《Frontiers in Digital Health》：Navigating ethical, regulatory, and implementation barriers to AI in healthcare: pathways toward inclusive digital health in low-resource settings—a scoping review
背景：人工智能（Artificial Intelligence, AI）具有革新低中收入国家（Low- and Middle-Income Countries, LMICs）医疗卫生服务提供的潜力，但其快速应用引发了复杂的伦理、监管和实施挑战。本综述系统考察了这些障碍，并识别了支持资源受限环境下公平和包容性人工智能部署的新兴策略。方法：遵循系统综述与荟萃分析优先报告条目扩展范围综述（Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews, PRISMA-ScR）指南，研究人员利用PubMed、Scopus和Cochrane Library数据库（2000–2025）以及全球卫生政策报告进行了系统性文献映射。检索框架采用人群、概念和背景（Population, Concept, and Context, PCC）框架，以识别涉及LMICs人工智能治理的研究。共有60篇涉及伦理、监管或实施问题的文献被纳入分析，这些文献被组织于源自世界卫生组织（World Health Organization, WHO）和经济合作与发展组织（Organisation for Economic Co-operation and Development, OECD）框架的三个领域：治理、隐私和人工智能应用。结果：研究表明，仅7.4%的LMICs制定了国家人工智能战略。证据显示，超过60%的LMICs人工智能模型依赖于非代表性数据集，加剧了情境性偏倚（contextual bias）。在纳入的60项研究中，25项聚焦伦理，17项聚焦监管缺口，18项聚焦实施层面。研究结果揭示了卫生人力准备度不足，仅不足10%的机构提供结构化人工智能培训。巴西和印度的案例研究说明了如何通过情境敏感型设计应对这些障碍。结论：成功的人工智能整合需要情境敏感型设计、参与式治理和能力建设。本范围综述识别了有关运营化实证研究的关键空白，并建议从数字依赖转向本地创新生态系统。
## 1 引言
人工智能（AI）指允许机器和计算机模拟人类智能的技术集合。AI已成为多个领域的重要变革力量，其中医疗卫生最为显著。AI与医院和诊所的整合代表了医疗服务提供与管理方式的范式转变。AI可通过辅助医师、替代行政任务和扩展医学知识等应用，改变医师工作流程和患者照护。
发展中国家指人均国民总收入（Gross National Income, GNI）每年不超过11,905美元的国家。在这些国家，农村居民的期望寿命和健康状况通常差于城市居民。贫困是最重要的社会决定因素之一。获得合格卫生服务的有限性是影响健康状况的直接原因。公共卫生支出低、医疗保险覆盖率低、福利包有限、卫生专业人员和设施短缺、卫生工作者培训不足、交通困难等因素共同导致发展中国家农村地区卫生服务质量低下。城乡卫生服务不平等是发展中国家的严重问题，其中合格卫生服务提供者的短缺是农村卫生服务可及性和质量低下的主要原因。
