《International Journal of Environmental Research and Public Health》：Reintegrating the Human in Health: A Triadic Blueprint for Whole-Person Care in the Age of AI
Azizi A. Seixas and
Debbie P. Chung
编辑推荐：
本研究发现，现代医疗系统在理念、运营、信息和政策层面存在结构性碎片化，这导致临床决策效率低下、资源浪费及不良后果。研究人员提出了一个解决此问题的三元整合蓝图，包括指导性的“精准与个性化人群健康”（P3H）原则框架、赋能性的“通用目的技术”（GPTs，如人工智能、生物传感器），以及确保实施的“AI-WHOLE”（对齐、整合、工作流、整体、结果、学习、公平）政策框架。该研究为全球，特别是资源有限的地区，提供了一个可操作的系统级策略，旨在利用技术将碎片化的医疗服务重塑为以人为本、预防为主、协调高效的整合性医疗体系。
想象一下，当你因身体不适去医院就诊，不同科室的医生各自查看你的部分数据，开出处方，但无人能将这些信息拼合成一个完整的、关于“你”的健康故事。这正是现代医疗体系面临的“碎片化”困境。它不仅是记录分散或医生间沟通不畅，更深层的原因在于医疗理念本身将“人”拆解为孤立的生物系统（如器官、生物标志物），而忽视了心理、社会和环境等共同塑造健康的整体背景。这种碎片化体现在运营、信息、资金和政策各个层面，导致重复检查、协调不力、医疗成本高昂，甚至增加死亡和住院风险。在人口老龄化、慢性病负担加重以及人工智能(AI)等通用目的技术(GPTs)快速发展的背景下，如何利用技术弥合而非加剧这种分裂，构建真正以“全人”为中心的医疗系统，成为亟待解决的关键问题。
为此，Azizi A. Seixas 和 Debbie P. Chung 在《International Journal of Environmental Research and Public Health》上发表研究，提出了一个创新的三元整合蓝图，旨在从根源上修复医疗碎片化，重新将“人”置于医疗服务的中心。
为验证这一蓝图，研究者主要运用了文献综述、理论建模与案例分析方法。他们系统性梳理了现有医疗碎片化的表现、成因及现有解决方案的局限。在此基础上，通过理论构建，整合了“精准与个性化人群健康”（P3H）临床逻辑、“通用目的技术”（GPTs）赋能路径及“AI-WHOLE”政策治理框架，形成了一个自洽的系统架构。此外，研究还引用了多个已在不同规模（如土耳其的国家疾病管理平台DMP、凯撒医疗的高血压管理项目、巴西的家庭健康战略、卢旺达的数字健康系统等）和不同场景（如阿默达巴德热行动计划、伦敦超低排放区ULEZ等跨部门协作）中得到验证的成功案例，用以支持其理论框架的可行性和有效性。
研究结果
1. 引言：现代医学中的碎片化问题
现代医疗体系在哲学层面存在本体论和认识论的割裂。本体论碎片化将患者简化为器官系统和生物标志物（如HbA1c、射血分数、PHQ-9）；认识论碎片化则将医学知识与心理、社会、环境等背景割裂。这导致了下游的操作、信息、财务和政策碎片化，表现为脱节的工作流程、分散的病历、奖励“数量”而非“整合”的财务激励，以及公共卫生、心理健康和社会服务等政策领域的分立。其后果包括死亡率增加、误诊、可避免的住院、多重用药和巨大的医疗浪费。
2. 解决碎片化的原则、产品与政策
应对碎片化需要从三个相互交织的层面进行系统性干预：(1) 原则层：P3H框架通过要求医疗服务具备个性化、主动预防、人群为基础、以人为本的特点，从哲学上修复碎片化，将社会、行为和环境等上游决定因素视为临床决策的一部分。(2) 产品/技术层：通用目的技术(GPTs)，如人工智能、多模态传感器、移动平台和高级分析，构成了可操作的执行层。它们能整合多模态数据（如电子健康记录EHR、患者报告结果、环境信号），支持风险分层、决策辅助和主动干预，从而减少重复测试，将资源转向预防和长期管理。(3) 政策层：AI-WHOLE政策框架为规模化实施以人为本的AI赋能医疗提供了可操作的治理架构，涵盖对齐、整合、工作流、整体、结果、学习和公平七大领域。它通过采购、报销、数据治理和工作流认证等政策杠杆，将全人照护的理念固化为可执行、可测量的系统要求。
