的心率监测^［9-10］。

在计算架构方面，分布式边缘智能技术可以将机器学习与深度学习模型部署于靠近数据源的终端设备或边缘节点，在数据生成端就近执行分析任务。该技术不仅可以降低云端的传输延迟及网络压力，还可以通过本地处理数据提高时效性并减少敏感数据的远程传输，有效缓解隐私安全问题^［11-12］。常规智能手表内置的心电监测功能通过设备端应用程序实现心律自动分类，并辅助识别心房颤动等常见心律失常^［13］，其相关算法已获得美国食品药品监督管理局（Food and Drug Administration， FDA）的批准。该类设备在房颤识别中已表现出较高的敏感性（约95.5%）及特异性（约97.1%），这意味着其在日常生活中，有望成为常规使用的早期筛查工具^［14］。基于深度学习的AI模型还可以基于原始数据中自动提取其复杂特征，识别人类难以察觉的潜在健康状态变化，为个体化精准干预提供数据驱动依据^［15］。

健康状态评估是主动健康管理中另一不可或缺的环节，更是连接健康监测与个体化精准干预的重要桥梁。常用的传统机器学习方法，如随机森林、支持向量机等多适用于结构化健康数据分析^［16］。深度学习模型由于其可实现自动提取复杂多模态医疗数据的核心优势，在疾病预测、风险分层、临床决策支持等方面均展现出较传统方法更强的工作性能^［17-18］，并已广泛应用于血糖、血压、心率以及睡眠监测等多种日常生活场景^［19-26］。谷歌DeepMind开发的急性肾损伤预测模型以及国内相关慢性病风险预测系统均为其典型代表^［27-28］。此外，数字表型^［29］以及生物年龄估计^［30］等新方法的兴起，进一步推动了医学健康评估由传统单一时间节点的静态判断转向基于连续监测数据、多模态生物标志物及动态生理特征监测的综合量化评估模式。

综上所述，AI的发展实现了从数据质量、计算架构与评估模式3个层面系统赋能健康监测与疾病风险评估，为疾病的早期预警、个体化风险分层以及主动健康管理提供了新的技术路径。

2.2 个性化干预方案生成：从规则驱动到强化学习优化

在完成健康监测及疾病风险评估后，如何制定适用于每个独立个体的干预策略成为核心环节。传统健康干预方案的形成大多依赖于专业医学人士的知识及经验，但是难以持续地契合不同个体健康状况的动态变化。“强化学习”的引入为破解这一瓶颈、实现个体化精准干预提供了新的技术路径。在强化学习范式下，AI通过与环境（用户健康状态及行为反馈）交互，以试错探索为基础，以奖励反馈为信号，持续学习优化，最终实现决策的迭代更新。这一方法已在现实场景逐渐得到应用，例如AI辅助系统可基于失眠患者所穿戴设备的监测数据动态调整干预模块，提高治疗效果^［31］。此外，对心血管疾病及肾脏损伤的预测与管理^{［6， 27-28］}亦取得较好的应用效果。大语言模型进一步拓展了精准干预的能力范围及边界，它可以通过融合用户健康画像、生活习惯及行为偏好，自动生成个性化的饮食方案、运动计划或健康管理方案，提升干预方案的可接受性与执行依从性。典型应用包括Omada Health的糖尿病预防平台及Noom的行为干预系统^［32-33］。

在AI的发展及赋能下，健康管理正在由传统的经验驱动模式转向更为精准的个体化数据驱动，并在持续监测与反馈过程中实现方案决策的动态优化，完成“评估-干预-反馈-优化”的闭环管理。未来，随着多模态数据的不断融合与人机协同技术的持续发展，AI有望进一步提升健康干预的准确性与依从性，为主动健康管理全流程提供重要保障支撑。

2.3 虚拟健康教练与行为依从性提升

健康管理方案是否能有效实施，很大程度取决于用户的长期依从性。既往研究^［34］发现，数字健康干预普遍面临着用户依从性差的问题。他们的参与度往往在干预初期达到峰值，但在随后的数周内迅速下降。调查结果表明，参与者的中位使用周期通常较短，在部分研究中仅维持数天，受试者的长期留存率与持续参与性仍面临较大挑战^［35］。基于大语言模型虚拟健康教练的出现为改善这一困局提供了可能。这类系统可以全天候响应用户需求，及时提供个性化的健康建议、用药提醒与情感支持，在多轮对话中表现出更为优越的理解与交互性能。Woebot（基于认知行为疗法的心理健康聊天机器人）与Lark Health（慢性病管理虚拟教练）作为这一领域的典型代表^［36-37］，目前已在心理健康与慢性病管理领域取得了良好效果。