研究表明，计算机辅助或AI医疗技术的应用可改善发展中国家农村地区的卫生结果。与此同时，许多LMICs在信息技术基础设施和移动计算能力方面的进步，提升了人们对AI可能有助于应对全球卫生特有挑战并加速实现卫生相关可持续发展目标的期望。然而，关于AI驱动的卫生干预措施引发了一系列根本性问题——传统上用于对新技术做出循证决策的工具、方法和保护措施是否能够应用于AI。尽管AI具有帮助人类过上更长且更繁荣生活的巨大潜力，但也存在被误用或滥用以造成危害的可能，例如威权政权用于镇压异见的秘密监控系统、军事化杀手机器人，以及训练数据中存在的歧视和偏见转化为AI决策中的歧视。其他担忧包括AI导致隐私缺失、透明度不足、个人数据滥用，以及因数据可秘密收集而导致的知情同意潜在丧失；人际接触的减少和共情的缺失，以及问责制和法律责任的不明确。鉴于这些挑战的跨学科性、规范性和政策驱动性，选择范围综述方法以综合跨多样情境的伦理、监管和实施视角。
## 2 方法
### 2.1 研究设计与理论基础
本研究采用范围综述设计，考察LMICs中AI赋能卫生系统的数据治理与隐私问题。选择范围综述是因为该方法最适合对新兴多学科领域中证据的性质和范围进行映射。本研究遵循PRISMA-ScR指南开展。与叙述性综述不同，该方法遵循系统性协议以识别研究空白并组织无法定量汇总的异质性证据（包括政策文件和同行评审研究）。
### 2.2 检索策略与纳入标准（PCC框架）
为确保方法学严谨性，研究以PCC框架为指导：人群（Population）为资源受限环境下的卫生系统、服务提供者和患者；概念（Concept）为包容性AI的伦理、监管和实施障碍；背景（Context）为LMICs。检索在PubMed、Scopus和Cochrane Library中进行（2000–2025），25年的时间范围旨在提供纵向基线，涵盖从早期电子卫生基础设施到近期生成式AI激增的转变。虽然检索窗口较宽，但最终纳入60项研究反映了2015年之前LMICs正式治理文献的极度匮乏。2000至2010年间的大多数历史记录聚焦于卫生记录数字化而非自主算法的伦理治理，这解释了为何多数结果在全文审查阶段因缺乏政策或治理聚焦而被排除。WHO、世界银行和OECD的灰色文献被纳入以捕捉全球标准。
概念框架方面，研究结果组织于三个领域——治理、隐私和AI应用——源自WHO AI卫生伦理与治理及OECD AI原则，确保与全球标准的一致性。
### 2.3 文献筛选与数据综合
共60项研究纳入最终综合。该最终数量经过严格核查以确保结果和讨论的一致性。数据提取聚焦于识别情境特异性障碍和当前LMIC政策中的"缺失"结局。依据范围综述标准，未对单个研究进行正式质量评价，因为目标是映射领域广度而非验证特定临床效应。
## 3 结果
### 3.1 证据来源筛选
初始检索四个数据库和灰色文献共获得1,365条记录（数据库1,245条，政策报告120条）。去除315条重复记录后，1,050条独特引文进入题目和摘要筛选。初始筛选阶段排除820条记录，主要因未聚焦医疗卫生或非LMIC情境。230条来源进入全文检索和合格性评估，其中170项因不符合纳入标准（主要关注纯技术算法描述而无治理分析，或发表于2000年前）被排除。最终60项研究符合所有标准并纳入最终范围综述综合。
### 3.2 纳入文献特征
60篇纳入文献中，大多数发表于2018至2024年间，反映了近期AI在全球卫生中应用激增。地理分布涵盖撒哈拉以南非洲、南亚和拉丁美洲。设计类型包括同行评审实证研究、政策框架和案例报告。
## 4 结果综合
60篇文献的发现组织于三个领域：治理、隐私和AI应用。其中25项研究涉及伦理与治理，17项涉及监管框架，18项聚焦实施和AI应用。
