乔治城大学复盘166篇文献:仅22篇明确定义健康公平,AI医疗偏见与残障风险受关注
#AI照护与医疗科技 时间2026-11-04 05:33:49
文/IAICA.NGO®
人工智能在医疗领域的应用正从辅助诊断扩展至患者管理、治疗决策和资源分配。然而,一项来自乔治城大学的研究提示,AI提升诊断准确率与效率,并不自动缩小不同患者群体之间的健康差距。研究团队系统梳理2018年至2025年初发表的166篇文献,涵盖评论、社论、综述及面向医疗机构公平使用AI的指导性文章,重点考察算法偏见、临床决策与残障群体治疗问题。结果显示,只有22篇明确给出“健康公平”定义。
这一发现并非文字层面的吹毛求疵。健康公平若缺乏清晰定义,机构在采购、部署和评估AI时容易把“平均性能提升”误当作“公平改善”。多数定义沿用世界卫生组织的表述,即健康公平意味着不同人群之间不存在不公平、可避免且可补救的差异。22篇给出定义的文献中,15篇由美国作者团队完成。定义含糊时,资源可能更多流向原本更具优势的群体,而非最需要支持的人群。
研究还揭示出显著的地域集中。美国机构第一作者贡献116篇,占70%;英国10篇,加拿大9篇;南美洲没有第一作者机构,非洲和澳大利亚各1篇。这样的分布意味着,AI医疗公平讨论的议题设置、评价指标和证据基础高度集中于高收入国家。对于中低收入地区、少数族裔、农村居民和残障人士而言,若训练数据与临床场景长期缺席,模型在外推时可能出现“看起来准确、用起来失灵”的风险。
在疾病与专科层面,68%的文献泛泛讨论AI与健康公平,未聚焦具体疾病。心血管疾病、慢性病和皮肤病(包括皮肤癌)各占5%,新冠占3%,老龄化、糖尿病和放射学各占2%。研究团队认为,需要更多疾病特异性证据,因为AI可能复制医学证据中既有的偏差。皮肤病学是典型例子:临床教科书和公共图像数据库长期包含更多浅色皮肤病变样本,主要基于这些图像训练的模型,识别深色皮肤病变时可能更困难。类似问题也可能出现在残障群体:若电子病历、功能状态、辅助器具使用和沟通需求记录不完整,算法可能把残障误读为高风险或低依从性,进而影响转诊、保险与服务可及性。
从行业落地看,医疗AI的公平性评估应贯穿数据采集、模型训练、外部验证、临床部署和上市后监测。仅报告总体灵敏度、特异度或成本节约并不足够,还需按年龄、性别、残障状态、语言、地域和社会经济水平分层评估。临床医生也不能把算法输出当作独立结论,而应结合患者功能状态、生活环境和照护目标进行判断。对残障患者而言,无障碍界面、替代沟通方式和合理便利同样属于AI系统可用性的一部分。
iaica.com.cn 指出,健康公平不应被视为AI部署后的补救项,而应成为需求定义、数据治理和效果评价的前置指标。只有把弱势群体的可及性、可解释性和实际获益纳入同一套评估框架,AI医疗创新才能避免在提升效率的同时扩大差距。
评论
0 条登录后才可以发表评论。
立即登录