《Frontiers in Digital Health》：Deploying medical AI in low-resource settings: a scoping review of challenges and strategies
摘要部分：背景：人工智能（AI）正日益用于提升诊断准确性、临床决策质量和卫生系统效率。然而，其在低资源环境（LRS）中的可持续与公平部署仍然有限。在许多中低收入国家（LMICs），数字健康工作仍受到薄弱的基础设施、碎片化的健康数据、有限的本地技能和治理缺口的阻碍。汇集现有证据和实际解决方案的经验教训，对于支持公平、可行且可持续的数字健康方法至关重要。方法：研究人员遵循PRISMA-ScR框架，对2015年1月至2026年1月间发表的同行评审文献进行了范围综述（SR）。在PubMed、Scopus、Web of Science、IEEE Xplore和Google Scholar中进行了检索。符合资格的研究考察了LMIC医疗环境中的医疗AI部署、实施障碍或赋能策略。在以人为中心的实施视角和JBI方法指南的指导下，数据被提取并围绕四个领域进行主题分析：数字基础设施与连接性、数据质量与本地能力、伦理与治理、政策与可持续性。结果：共有44项研究符合纳入标准。分析表明，在低资源环境中让AI发挥作用，关键不在于先进技术，而在于建立合适的体系。常见问题包括不可靠的电力和互联网接入、混乱或不完整的数据、医疗工作者对AI的熟悉度有限，以及缺乏指导其使用的明确规则。报告的赋能策略侧重于投资于有韧性的数字基础设施、采用可互操作的数据标准（例如HL7/FHIR）、持续的能力提升计划、公平性和偏差审计机制，以及在国家数字健康和电子健康政策支持下，通过可持续的融资模型将AI治理纳入其中。结论：在中低收入国家实现医疗AI的可持续和公平部署，需要在AI生命周期中贯穿以人为中心的价值观——透明度、问责制、隐私和公平。本综述与世界卫生组织（WHO，2021年）和联合国教科文组织（UNESCO，2021年）的AI伦理框架一致，强调数字健康领域有意义的创新取决于通过情境感知和可信的AI系统来增强而非取代人类判断。然而，本范围综述受限于仅纳入英文研究以及研究的异质性，这使得定量综合分析无法进行。
1 引言
1.1 人工智能在医疗保健中的背景
人工智能（AI）已成为医疗保健领域的变革性力量，它提升了诊断准确性，加速了临床工作流程，并支持了精准医疗。从放射学和病理学到公共卫生监测，AI驱动的系统为提高全球医疗服务的效率和公平性带来了切实希望。然而，在低资源环境（LRS）中，将这一承诺转化为持续实践仍然困难。基础设施、技术能力和治理方面的限制常常使得AI系统难以长期可靠运行。尽管AI在高资源环境中已显示出强劲效果，但将这些进展转化为低资源背景仍然充满挑战且探索不足。在基础设施脆弱、连接性有限的环境中，有效的AI部署不仅取决于技术本身，还取决于它与本地工作流程、机构和日常现实的契合程度。在本综述中，LRS指的是通常存在于中低收入国家（LMICs）中的医疗环境，其中系统性约束（如资金不足、劳动力短缺和有限的数字素养）加剧了技术障碍。现有文献往往侧重于AI在医疗保健中的技术可行性或伦理影响，导致对真实世界实施挑战的理解碎片化。很少有综述全面综合了后疫情时代关于AI系统如何在此类环境中被采纳、调整和维持的证据。为了填补这一空白，本范围综述通过以人为中心和系统导向的视角，审视了四个相互依存的领域——数字基础设施与连接性、数据质量与本地能力、伦理与治理、政策与可持续性。因此，本研究旨在解决以下三个研究问题：在低资源环境中实施医疗AI的主要障碍是什么？哪些部署策略已被证明是有效或可持续的？哪些治理框架支持AI合乎伦理且公平地融入医疗系统？通过综合多学科证据，本综述旨在为政策和实践提供信息，强调可持续的AI创新需要情境感知的设计、稳健的基础设施以及基于透明度、问责制和人类价值观的治理机制。作为一项范围综述，本研究旨在绘制现有证据图谱，而非评估干预效果，其详细的方法局限性将在稿件后面讨论。
1.2 挑战与策略