AI驱动的行为激励机制，例如偏向游戏化设计的积分奖励与任务调整，需要多人协作的互动场景，可通过增强用户的内在驱动力来改善参与度^［38］。AI赋能的持续远程随访和自我管理支持，不仅可以改善患者的生活质量，还可降低部分慢性病患者的住院风险^［39］。然而，此类干预措施虽可在一定程度上改善患者在健康管理过程中的依从性与健康认知，但不同的方案效果存在异质性^［40］。这可能是由于主动健康行为的形成还受到用户自我驱动力、内在信念以及家庭社会支持等多层因素的共同影响。一项基于社会生态模型的研究表明，个体、社区与政策3个层面的共同作用，对促进慢性病患者的主动健康行为具有显著影响^［3］。因此，AI赋能的主动健康管理措施不能仅依赖于技术本身，更需要结合社会体系与政策方针，针对多层次因素协同干预，才能真正改善不同人群的长期参与度与健康结局。

2.4 整合型主动健康管理平台

在健康监测、风险识别、个性化干预与行为促进等关键环节逐步智能化的基础上，整合型主动健康管理平台进一步推动了相关功能从单点应用向全流程闭环管理的演进。此类平台通常以用户端、智能分析端与医护协同端为核心架构，集成持续数据采集、风险分层、干预生成、随访反馈与效果评估等功能，从而实现主动健康管理服务的系统化运行。

在常见慢性病管理中，数字健康平台可以远程帮助患者更好地进行自我管理^［41］。AI在其中主要承担数据处理、模式识别、风险预警与初步干预方案生成等多项任务，医务人员则主要负责疑难病症诊断、方案校正、沟通解释以及情感支持。近年来，人机协同模式已成为健康管理平台的重要发展方向，它将更有利于提升用户参与度，改善干预效果^［42］。研究^［43］显示，接受Livongo Health管理平台管理的2型糖尿病患者糖化血红蛋白指标和治疗满意度均较前有所改善。这一实践证据进一步表明，此类整合型的主动健康管理平台能够带来更好的管理效果。在我国，以互联网医院为载体的数字化慢病管理平台亦在逐步推动整合型管理模式的发展。以微医为例，通过线上服务与线下医疗的整合模式及数字化、标准化的全流程管理，当地慢病患者的平均就诊时间由2 h缩短至30 min，单次处方费用降低12.7% ^［44］。这些实践结果表明，整合型健康管理平台不仅可以提升用户的自我管理能力和健康结局，还可以通过线上线下协同服务的模式最大程度优化医疗资源配置与服务流程，提高健康管理服务的可及性和整体运行效率。

2.5 人工智能在主动健康管理中的实践实施框架

AI在主动健康管理中的应用价值，不仅在于技术本身，更在于其能否融入真实生活场景，形成可落地推广的有效成果。基于此，本文构建了涵盖“数据采集-健康评估-个体化干预-行为促进-人机协同-闭环优化”的整合型主动健康管理实施框架（图1）。通过融合多元数据，开展动态风险评估，生成个体化精准干预方案，实现可持续的反馈优化，最终完成覆盖全生命周期的闭环健康管理体系构建，实现健康管理由疾病治疗向健康促进和主动预防的方向转变。然而，主动健康管理的规模化落地仍然面临多重挑战，未来亟需在技术、制度与人文结合的协同推进下，实现更为广泛的应用。

3 人工智能在主动健康管理中的核心挑战

3.1 数据标准化与整合难题

主动健康管理高度依赖多源数据融合，但目前各机构、设备厂商与数字平台间的数据标准尚不统一，数据异构与信息孤岛问题仍较为突出^［45-47］。这一现状增加了跨平台的数据交互以及模型迁移的难度，从而进一步限制了AI模型训练的稳定性^［46］。因此，如何建立统一的数据标准体系，推动医疗机构、设备平台与健康管理系统之间的互联互通，仍是AI实现规模化应用进程中的重大挑战。