### 4.1 AI驱动卫生系统中的伦理挑战
**算法偏倚与卫生不平等：** 实施AI的主要局限之一是训练数据集中各类人群的代表性不足，从而加剧现有的社会和种族不平等，损害模型在不同患者群体中的准确性和可靠性。全球综述的证据表明，确保数据多样性和以公平为中心的设计可减少卫生服务提供中的系统性偏倚。
**数据治理与隐私：** 在低识字率环境中，由于语言、教育和技术障碍，获取知情同意往往困难。此外，AI在跨境卫生数据传输中的使用因隐私法规薄弱和保障措施不足而构成重大风险。缺乏协调一致的法规或执行能力，使LMICs人群面临数据滥用或被剥削的更高风险。
**透明度与问责制：** 尽管AI在增强临床决策方面展现巨大潜力，问责制仍是重大挑战。开发者、临床医师和患者的多重角色使责任归属困难。当前法律法规缺乏对问责制的明确定义，特别是当决策由不透明或黑箱算法做出时。这种模糊性损害了AI在卫生领域的透明度和伦理使用。不透明的AI模型增加了法律和道德不确定性，使不良结局的责任归属困难。
### 4.2 监管与政策挑战
**国家战略的缺失或薄弱：** AI在发展中国家应用的核心挑战之一是缺乏全面的国家卫生AI战略。尽管许多高收入国家已制定明确的国家AI框架，许多中低收入国家却缺乏指导负责任部署的框架和战略规划。截至2022年的政策分析报告显示，仅7.4%的LMICs制定了正式国家AI战略，非洲采纳率尤其低（54国中仅4国）；全球仅15.2%的国家有AI专项立法，约60.3%的国家缺乏医疗卫生AI基础设施。虽然若干LMICs仍在制定AI专项法律，但现有框架如南非《个人信息保护法》（Protection of Personal Information Act, POPIA）和印度《2023年数字个人数据保护法》目前为这些地区的隐私领域提供主要法律基础。此外，在高收入国家数据上训练的AI模型的采用往往无法捕捉LMICs的独特情境，导致效度差、偏倚和不公平结局。基础设施和验证框架的缺失增加了风险。
**卫生政策与技术政策的不协调：** 治理是确保AI技术符合伦理、透明、问责和适应性的基本框架。尽管许多州已实施系统性AI治理政策，但仍缺乏强有力的治理体系。多项研究建议治理应为多学科的，涉及临床医师、伦理学家、法律顾问和患者，包括持续审计和风险评估。
**法律责任与问责缺口：** 透明度缺失和自主决策造成责任缺口，难以明确患者伤害应由临床医师、开发者、机构还是监管者承担责任。这种不确定性损害了可靠性，特别是在低资源环境中采用此类不透明系统时，凸显需要超越责任并建立明确护理合规性以创造透明度的强有力的监管框架。
### 4.3 实施挑战
**基础设施缺口：** LMICs的主要障碍之一是资源限制。由于资源稀缺和财务约束，AI技术未被优先分配资源，直接影响其开发、设计和整合到卫生服务中。赞比亚一项糖尿病视网膜病变AI筛查工具评估识别出两大实施障碍：可负担性和可用性。对于资源不足的环境，即使AI等有益技术也可能因财务成本、最佳电信网络缺失、互联网不可用和电力短缺而变得不切实际。软件算法的持续升级和测试以及AI系统监控以确保所有硬件组件运行的财务成本进一步加剧这一问题。虽然近期AI医疗进步增加了政府、产业和学术界的初始投资，但AI系统的长期可持续性仍不确定。需要足够的商业激励来采用和优化该技术；然而，若无可持续的财务模型，即使最有前景的技术也可能无法产生影响。成功部署AI驱动技术需要大量投资来加强资源、基础设施和潜在培训以支持新干预措施。
**人力与能力缺口：** 卫生专业人员AI培训不足是LMICs AI驱动卫生的另一关键挑战。这一知识和教育缺口不仅延伸至临床医师，还涉及政策制定者、AI开发者甚至个体患者。他们之间缺乏协作是有效采用和理解这些技术的重大障碍。一项研究发现，缺乏适当培训 followed by 缺乏技术支持是约旦医院临床决策支持系统（Clinical Decision Support Systems, CDSS）实施的主要挑战。