在低资源环境（LRS）中部署医疗人工智能（AI）涉及一系列相互关联的挑战，涵盖数字基础设施、数据质量、伦理治理和政策可持续性。这些挑战不仅反映了技术限制，也反映了更深层次的结构和人类现实，这些现实塑造了医疗服务的提供方式。应对这些挑战需要采取以人为中心、系统导向的方法，加强卫生系统基础，培养本地能力，并建立可被信任并能长期维持的治理机制。
1.2.1 基础设施灵活性和数据系统
脆弱的数字基础设施和有限的连接性构成了重大障碍，因为许多LRS地区电力不稳定、互联网接入差或时断时续、硬件过时，这使得AI系统难以可靠运行和平滑共享数据。为应对这些问题，策略重点在于增强基础设施的韧性，而非追求复杂的技术解决方案。这包括投资于有韧性的基础设施，如太阳能和备用发电机，以及利用混合连接选项，如4G、5G和卫星。此外，建立安全的本地服务器和稳健的电子健康记录（EHR）系统至关重要，因为可靠的基础设施是任何AI干预的基础，它支持具有本地数据缓存的离线AI模型，以减少对持续连接性的依赖。
1.2.2 数据质量、能力建设和功能就绪度
数据相关问题普遍存在，许多中低收入国家依赖纸质或碎片化的健康记录，导致数据集不完整或不一致，这可能会损害AI性能并在数字化时引发伦理问题。此外，明显缺乏能够管理和验证AI工具的培训人员，这阻碍了有效的实施和维护。有效的策略侧重于加强基础数据实践和本地能力，而非引入复杂的技术解决方案。这通过建立国家数据仓库、采用可互操作的数据标准（如HL7/FHIR）以及为医疗工作者和IT人员提供持续培训以提高AI理解并促进临床医生与数据科学家之间的协作计划来实现。
1.2.3 伦理治理、可持续性和政策整合
伦理和监管缺口在同意、数据隐私和问责制方面带来了重大风险，特别是当AI系统（通常基于高收入人群的数据训练）可能无法对所有群体表现均等，从而可能加剧健康不平等。缺乏关于AI相关错误的明确政策进一步使现实世界的部署复杂化。许多AI试点项目在外部资助结束后也难以持续，因为它们通常未被纳入国家电子健康战略，或未得到可预测预算的支持，导致系统过时。关键策略包括建立伦理监督委员会、进行公平性审计、确保AI系统的透明报告，并促进可解释AI的发展，以及制定与全球透明度和问责制原则相一致的国家伦理指南。政府应将AI发展与卫生优先事项相结合，制定长期融资计划，并促进公私合作伙伴关系，以确保AI系统的连续性和维护。促进基于公平的关键绩效指标，并让患者和当地社区参与AI治理，进一步将伦理植根于真实经验，确保AI支持而非取代临床判断。
2 方法
2.1 研究设计
本研究按照系统评价和Meta分析扩展的范围综述（PRISMA-ScR）指南进行了一项范围综述，并遵循乔安娜·布里格斯研究所（JBI）范围综述的方法指南。选择范围综述设计是为了全面绘制关于医疗人工智能（AI）在低资源和中低收入国家（LMIC）医疗环境中部署的现有文献图景，特别强调实施障碍、赋能策略、伦理考虑和可持续性因素。本综述关注的是AI在真实医疗环境中的实际使用方式，而非算法的构建方式。报告遵循PRISMA-ScR指南，并使用PRISMA流程图（图1）展示了研究选择过程。
2.2 协议注册
本研究没有前瞻性注册正式的综述协议。然而，综述过程严格遵循了JBI范围综述框架，并且所有方法学步骤都是预先定义并始终如一地应用的，以增强透明度、可重复性和方法学严谨性。未进行前瞻性协议注册，因为范围综述本质上是迭代和探索性的；尽管如此，所有资格标准、检索策略和分析程序都是预先定义的，并在整个综述过程中一致应用。
2.3 目标和研究问题
本范围综述的主要目标是系统性地绘制关于在低资源医疗环境中部署医疗AI的挑战和策略的证据图谱。本综述由以下研究问题指导：哪些障碍阻碍了在低资源和中低收入国家医疗环境中实施医疗AI，特别是在基础设施、数据质量、劳动力能力、伦理和治理方面？在现实环境中，哪些策略和赋能因素已被报道用于应对这些挑战？哪些因素有助于医疗AI系统在资源受限环境中长期保持有用和有效？
2.4 检索策略