3.2 模型泛化与临床转化瓶颈

近年来，尽管大量AI模型在疾病预测、健康评估及行为干预等任务中表现出较为优越的性能，但若想进一步全面推广应用仍然存在诸多局限^［48］。首先，当前大多数模型主要基于单中心、小样本的特定数据库构建，无法有效推广至多地区、大样本人群，其在不同医疗体系中的稳定性也有待验证^［49］。其次，真实临床环境的复杂性以及受试者的多样性，很可能导致模型部署后出现性能下降，效力不足的情况^［50］。此外，由于目前多数研究仍停留于回顾性分析阶段，缺乏大规模前瞻性随机对照试验支持，相关模型的长期获益及临床成本尚不明确。如何有效推动AI实现真正的落地转化已成为主动健康领域亟待突破的重要瓶颈。

3.3 用户依从性与公平性

主动健康管理的有效实施高度依赖用户的持续参与度，但正如前文提到，用户留存率下降及依从性不足仍是当前面临的主要挑战^［34-35］。在长期使用过程中，设备佩戴带来的身体与心理负担均可能导致用户参与度逐步下降。此外，不同年龄、教育水平以及社会经济地位的人群之间，学习能力和设备使用能力的差异也可能导致潜在的不公平现象^［51］。尤其是对于老年人、低收入群体以及偏远地区居民，互联网基础设施有限，操作界面复杂等因素均可影响实际使用效果。由此可见，技术的可获得性并不等同于技术的可使用性。未来主动健康管理的发展，不仅需要提升算法性能，也需要更加关注用户体验，实现对弱势群体的关照与公平。

3.4 可解释性与信任问题

尽管AI技术在主动健康管理中已逐渐广泛应用，但其多数模型缺乏足够的透明度和可解释性，难以被医务人员及普通用户理解和接受^［52-53］，这可能直接导致用户对系统的信任程度降低，并影响其对相关结果的采纳意愿。此外，错误预警、算法偏倚以及输出结果不一致等问题，也会进一步削弱公众对AI健康服务模型的接受程度。因此，未来在保障算法性能的同时，还需增强决策过程的透明性，完善专业人员参与的协同机制，以提高服务的可信度和应用价值。

4 人工智能在主动健康管理中的法律法规与伦理边界

随着AI在当前社会的推广与应用，一系列涉及数据管理、算法公平、责任界定及监管体系的法律与伦理问题^［54-55］也逐步出现。相较于传统医疗模式，AI驱动的健康管理平台在数据规模以及应用场景复杂性方面均显著攀升，使当前法律框架面临新的严峻挑战。因此，构建兼顾技术创新与风险防控的管理体系，已成为推动该领域可持续发展的关键前提。

4.1 数据安全、隐私保护与健康公平

健康医疗数据具有高度敏感性，其采集、共享及使用不仅涉及隐私保护与数据安全，也关系到公众信任及健康公平。尽管欧盟《通用数据保护条例》（General Data Protection Regulation， GDPR）^［56］、美国《健康保险携带与责任法案》（Health Insurance Portability and Accountability Act， HIPAA）^［57］等法规对数据治理提出了明确要求，但实践过程中仍然存在数据透明度不足、患者知情权保障不充分等诸多问题^［58］。与此同时，数据的人群或地域偏倚常导致AI模型在不同人群中呈现出性能差异，从而加剧不平等现象。Obermeyer等^［59］的研究指出，由于以医疗费用作为健康需求的代理指标，部分临床风险预测模型未能真实反映不同人群的疾病负担，从而系统性低估了黑种人群患者的实际健康需求。未来应在加强数据安全与隐私保护的基础上，提高数据透明度，保证样本多样性，着重关注不同人群的特点及需求，促进主动健康管理的普惠发展。

4.2 责任界定及监管挑战

随着AI技术逐步参与健康评估、风险预警及决策支持，其责任归属及监管治理问题日益突出^［60］。由于AI参与健康决策往往受到多方因素影响，传统将责任归一到特定主体的模式逐渐不再适用。与此同时，AI决策过程的不透明性导致的追溯困难也为风险管理带来了重大挑战^［61］。对此，欧盟提出的《人工智能责任指令》（AI Liability Directive）、《人工智能法案》（AI Act）等制度探索，正力求在技术革新与安全应用之间寻求平衡支点。然而，仅依靠监管框架的建立尚不足以解决实践中的复杂问题。在主动健康管理的推广及实践中，还应明确相关技术的决策属性，强化专业人员审核与监督机制，通过法律、标准与行业自律协同推进，逐步建立可追溯、可问责的管理体系，为AI在健康管理领域的规范化和可持续发展提供保障。