培训不足导致无法管理或有效使用AI工具的劳动力，强调充分培训和专业知识在理解这些技术方面的重要性。数据收集和标注等耗时任务也可能构成障碍，特别是考虑到卫生工作者繁忙的日程。AI在医学中的有效实施还需要临床医师对AI融入现有卫生系统的信任和接受。AI技术可能因担心未来将取代卫生专业人员而面临阻力。许多卫生专业人员也可能因培训不足而难以信任自动化系统。这种不熟悉和不理解可能导致难以依赖AI解决方案。中国农村22名临床医师对AI赋能CDSS提出质疑，如与当地情境不匹配、系统透明度和可信度。另一项中国研究表明，部分用户认为AI聊天机器人生成的诊断不准确。
**社会文化和语言障碍：** 一项研究全面概述了文化对各国AI使用的影响。在非洲，AI的主要相关担忧包括就业岗位流失和社会经济分化。在南非和肯尼亚，AI发展引发了对西方大国依赖性增加、隐私侵犯和本地数据暴露给外国风险等担忧。在拉丁美洲，对政府监控、隐私和人权侵犯存在广泛担忧。在巴西，政治腐败和对政府的不信任进一步影响AI的文化接受度，同时还存在AI可能加剧性别不平等、边缘化社区和对土著语言产生负面影响的担忧。
语言限制是AI实施的重要挑战。单个医学词汇在不同情境中可能有不同含义。即使AI系统识别出单词的不同含义，仍可能难以确定其出现的情境。为解决此问题，AI必须在使用包括多样化本地人群的数据上进行训练，并采用当地语言以更好理解情境。以结肠镜检查为例，一项研究描述了将自然语言处理（Natural Language Processing, NLP）系统应用于异质性环境的各种挑战，主要挑战包括构建自然语言语料库困难、不同记录结构和特殊语言内容。这在低资源环境中可能更为复杂，因为手写卫生记录进一步增加了可用自然语言语料库汇总的难度。此外，近期大语言模型（Large Language Models, LLMs）的发展引入了关于"幻觉"和LMICs本地语言表征不足的额外风险，需要在低资源系统的特定社会文化情境中对生成式AI工具进行严格验证。
## 5 讨论
本范围综述综合了跨多样LMIC情境的伦理、监管和实施洞察，强调概念一致性而非穷尽性证据覆盖。研究发现，AI具有在医疗卫生多个领域展现变革的显著潜力，特别是在卫生系统服务不足和超负荷运转的LMICs。AI技术正越来越多地在资源受限环境中被利用，以弥合卫生服务提供、诊断和疾病监测方面的关键缺口。AI与远程医疗的整合为农村地区卫生服务可及性提供了有前景的解决方案，通过提供先进诊断工具、预测分析和个性化治疗建议，赋能本地提供者决策支持，从而减少延误、改善治疗结局，同时减少不必要的临床就诊和缓解机构负担。
AI医疗诊断已因成本效益高且对基础设施、设备和专业人员依赖小而取代传统系统。此外，可实现更快的诊断流程和高准确度。在疾病监测方面，AI通过分析搜索趋势和电子健康记录等多源数据实现早期检测、实时监测和高效资源分配，以预测早期疾病暴发和发布自动警报。
AI预测分析已越来越多地应用于传染病控制。机器学习模型与流行病学和气象学数据的整合预测登革热暴发，使公共卫生当局能够采取必要先发制人行动并更有效分配资源，特别是在脆弱地区。
### 5.1 结果与包容性原则的关联
结果中识别的主题集群——伦理、监管和实施——显示了LMICs的数字依赖循环。为从这些障碍转向功能性框架，研究人员提出包容性AI的四项原则。这些原则并非独立于结果；相反，它们是对数据的直接回应。"情境敏感性"原则是对跨综述文献发现的"算法偏倚"和"情境性偏倚"的必要回应。同样，"开源和节俭式创新"为克服研究中识别的"基础设施缺口"提供了战略路径。