进行了全面的文献检索，以确定2015年1月1日至最终数据库检索日期（2026年1月）之间发表的相关研究，以确保涵盖关于低资源环境中医疗AI部署的早期和近期证据。文献检索包括2015年1月1日至2026年1月期间发表的研究，最终数据库检索于2026年1月完成。此日期反映的是检索截止日期，而非研究完成日期。研究人员检索了PubMed、Scopus、Web of Science和IEEE Xplore，并检查了Google Scholar以确保没有遗漏相关研究。最终数据库检索于2026年1月完成。以下布尔检索字符串被一致使用，并针对数据库特定语法进行了细微调整：“人工智能”或“机器学习”或“深度学习”与“医疗保健”或“医学”或“卫生系统”或“数字健康”与“低资源”或“资源有限”或“中低收入国家”或“发展中国家”与“伦理”或“道德的”或“治理”或“政策”或“法规”。仅考虑以英文发表的同行评审研究。对于Google Scholar，初步检索产生了大量记录。根据范围综述的常见做法，仅筛选了前300条最相关的Google Scholar结果以平衡可行性和覆盖率；然而，此方法可能导致超出此范围的潜在相关研究被遗漏。
2.5 检索结果和数据库摘要
数据库检索在去重前共确定了6,558条记录，分布如下：PubMed 340条，Scopus 4,129条，Web of Science 1,301条，IEEE Xplore 788条，总计6,558条。在所有五个数据库中应用这些筛选器后，保留了6,558项独特研究以进行进一步筛选。初次Google Scholar检索返回了约16,700条记录。由于Google Scholar检索结果数量非常庞大，因此仅审查了前300条最相关的记录。在添加了300条Google Scholar记录后，总共包括4,891条独特记录以供筛选。
2.6 去重过程
所有检索到的记录均导入EndNote 21进行参考文献管理。使用自动工具识别重复项并经人工验证。在Microsoft Excel中使用文章标题、期刊名称和出版年份进行了额外检查。此过程从原始6,558条数据库结果中删除了1,967条重复项，留下4,591条独特记录。
2.7 筛选和资格评估
筛选分两个阶段进行。首先，两名评审员独立审查标题和摘要，并使用预先定义的资格标准。分歧通过讨论和共识解决。在此阶段，4,141条记录因明显不相关而被排除。在第二阶段，详细评估了750篇全文文章。文章根据其与中低收入国家医疗AI的相关性、对伦理和治理问题的考虑以及对现实医疗环境的实际相关性进行评估。考虑了期刊排名（Q1/Q2）以加强分析深度，而非作为严格的纳入标准。重要的是，研究并非仅基于期刊排名被排除，并且当满足资格标准时，来自区域性或较低排名期刊的相关证据也被保留。
2.8 纳入和排除标准
2.8.1 纳入标准：考察中低收入国家医疗环境中医疗AI部署、障碍或赋能因素的研究；涉及医疗AI在医疗保健中伦理、治理、基础设施或可持续性方面的文章；2015年1月至2026年1月间发表的英文同行评审出版物。
2.8.2 排除标准：仅在高收入国家进行的研究；非医疗AI应用；灰色文献、预印本或非同行评审来源。排除灰色文献被承认是一个局限性，因为一些中低收入国家的实施证据可能在政策文件或项目报告中报告。经全文评估后，排除了706篇文章。在最后一步，44项研究符合资格标准，并被纳入定性综合分析。
2.9 数据提取和制图
使用结构化的Excel表格提取数据，该表格捕获了书目细节、国家或地区、AI应用类型、医疗保健领域、伦理关注点、报告的障碍或促进因素以及关键发现。两名评审员独立提取数据，第三名评审员验证结果以确保准确性和一致性。
2.10 主题综合
使用实施研究综合框架（CFIR）对提取的数据进行主题分析。CFIR框架用于组织和解释与AI在低资源医疗环境中实施相关的实施背景、系统准备情况、劳动力能力和治理因素。采用迭代编码过程，主题通过团队讨论和共识逐步完善。CFIR领域经过调整以反映低资源环境的特定特征以及医疗AI实施的社会技术性质，而非作为僵化的分类方案应用。此过程确定了四个总体主题：数字基础设施、数据质量与能力、伦理治理与政策以及可持续性，这些主题受以人为中心的设计视角的启发，强调情境感知、利益相关者参与和实际可行性。