5 结 语

随着AI技术的持续发展，传统健康管理模式正在向以动态监测、精准干预以及协同反馈为特征的主动健康管理模式转变。通过整合多模态数据与智能模型，以AI为基础的整合型健康管理平台已展现出广阔的应用前景。然而，数据偏倚、隐私安全、算法缺乏验证等诸多问题也进一步限制了其大规模向临床转化应用。未来研究应更加关注技术与现实场景的结合，探索真正可落地、可复制、可推广的实践路径，加强AI模型在真实世界中的实际应用效果。归根结底，主动健康管理的发展并不能单纯依赖技术进步，而是在专业人员、用户、社会环境以及制度保障的多方协同下，构建更加精准、高效和可持续的健康服务体系。

参考文献

[1] Ferrari A J， Santomauro D F， Aali A，et al.Global incidence， prevalence， years lived with disability （YLDs）， disability-adjusted life-years （DALYs）， and healthy life expectancy （HALE） for 371 diseases and injuries in 204 countries and territories and 811 subnational locations， 1990-2021： a systematic analysis for the Global Burden of Disease Study 2021［J］. Lancet， 2024， 403（10440）： 2133-2161.

[2] Waldman S A， Terzic A. Health care evolves from reactive to proactive［J］. Clin Pharmacol Ther， 2019， 105（1）： 10-13.

[3] Chen C， Hao Y， Xu W， et al. A socioecological model of multilevel determinants for proactive health behaviors among Chinese adults with chronic diseases［J］. BMC Public Health， 2025， 26（1）： 120.

[4] Topol E J. High-performance medicine： the convergence of human and artificial intelligence［J］. Nat Med， 2019， 25（1）： 44-56.

[5] 李芊墨. 大数据时代人工智能技术的创新与发展研究［J］. 电子元器件与信息技术， 2025， 9（1）： 114-116，120.

[6] Piwek L， Ellis D A， Andrews S， et al. The rise of consumer health wearables： promises and barriers［J］. PLoS Med， 2016， 13（2）： e1001953.

[7] Dunn J， Runge R， Snyder M. Wearables and the medical revolution［J］. Pers Med， 2018， 15（5）： 429-448.

[8] 李一男， 郭欣， 唐云翔. 人工智能在睡眠健康管理中的应用进展［J］. 海军军医大学学报， 2025， 46（10）： 1250-1256.

[9] Zhang Z. Photoplethysmography-based heart rate monitoring in physical activities via joint sparse spectrum reconstruction［J］. IEEE Trans Biomed Eng， 2015， 62（8）： 1902-1910.

[10] Patel S， Park H， Bonato P， et al. A review of wearable sensors and systems with application in rehabilitation［J］. J NeuroEngineering Rehabil， 2012， 9： 21.

[11] Dechouniotis D， Athanasopoulos N， Leivadeas A， et al. Edge computing resource allocation for dynamic networks： the DRUID-NET vision and perspective［J］. Sensors， 2020， 20（8）：2191.

[12] Filho C P， Marques E， Chang V， et al. A systematic literature review on distributed machine learning in edge computing［J］. Sensors， 2022， 22（7）：2665.

[13] Seshadri D R， Bittel B， Browsky D， et al. Accuracy of the apple watch 4 to measure heart rate in patients with atrial fibrillation［J］. IEEE J Transl Eng Health Med， 2020， 8： 2700204.

[14] Isakadze N， Martin S S. How useful is the smartwatch ECG？［J］. Trends Cardiovasc Med， 2020， 30（7）： 442-448.

[15] Siontis K C， Noseworthy P A， Attia Z I， et al. Artificial intelligence-enhanced electrocardiography in cardiovascular disease management［J］. Nat Rev Cardiol， 2021， 18（7）： 465-478.

[16] Rajkomar A， Dean J， Kohane I. Machine learning in medicine［J］. N Engl J Med， 2019， 380（14）： 1347-1358.

[17] Shickel B， Tighe P J， Bihorac A， et al. Deep EHR： a survey of recent advances in deep learning techniques for electronic health record （EHR） analysis［J］. IEEE J Biomed Health Inform， 2018， 22（5）： 1589-1604.

[18] Esteva A， Robicquet A， Ramsundar B， et al. A guide to deep learning in healthcare［J］. Nat Med， 2019， 25（1）： 24-29.