### 5.2 包容性与公平性AI的原则
**情境敏感性：** 指AI模型的适应和有效整合到当地社会文化、疾病模式和现有卫生系统，确保AI解决方案与当地人群在人口学和疾病特征上匹配。重大问题是当使用高收入国家数据训练的模型部署在LMICs时，影响其临床实践中的采纳和效果。这一现象也被称为情境性偏倚，即在不同卫生情境、人群人口学、健康风险和治疗决策的LMICs中部署高收入国家创建的算法。一项研究评估了高收入国家制造的AI模型在越南医院的应用效果，发现由于部署环境不同于训练环境，模型性能显著下降。因此，有必要构建使用本地数据集训练的AI模型，确保相关性、有效性和可用性。为确保情境敏感性，学术界、临床实践和产业之间的协作是必要的，以创建技术上合理且临床相关的模型。本地利益相关者必须参与数据收集、验证和监管，以及法律框架的制定。
**参与式设计：** 所有相关利益相关者，包括卫生专业人员、AI专家和社区成员，必须参与AI解决方案的设计和实施。临床医师和AI开发者需要协同努力以在临床环境中优化AI工具。临床医师提供对疾病、症状和患者卫生需求更好的理解，而AI开发者拥有设计和实施AI工具所需的技术技能。多学科方法将产生更有效且临床可行的工具。
随着AI融入医学，临床医师培养数据分析、统计和AI伦理等基本技能变得必要。为教育卫生专业人员AI，医学院和住院医师课程必须更新，包括算法和数据集理解及信息学培训。培养本地AI人才对于确保技术满足当地社会文化规范的需求是必要的。必须建立高收入国家和LMICs之间的战略伙伴关系，由高收入国家提供资金和投资以确保AI在LMICs的实施。
**开源与节俭式创新：** 考虑到LMICs的基础设施缺口，可能的关注领域包括投资强大的互联网网络、提供电子健康记录和构建国家电子卫生基础设施。为应对日益增长的计算能力和容量需求，加入项目并获得IT公司资助。应与本地和国际软件开发者签订协议，提供其产品的开放许可和免费培训，以降低财务成本和教育障碍。需要高收入国家和LMICs围绕开源平台、移动应用和数字卫生建立战略伙伴关系，以实现更具成本效益的解决方案。应鼓励国家研究和创新，生成文化适宜且社会可接受的AI解决方案。
电子健康记录（Electronic Medical Records, EMRs）是患者和人群健康信息的数字版本，可帮助解决LMICs的数据采集和存储问题。OpenMRS是肯尼亚用于改善妇幼卫生数据完整性的此类系统之一。云计算是另一项成本效益高的数据存储和处理应用。通过使用远程服务器，LMICs能够访问以前无法达到的计算能力，促进缺乏充足IT基础设施环境中的AI实施。LMICs手机的广泛使用也有助于在资源不足的环境中实现卫生目标和提供针对性卫生信息。OpenMRS实施反映了治理领域和开源创新原则，通过构建可持续的国家电子卫生基础设施。
**本地创新生态系统：** 包括本地AI人才、产业、研究机构、临床医师、政府和政策制定者。强大的本地生态系统使AI发展符合国家利益和本地卫生优先事项，减少对外部力量的依赖，创造就业机会，建立本地能力，并实施情境敏感型干预。一项研究也强调了负责任的本地领导力的参与作为可持续包容性AI的五个构建块之一，指出促进他们之间的有效协作对于开发稳健AI技术是必需的。
与高收入国家的合同协议也可帮助促进教育和培训，通过发展新的专业团体赋能本地临床医师能力。
### 5.3 公民社会和患者的作用
公民社会、个体患者和社区团体在AI开发和部署的所有阶段发挥着积极且宝贵的作用。一项研究描述了鉴于参与式方法和社区参与，AI如何成为公共卫生中的强大工具。社区参与对于AI的公平分配、预防伤害和促进透明至关重要。这种参与确保AI不加剧卫生差距并避免偏倚风险。