2.11 质量评估
使用混合方法评估工具（MMAT, 2022）评估了方法学质量。质量评估用于帮助解释发现，并未作为排除研究的标准，这符合范围综述的探索性本质。因此，纳入了方法学质量各不相同的研究，并谨慎解释来自较低质量研究的发现，主要将其用于主题图谱绘制，而非得出因果或基于有效性的结论。
2.12 伦理考虑
本范围综述不涉及人类参与者、患者水平数据或机密信息；因此不需要伦理批准。所有纳入的研究都是同行评审且公开可用的，数据以透明和准确的方式处理和总结。该综述过程遵循开放科学原则和负责任的研究实践，包括透明报告、适当引用和仔细解释二手数据。
2.13 PRISMA-ScR流程摘要
PRISMA-ScR流程图总结了研究选择过程。从数据库检索确定的6,558条记录中，删除了1,967条重复项。在纳入300条Google Scholar记录后，对4,891条记录进行了筛选。经全文评估后，保留了44项研究用于最终定性综合分析。此流程图提供了研究识别、筛选、资格评估和纳入各阶段的透明概述。
2.14 方法透明性总结
本范围综述遵循了由PRISMA-ScR和JBI原则指导的透明和系统的过程。文献检索涵盖了2015年1月至最终数据库检索日期（2026年1月）之间发表的研究，确保在分析时涵盖最新证据。结构化的筛选、去重和数据提取过程提高了可重复性并减少了偏倚，为理解低资源环境中的医疗AI部署提供了强有力的证据基础。关键的方法学局限性——包括缺乏前瞻性协议注册、英文语言限制、选择性Google Scholar筛选、排除灰色文献以及纳入设计异质的研究——已被明确承认，以支持对研究结果进行平衡和透明的解释。
3 结果：以人为中心的视角
数据库检索确定了6,558条记录。在消除重复并纳入Google Scholar结果后，研究人员通过检查标题和摘要评估了总共4,891条独特记录。从此选择中，研究人员仔细审查了750篇全文文章的资格，最终有44项研究符合纳入标准，并被纳入最终的定性分析。
3.1 纳入研究的特征
在44项纳入的研究中，18项采用定性方法，如访谈、焦点小组和民族志观察（40.9%）。共有14项研究使用定量方法，主要依赖调查或横断面方法（31.8%），而12项研究采用混合方法（27.3%）。大多数研究在单一国家进行（31项研究，70.5%），较小数量的研究考察了多个中低收入国家（13项研究，29.5%），表明跨国相关性范围有限。在AI应用领域方面，诊断支持是文献中最常见的主题，特别是在放射学、病理学和临床决策支持等领域（24项研究，54.5%）。11项研究关注AI在健康信息系统和数据工作流程中的整合（25%），9项研究考察了用于患者监测或工作流程优化的AI工具（20.5%）。总体而言，证据基础仍高度集中于诊断AI，尽管对系统级和操作应用的关注度在增长但仍然有限。
3.2 主题综合概述
主题分析确定了四个相互关联的领域，它们共同塑造了医疗人工智能在低资源环境中的部署。这些领域涵盖数字结构与连接性、数据可靠性与本地能力、伦理问题以及治理，以及政策与可持续性。它们不仅说明了技术挑战，还说明了影响信任、可用性以及AI融入日常医疗实践的深层次的人文问题。
3.3 数字基础设施与连接性：信任的基础
在44项纳入的研究中，有34项（77.3%）确定了脆弱的数字基础设施是主要障碍。在许多环境中，电力和互联网不可靠，设备过时。增强数字基础设施韧性的策略包括部署混合或太阳能供电系统、采用具有本地数据存储的离线AI模型、根据本地系统能力进行逐步的数字化增强，以及通过对医疗和IT人员的针对性培训来建设本地技术维护能力。
3.4 数据质量与本地能力：确保相关性和公平性
数据相关挑战是最常报道的领域，出现在44项研究中的36项（81.8%）。发现许多医疗系统依赖纸质记录或碎片化数据，标签不一致且格式非标准化。医疗工作者中有限的AI和数据素养也被报道。报告的策略强调加强基础数据实践、采用可互操作的标准（如HL7/FHIR），并为临床医生和IT人员提供持续培训。
3.5 伦理与治理：保护尊严与建立信任