[19] Sano A， Chen W， Lopez-Martinez D， et al. Multimodal ambulatory sleep detection using LSTM recurrent neural networks［J］. IEEE J Biomed Health Inform， 2019， 23（4）： 1607-1617.

[20] Li Y， Rao S， Solares J R A， et al. BEHRT： transformer for electronic health records［J］. Sci Rep， 2020， 10（1）： 7155.

[21] Zhang K， Liu X， Xu J， et al. Deep-learning models for the detection and incidence prediction of chronic kidney disease and type 2 diabetes from retinal fundus images［J］. Nat Biomed Eng， 2021， 5（6）： 533-545.

[22] Zhu T， Li K， Herrero P， et al. Personalized blood glucose prediction for type 1 diabetes using evidential deep learning and meta-learning［J］. IEEE Trans Biomed Eng， 2023， 70（1）： 193-204.

[23] Harfiya L N， Chang C C， Li Y H. Continuous blood pressure estimation using exclusively photoplethysmography by LSTM-based signal-to-signal translation［J］. Sensors， 2021， 21（9）：2952.

[24] Stehlik J， Schmalfuss C， Bozkurt B， et al. Continuous wearable monitoring analytics predict heart failure hospitalization： the LINK-HF multicenter study［J］. Circ Heart Fail， 2020， 13（3）： e006513.

[25] Zhang Y， Xiang T， Wang Y， et al. Explainable machine learning for predicting 30-day readmission in acute heart failure patients［J］. iScience， 2024， 27（7）： 110281.

[26] 王红宇， 曹春歌. 人工智能心电图拓展临床诊疗的新视野［J］. 中国心血管病研究， 2025， 23（6）： 485-489.

[27] Wu Y， Liu X， Li X， et al. Estimation of 10-year risk of fatal and nonfatal ischemic cardiovascular diseases in Chinese adults［J］. Circulation， 2006， 114（21）： 2217-2225.

[28] Tomašev N， Glorot X， Rae J W， et al. A clinically applicable approach to continuous prediction of future acute kidney injury［J］. Nature， 2019， 572（7767）： 116-119.

[29] Onnela J P， Rauch S L. Harnessing Smartphone-based digital phenotyping to enhance behavioral and mental health［J］. Neuropsychopharmacology， 2016， 41（7）： 1691-1696.

[30] Putin E， Mamoshina P， Aliper A， et al. Deep biomarkers of human aging： application of deep neural networks to biomarker development［J］. Aging， 2016， 8（5）： 1021-1033.

[31] Espie C A， Kyle S D， Williams C， et al. A randomized， placebo-controlled trial of online cognitive behavioral therapy for chronic insomnia disorder delivered via an automated media-rich web application［J］. Sleep， 2012， 35（6）： 769-781.

[32] Sepah S C， Jiang L， Peters A L. Long-term outcomes of a web-based diabetes prevention program： 2-year results of a single-arm longitudinal study［J］. J Med Internet Res， 2015， 17（4）： e92.

[33] Chin S O， Keum C， Woo J， et al. Successful weight reduction and maintenance by using a smartphone application in those with overweight and obesity［J］. Sci Rep， 2016， 6： 34563.

[34] Boucher E M， Raiker J S. Engagement and retention in digital mental health interventions： a narrative review［J］. BMC Digit Health， 2024， 2（1）： 52.

[35] Pratap A， Neto E C， Snyder P， et al. Indicators of retention in remote digital health studies： a cross-study evaluation of 100，000 participants［J］. npj Digit Med， 2020， 3（1）： 21.

[36] Lockwood K G， Pitter V， Kulkarni P R， et al. Predictors of program interest in a digital health pilot study for heart health［J］. PLoS Digit Health， 2023， 2（7）： e0000303.

[37] Fitzpatrick K K， Darcy A， Vierhile M. Delivering cognitive behavior therapy to young adults with symptoms of depression and anxiety using a fully automated conversational agent （woebot）： a randomized controlled trial［J］. JMIR Ment Health， 2017， 4（2）： e19.

[38] Ossenbrink L， Haase T， Timpel P， et al. Effectiveness of digital health interventions containing game components for the self-management of type 2 diabetes： systematic review［J］. JMIR Serious Games， 2023， 11： e44132.

[39] Benthien K S， Rasmussen K， Nielsen C P， et al. Proactive health support： a randomised controlled trial of telephone-based self-management support for persons at risk of hospital admission［J］. Age Ageing， 2022， 51（10）：afac212.