公众参与AI对于促进透明度和有效减轻AI的有害影响至关重要；然而，对其运作方式、进化能力和资源需求的不充分理解可能阻碍社会和个人的有意义参与。一项研究将公众参与AI分为五个主题：作为自动化政府副产品的参与、通过AI媒介促进的参与、作为量化过程的参与、作为信任技术官僚的参与，以及真正有意义的参与。这五个主题描述了公民参与AI的各种方法。参与可能自然产生作为政府自动化的副产品，或作为AI工具和聊天机器人收集公共数据促进参与式设计。它可能经常被简化为可量化数据，或者更重要的是通过明确提及透明度、问责制、开放数据素养和隐私来建立对AI的信任和获得接受。最后一个主题呼吁更真实和理想化的方法，即聚焦于赋能公民、共同设计和共同生产。这种草根参与对于缓解本综述识别的当前LMIC框架中的透明度和问责制缺口至关重要。
## 6 案例
### 6.1 巴西：预测性暴发管理
巴西占美洲所有报告登革热病例的一半。在1986年官方国家报告开始后的30年间，超过1,100万疑似病例和超过5,000例确诊死亡被报告，感染率和病死率在此期间均上升。季节性自回归整合移动平均（Seasonal Autoregressive Integrated Moving Average, SARIMA）模型等统计时间序列预测工具采用以数据为中心的方法，利用登革热的高度自相关特性预测未来发病率。
机器学习模型也被应用于预测不同情境下的登革热，通常纳入气候数据。一项研究在里约热内卢更精细化地评估了登革热风险，使用基于航拍和街景图像的卷积神经网络在邻里水平预测登革热风险。研究评估了机器学习模型在200多个巴西城市提前1个月预测登革热的潜力，比较了决策树集成方法、神经网络、支持向量回归（Support Vector Regression, SVR）和季节性朴素基线模型等不同算法。研究表明不同模型在不同城市表现最佳，基于月度登革热病例训练的随机森林模型总体表现最佳，能够使用2007至2019年数据提前1个月预测巴西城市的月度登革热病例。
该案例代表AI应用领域，体现情境敏感性原则。SARIMA和随机森林模型在当地流行病学和气象变量上训练以确保区域准确性，展示了情境特异性应用如何缓解LMICs环境中数据错配风险。
### 6.2 印度：结核病筛查算法
印度拥有全球最大的结核病负担，占每年380万"缺失病例"中的四分之一以上。这一缺口很大程度上是由于缺乏准确、快速且经济有效的结核病筛查和诊断工具。随着数字胸部X光（Chest X-ray, CXR）的出现，使用计算机辅助检测（Computer-Aided Detection, CAD）软件程序解读CXR以检测肺结核（Pulmonary Tuberculosis, PTB）重新引起兴趣。2018年，一项新的商业CAD软件qXR（Qure.ai, Mumbai, India）获得CE认证，据称兼容所有放射学信息技术系统，易于整合入放射学工作流程，可在10毫秒内处理一张CXR。研究中PTB的验前概率为34%。qXR检测微生物学确诊PTB的曲线下面积（Area Under the Curve, AUC）为0.81（95%置信区间：0.78, 0.84）。同时最大化qXR灵敏度和特异度的阈值为0.818。使用该阈值，qXR灵敏度为71%（95%CI：66%, 76%），特异度为80%（95%CI：77%, 83%）。
qXR实施同时涉及治理和实施领域，体现节俭式创新原则。通过确保与现有放射学IT系统兼容并在10毫秒内处理图像，它绕过了研究结果识别的基础设施和专业人员短缺，展示了节俭式创新如何弥合低资源环境中的治理缺口。
南非POPIA和印度数字个人数据保护法的监管基准作为实用模型应对隐私领域。这些与参与式设计原则一致，将透明度和用户同意要求嵌入法律架构，确保数字卫生扩展不损害资源有限环境中的患者权利。