有29项研究（65.9%）报道了伦理和治理问题，包括不清楚的同意流程、薄弱的数据保护、算法偏差以及AI决策的有限可解释性。当人工智能系统从不代表本地患者的数据中学习时，它们通常难以为所有群体提供公平服务，导致一些个体感到被忽视或排斥。临床医生报告在决策过程不透明时对使用AI工具犹豫不决，这破坏了信任和采纳。有效的策略包括公平性和偏差审计、支持临床可解释性的可解释AI（XAI）工具，以及建立多学科或社区知情的治理机构。这些系统促进了透明度，确保了患者尊严，并允许医疗提供者负责任地使用AI。
3.6 政策与可持续性：确保长期影响与公平性
在超过一半的纳入研究中（44项中的26项，59.1%）确定了政策层面的约束，对低资源环境中医疗AI的长期可持续性和公平性构成了重大挑战。常见问题包括碎片化或不协调的国家电子健康战略、缺乏明确的AI特定监管框架，以及严重依赖短期、由捐助者资助的试点项目。这些约束一致限制了AI干预在初始实施阶段之外的规模化和持续功能。当外部资金结束时，AI系统常常因缺乏维护资源、实施系统更新的能力有限以及训练有素的员工离职而陷入失修，这导致服务中断和患者及医疗人员信任度下降。成功的策略强调了将AI治理纳入国家数字健康计划、制定与国家卫生预算挂钩的可持续融资模式以及促进公私合作伙伴关系以维持和扩展系统的重要性。通过合作，政策制定者、医疗领导者、技术专家和一线医疗工作者在促进连续性、公平性以及将AI成功融入日常医疗活动方面发挥了至关重要的作用，特别是通过解决不同人口群体在获得AI增强服务方面的不平等。
3.7 识别的证据缺口
在纳入的文献中，一致识别了几个关键的证据缺口。首先，严重缺乏对AI在真实世界场景中应用后性能的长期评估，这限制了对其持续有效性、模型变化和系统随时间推移可靠性的洞察。其次，成本效益和预算影响分析的报告不足，限制了政策制定者规划超出捐助者资助试点项目之外的可持续规模化的能力。第三，以人为中心的证据，特别是关于患者体验、临床医生工作量和真实工作流程整合的证据，往往被忽视，尽管这在获得接受和信任方面起着关键作用。这些不足强调了未来研究的重要性，这些研究应与日常临床实践保持一致，采用参与式和实施科学方法，并将AI系统视为复杂卫生系统中的动态元素，而非固定的技术解决方案。
4 讨论
本讨论综合了本范围综述的主要发现，强调了在低资源环境（LRS）中部署医疗人工智能（AI）的多方面挑战和赋能策略，特别是在中低收入国家（LMICs）。基于44项多样研究的发现，结果表明在这些领域成功整合AI在系统层面构成了重大障碍，超越了单纯的技术效率，涉及社会、伦理和政策维度。
4.1 相互关联的实施挑战
研究发现，低资源环境中AI部署的障碍是深度相互关联的，需要整合而非孤立的解决方案。以不稳定电力、间歇性互联网连接和过时硬件为特征的脆弱数字基础设施，成为反复出现的限制因素，不仅损害了系统可靠性并中断了临床工作流程，还削弱了临床医生对AI工具的信任。数据质量限制和本地能力差距进一步限制了AI的有效性。纸质和碎片化健康记录的广泛使用导致数据通常不完整且不可靠，增加了偏差或不准确结果的风险。这些问题因缺乏培训人员而加剧，形成了一个循环，即糟糕的数据和有限的人为能力减缓了长期实施工作。伦理和治理问题也是常见的挑战。担忧包括偏差算法、不清晰的决策过程以及薄弱的同意和数据保护实践。当AI系统不能反映当地社区需求或依赖难以理解的决策过程时，这会降低医疗专业人员和患者之间的信任，并引发对加剧健康不平等的担忧。在系统层面，政策和可持续性约束——包括碎片化的国家电子健康战略、缺乏AI特定的监管框架以及对短期捐助者资助试点项目的依赖——限制了可扩展性和长期可行性。没有可持续的融资和政策整合，许多AI计划未能超越试点阶段，并随着时间的推移而过时。
4.2 以人为中心的策略与数字韧性的政策启示
针对在低资源环境中观察到的多方面挑战，文献一致强调了以人为中心、系统导向的医疗AI部署方法的关键作用。这一视角强调AI应该增强而非取代临床判断，从而加强有韧性的数字基础设施，作为可持续实施的基础要求。