[40] Moon Z， Walsh J. Digital interventions in medication adherence： a narrative review of current evidence and challenges［J］. Front Pharmacol， 2025， 16： 1632474.

[41] Al Mahmud A， Joachim S， Jayaraman P P， et al. Digital health interventions to support chronic disease management： systematic scoping review［J］. JMIR Mhealth Uhealth， 2026， 14： e63742.

[42] Loughnane C， Laiti J， O'Donovan R， et al. Systematic review exploring human， AI， and hybrid health coaching in digital health interventions： trends， engagement， and lifestyle outcomes［J］. Front Digit Health， 2025， 7： 1536416.

[43] Amante D J， Harlan D M， Lemon S C， et al. Evaluation of a diabetes remote monitoring program facilitated by connected glucose meters for patients with poorly controlled type 2 diabetes： randomized crossover trial［J］. JMIR Diabetes， 2021， 6（1）： e25574.

[44] Zhang Q. The internet hospital： how to combine with traditional healthcare model［J］. Hepatobiliary Surg Nutr， 2022， 11（2）： 273-275.

[45] Rieke N， Hancox J， Li W， et al. The future of digital health with federated learning［J］. npj Digit Med， 2020， 3： 119.

[46] Kruse C S， Stein A， Thomas H， et al. The use of electronic health records to support population health： a systematic review of the literature［J］. J Med Syst， 2018， 42（11）： 214.

[47] 田丽杰. 人工智能驱动档案数据智治探索——基于智慧医疗档案管理“提智增效”的考察［J］. 档案管理， 2024（3）： 72-74.

[48] Kelly C J， Karthikesalingam A， Suleyman M， et al. Key challenges for delivering clinical impact with artificial intelligence［J］. BMC Med， 2019， 17（1）： 195.

[49] Rajkomar A， Hardt M， Howell M D， et al. Ensuring fairness in machine learning to advance health equity［J］. Ann Intern Med， 2018， 169（12）： 866-872.

[50] Vokinger K N， Feuerriegel S， Kesselheim A S. Mitigating bias in machine learning for medicine［J］. Commun Med， 2021， 1： 25.

[51] Crawford A， Serhal E. Digital health equity and COVID-19： the innovation curve cannot reinforce the social gradient of health［J］. J Med Internet Res， 2020， 22（6）： e19361.

[52] Cutillo C M， Sharma K R， Foschini L， et al. Machine intelligence in healthcare—perspectives on trustworthiness，explainability，usability，and transparency［J］. npj Digit Med， 2020， 3： 47.

[53] 吴敏敏， 王鑫钰， 王伟炳. 医学人工智能的技术发展和场景应用［J］. 复旦学报（医学版）， 2025， 52（3）： 470-474.

[54] 陈海燕， 何睿灵， 邹丹丹， 等. 医学人工智能的技术发展与伦理挑战［J］. 江苏卫生事业管理， 2025， 36（7）： 933-935， 940.

[55] 李刚， 陈建均， 刘心怡， 等. 数字技术在医疗机构的应用与发展研究［J］. 中国工程科学， 2025， 27（06）： 20-31.

[56] Carmi L， Zohar M， Riva G M. The European General Data Protection Regulation （GDPR） in mHealth： theoretical and practical aspects for practitioners’ use［J］. Med Sci Law， 2023， 63（1）： 61-68.

[57] McGraw D. Building public trust in uses of Health Insurance Portability and Accountability Act de-identified data［J］. J Am Med Inform Assoc， 2013， 20（1）： 29-34.

[58] Powles J， Hodson H. Google DeepMind and healthcare in an age of algorithms［J］. Health Technol， 2017， 7（4）： 351-367.

[59] Obermeyer Z， Powers B， Vogeli C， et al. Dissecting racial bias in an algorithm used to manage the health of populations［J］. Science， 2019， 366（6464）： 447-453.

[60] 刘建利. 医疗人工智能临床应用的法律挑战及应对［J］. 东方法学， 2019（5）： 133-139.

[61] Cestonaro C， Delicati A， Marcante B， et al. Defining medical liability when artificial intelligence is applied on diagnostic algorithms： a systematic review［J］. Front Med， 2023， 10： 1305756.

RIGHTS & PERMISSIONS

本文使用遵循知识共享 署名-非商业性-禁止演绎4.0 协议（CC BY-NC-ND 4.0）， 详细信息请访问https：//creativecommons.org/licenses/by-nc-nd/4.0/.。