## 7 未来方向与研究空白
发展中国家卫生系统AI的日益应用带来了特殊的实施、伦理和法律问题。除批判性反思外，问题解决需要积极填补当前空白并定义未来研究方向的策略。
**情境感知AI开发：** 大多数AI卫生应用在高资源环境中开发，限制了其在LMICs的性能和适应性。AI系统必须适应本地流行病学特征、语言多样性、卫生系统能力和社会文化情境。这需要强大的本地人口统计数据库和涉及一线员工和社区利益相关者的参与式设计程序。需进一步研究不仅在技术上合理而且在社会和环境上合理的AI系统开发方法。
**性别与公平聚焦的算法审计：** 当前AI系统表现出复制甚至放大现有种族、性别和社会经济偏倚的倾向，导致不同的卫生结局。迫切需要进行系统性算法审计，特别考虑交叉性和公平性。这包括对边缘化人群的影响分析、性别分列数据和为LMICs情境定制的持续监测框架。研究应优先制定识别和解决算法性能在不同人口群体中差异的标准标准和方法。
**AI伦理与法律协同发展：** LMICs的显著监管障碍是缺乏随AI进步而演变的灵活法律框架。法律经常要么滞后要么设立宽泛禁令阻碍创新。通过伦理学家、法律学者、公共卫生专家和技术人员之间的多利益相关者参与，伦理标准和法律文件的协同发展至关重要。未来研究应探索如何将相关情境的伦理概念（如问责制、正义和团结）整合入既赋能又保护的法律框架。
**全球南方引领的研究与创新：** 关于AI和数字卫生的全球对话很大程度上由全球北方机构和叙事主导。这种不平衡可能增加认识论边缘化和数字依赖。去殖民化数字卫生研究、资助区域卓越中心和鼓励南南合作是重要的步骤。必须赋权本地研究者、技术人员和政策制定者引领创新和确立研究优先事项，以创建真正包容性、伦理和可持续的AI驱动卫生系统。全球南方在改革研究资助时应优先能力建设和长期伙伴关系。
## 8 局限性
本综述存在若干局限。首先，作为范围综述，方法有意非穷尽性的，依赖有目的的代表性和有影响力文献识别而非全面系统性检索，可能遗漏部分相关研究或政策文件。其次，综述限于英文发表文献，可能导致其他语言发表的本地生产证据的代表性不足。第三，综述主要依赖二手文献和政策分析，未应用正式偏倚风险或质量评价工具；取而代之的是基于同行评审状态、机构权威性和相关性的概念性来源可信度评估。最后，纳入文献和政策来源报告的定量数字反映异质性情境和方法论，应作为指示性趋势而非精确或普遍可泛化的估计来解释。尽管存在这些局限，范围综述方法为塑造LMICs卫生系统公平AI部署的伦理、监管和实施挑战提供了有价值的概念和政策相关洞察。
## 9 结论
为从数字依赖转向包容性卫生系统，LMICs必须落实本综述确立的四项包容性AI原则。具体而言，优先情境敏感性确保AI校准至本地数据，培育本地创新生态系统减少对外部技术的依赖。采纳参与式设计和开源创新提供了弥合识别的基础设施缺口的必要路径。
AI对改善发展中地区卫生服务提供具有巨大前景，但除非结构性、伦理性和监管性障碍得到解决，其影响将受到限制。算法偏倚、薄弱数据保护和不明确问责等挑战与脆弱的法律系统和资源不足的卫生基础设施交织，可能加剧而非减少不平等。可持续发展需要量身定制于本地情境、与区域专家共同创建、与公共卫生优先事项对齐的技术。法律和政策框架必须嵌入公平、透明和问责，而对本地能力的投资——通过专业培训、技术教育和包容性治理——确保数字工具服务于真实社区需求。
有意义的转变依赖于跨境协作、公平资金和积极公众参与。经深思熟虑设计和负责任实施，AI可强化卫生系统并推进全民健康覆盖；若无保障措施引入，则可能强化排斥。目标不仅是采纳新技术，而是以维护公共卫生中正义、包容和共同责任的方式整合它们。