3. P3H框架
P3H框架通过七个相互依存的阶段（发现、意识、避免、获取、评估、接受、依从）提供了一个从发现到长期依从的端到端连续照护路径。通用目的技术(GPTs)和人工智能(AI)在每一阶段都发挥着赋能作用，例如，利用机器学习进行风险预测，利用自然语言处理(NLP)提高诊断准确性，利用移动平台促进患者自我管理。土耳其的全国性疾病管理平台(DMP)和凯撒医疗北加州的高血压管理项目是P3H理念的成功实践，它们通过标准化路径、团队协作和主动管理，显著提高了疾病控制率和人群健康水平。
4. 作为解决碎片化方案的通用目的产品与技术
通用目的技术(GPTs)通过捕捉生理、行为和背景数据，并利用人工智能(如机器学习风险预测、NLP笔记合成)进行整合分析，能够重建连续、纵向的个人健康信号，将碎片化的就诊信息转化为可操作的见解。证据表明，数字传感器警报系统与死亡率和住院率的降低相关。云基础设施和健康信息交换(HIE)可以直接解决信息碎片化问题，减少冗余评估。隐私保护计算（如联邦学习、区块链）则能确保在跨机构协调时数据的安全与可控。
5. AI-WHOLE政策框架
AI-WHOLE框架旨在弥合现有政策（如互操作性、评估、报销）与实现全人照护所需临床结构之间的差距。它将七大领域（对齐、整合、工作流、整体、结果、学习、公平）转化为可执行的政策要求。例如，“整合”不仅要求数据可交换，还要求构建包含患者目标、功能、行为和环境决定因素的全人最小数据集；“工作流”要求将AI工具无缝嵌入有明确交接、升级流程和安全监控的护理路径中；“公平”则要求通过算法偏见审计、分层评估和缓解计划来强制保障。该框架将问责制从孤立的AI系统转移到端到端的护理路径上。
6. 推进全球南方全人照护的三元蓝图
在资源有限的全球南方，碎片化的医疗系统与快速部署的数字技术并存，这既是挑战也是实现跨越式发展的机遇。巴西的“家庭健康战略”结合了多学科社区团队（P3H逻辑）和国家初级保健数字骨干网e-SUS（GPTs赋能），并辅以系统级运营规则（AI-WHOLE治理），改善了健康结果。卢旺达利用RapidSMS短信平台和无人机物流等通用技术，加强了社区卫生工作。跨部门协作案例，如印度的阿默达巴德热行动计划和伦敦的超低排放区(ULEZ)，进一步证明，只有当医疗逻辑、技术支持性基础设施和跨部门治理规则协同运作时，才能实现超越单一临床领域的全人健康改善。
7. 实施考量
实施AI-WHOLE会面临经济、社会、伦理、法律和运营方面的摩擦。例如，它可能改变以部门吞吐量为导向的收益模式，引发对监控或角色替代的担忧，并带来隐私、责任等法律问题。可行的采纳策略应是路径中心化的，包括：首先，针对少数高成本、高变异性的疾病路径（如心脏代谢疾病）建立AI-WHOLE治理职能；其次，为这些路径设定全人数据最低标准，并通过采购要求实现结构化、可互操作的交换；最后，从开始就实施包含偏移监测和分层性能报告的真实世界评估与生命周期监控。
结论与讨论
该研究提出了一个从根本上应对医疗系统碎片化的整合策略。其核心结论是，仅靠增加工具或呼吁更好的协调无法解决深层的碎片化问题，必须建立一个临床意图、可扩展技术和治理政策三者对齐的运营模式。P3H框架重新确立了“全人”作为照护的基本单位，通用目的技术(GPTs)提供了规模化执行的低边际成本工具，而AI-WHOLE政策框架则是确保前两者不沦为孤立解决方案、并最终能实现可衡量、可扩展的全人照护的关键治理基础设施。成功案例如土耳其的疾病管理平台和巴西的家庭健康战略表明，当这三者协同运作时，能够显著改善医疗连续性、成本效益和慢性病结局。
这项研究的重要意义在于，它将人工智能在医疗中的应用从独立的、任务优化的工具，重新定位为一个受治理的、用于实现全人照护的系统性基础设施。它为政策制定者、医疗管理者和技术开发者提供了一个清晰的路线图，指明必须改变什么、在哪里改变以及如何改变。特别是在资源有限的全球南方，该三元蓝图提供了一条绕过传统碎片化基础设施、直接迈向整合、智能医疗系统的可能路径。最终，这一策略不仅关乎技术精进，更关乎重新定义“关怀一个完整的人”意味着什么，为构建一个更连贯、高效且人性化的医疗未来奠定了务实的基础。