4.2.1 加强有韧性的数字基础设施
4.2.1.1 可靠的电力解决方案：低资源环境中持续存在的电力不稳定问题，需要在有韧性的基础设施上进行战略性投资，例如混合或太阳能供电系统。这些解决方案有助于保持电力供应更可靠，使数字健康服务和临床工具能够在没有频繁中断的情况下持续运行。
4.2.1.2 离线AI模型和本地数据存储：为缓解有限和间歇性互联网连接的影响，采用能够离线运行并带有本地数据缓存的AI模型是一种务实的策略。这种方法意味着即使在互联网中断时系统也能持续工作，帮助临床医生在没有中断的情况下继续工作。此外，建立安全的本地服务器和稳健的电子健康记录（EHR）系统至关重要，因为可靠的本地基础设施构成了任何有效AI干预的基础。
4.2.2 逐步和情境感知的数字化增强
4.2.2.1 分阶段实施：在低资源背景中将AI系统成功整合到医疗工作流程中，通常依赖于与卫生系统现有能力相匹配的逐步数字化增强。逐步引入技术有助于工作人员更好地应对，保持日常工作的正常运行，并使变革更容易被接受，因为它符合当地情况。这使得人们更容易在日常工作中使用新工具。
4.2.3 建设本地可持续能力
4.2.3.1 针对性培训和技能发展：实现长期韧性的关键推动因素涉及通过对医疗和IT人员的针对性培训来建设本地技术维护能力。这些项目帮助本地团队独立解决问题并维护数字系统运行，而无需总是依赖外部技术支持。随着时间的推移，工作人员会感到更加自信和投入。持续的培训也有助于提高数据质量并加强在日常实践中使用AI的信任度。总体而言，这些方法提供了一种实用的、以人为本的改进数字系统的方式。通过解决基本的基础设施问题、根据当地需求调整技术以及培养本地技能，卫生服务可以避免许多系统故障，减轻工作人员压力，并提供更可靠的护理。最终，这样的数字韧性对于支持低资源医疗环境中医疗AI的可持续和公平整合至关重要。
4.3 对文献的贡献
虽然早期的综述强调了类似的障碍，但本综述通过提供以实施为中心的综合分析，突出了人类、机构和政策准备，从而推进了文献。通过考察AI在真实世界临床环境中的功能（而非理想技术条件），研究发现强化了在低资源环境中AI的成功主要取决于社会、伦理和治理的协调，而不仅仅是技术的复杂性。
5 结论
总体而言，在低资源环境中可持续和公平地部署医疗AI需要一种全面的、以人为中心的方法，优先考虑有韧性的基础设施、值得信赖的数据实践、伦理治理和整合的政策框架。解决这些相互关联的领域使AI能够增强而非扰乱临床实践，加强资源受限环境中的卫生公平和系统韧性。
6 建议和未来研究方向
为了支持在低资源环境（LRS）中可持续和公平的医疗AI部署，提出了以下简明的建议和未来研究重点。
6.1 建议
6.1.1 基础（短期）：投资于有韧性的数字基础设施至关重要，因为不可靠的电力和有限的互联网连接在低资源环境中仍是主要障碍。使用有韧性的电力解决方案和离线AI模型对于确保系统连续性至关重要。同时，必须通过建立国家数据仓库和采用可互操作的数据标准（如HL7/FHIR）来解决碎片化和不一致的健康数据问题，以提高数据质量。
6.1.2 发展（中期）：医疗和技术人员中有限的AI和数据素养需要有针对性的能力建设计划。需要整合AI素养和伦理意识的持续专业发展计划，以支持有效和负责任的AI使用。此外，应通过正式的伦理监督机制、公平性审计和可解释AI工具来解决伦理和治理挑战，包括算法偏差和不清楚的同意流程，以促进透明度和信任。
6.1.3 战略（长期）：确保长期可持续性涉及将AI治理纳入国家数字卫生框架，解决当前的监管不足，并确保AI项目与公共卫生目标保持一致。此外，通过可持续融资模式和公私合作伙伴关系来减少对捐助资金的依赖，对于确保低资源环境中AI计划的连续性和可扩展性至关重要。
6.2 未来研究方向
未来的研究应侧重于对AI系统进行纵向评估，以评估其部署后的实际性能、长期有效性和模型可靠性。还需要更加重视成本效益和预算影响分析，以告知AI干预措施的可持续、大规模采用。最后，研究应优先考虑以人为中心的结果和情境适应，包括减轻算法偏差和校准AI模型以适应本地人群，以防止加剧低资源环境中的健康不平等。
