社區(qū)慢病管理中的AI輔助診斷誤區(qū)分析演講人01對AI能力的認(rèn)知誤區(qū)：從“神化”到“妖魔化”的認(rèn)知搖擺02數(shù)據(jù)層面的誤區(qū)：從“數(shù)據(jù)孤島”到“數(shù)據(jù)濫用”的治理困境03倫理與監(jiān)管的誤區(qū)：從“責(zé)任真空”到“監(jiān)管滯后”的制度缺失04效果評估的誤區(qū)：從“技術(shù)指標(biāo)”到“臨床價值”的評價錯位目錄社區(qū)慢病管理中的AI輔助診斷誤區(qū)分析在社區(qū)慢病管理的臨床實(shí)踐中，我常遇到這樣的場景：一位基層醫(yī)生拿著AI生成的糖尿病并發(fā)癥風(fēng)險評估報告，滿臉困惑地問我：“為什么這個系統(tǒng)和我的臨床判斷不一致？”或是一位社區(qū)管理者興奮地展示“AI輔助診斷覆蓋率100%”的報表，卻忽略了背后因數(shù)據(jù)質(zhì)量問題導(dǎo)致的誤判風(fēng)險。這些問題背后，折射出當(dāng)前AI輔助診斷在社區(qū)慢病管理中存在的認(rèn)知與實(shí)踐誤區(qū)。作為深耕慢病管理與醫(yī)療信息化十余年的從業(yè)者，我目睹了AI技術(shù)從實(shí)驗(yàn)室走向社區(qū)的全過程，也深刻體會到：技術(shù)本身并無對錯，但對技術(shù)的誤用與誤解，可能讓“輔助工具”變成“發(fā)展阻礙”。本文將從認(rèn)知、數(shù)據(jù)、應(yīng)用、倫理、效果五個維度，系統(tǒng)剖析社區(qū)慢病管理中AI輔助診斷的常見誤區(qū)，以期為行業(yè)提供更具落地性的實(shí)踐參考。01對AI能力的認(rèn)知誤區(qū)：從“神化”到“妖魔化”的認(rèn)知搖擺對AI能力的認(rèn)知誤區(qū)：從“神化”到“妖魔化”的認(rèn)知搖擺AI輔助診斷在社區(qū)慢病管理中的應(yīng)用，首先面臨的是對其能力的認(rèn)知偏差。這種偏差表現(xiàn)為兩個極端：要么將其視為“無所不能的神器”，要么貶低為“華而不實(shí)的玩具”，而忽視了AI作為“輔助工具”的本質(zhì)定位。這種認(rèn)知搖擺，直接導(dǎo)致技術(shù)應(yīng)用方向的偏離，甚至引發(fā)臨床風(fēng)險?！癆I萬能論”：對技術(shù)能力的過度放大部分從業(yè)者將AI的“輔助”功能誤解為“替代”功能，認(rèn)為AI能夠獨(dú)立完成慢病診斷、風(fēng)險評估、治療方案制定等全流程工作。這種認(rèn)知在社區(qū)場景中尤為危險，因?yàn)榛鶎俞t(yī)療的核心價值在于“人”的關(guān)懷與綜合判斷，而非單純的數(shù)據(jù)分析。例如，某社區(qū)衛(wèi)生中心引入AI高血壓管理系統(tǒng)后，要求醫(yī)生完全依賴AI的“個性化用藥建議”開具處方，結(jié)果導(dǎo)致一位合并慢性腎功能不全的老年患者因AI未充分考慮其腎功能指標(biāo)，推薦了不適用的高劑量ACEI類藥物，引發(fā)血鉀升高。事后分析發(fā)現(xiàn)，AI模型在訓(xùn)練時納入的腎功能不全患者樣本量不足，且未整合患者的生活習(xí)慣（如高鉀飲食）、合并用藥（如保鉀利尿劑）等關(guān)鍵臨床信息。這表明，AI的“智能”本質(zhì)是基于數(shù)據(jù)的概率計算，無法替代醫(yī)生對個體復(fù)雜性的綜合考量——尤其是當(dāng)患者存在多病共存、特殊生理狀態(tài)（如老年人、孕婦）或社會心理因素時，AI的局限性會暴露無遺。“AI萬能論”：對技術(shù)能力的過度放大更值得警惕的是，部分社區(qū)為追求“技術(shù)亮點(diǎn)”，過度宣傳AI的“診斷準(zhǔn)確率”。曾有機(jī)構(gòu)宣稱其AI糖尿病視網(wǎng)膜病變篩查系統(tǒng)“準(zhǔn)確率達(dá)99%”，但實(shí)際應(yīng)用中發(fā)現(xiàn)，該系統(tǒng)對早期非增殖期病變的漏診率高達(dá)30%，原因在于訓(xùn)練數(shù)據(jù)多為中晚期病變圖像，而社區(qū)患者以早期篩查為主。這種“數(shù)據(jù)偏差”導(dǎo)致的“準(zhǔn)確率幻覺”，不僅誤導(dǎo)了臨床決策，更可能讓患者因“AI顯示無異常”而延誤治療?！癆I無用論”：對技術(shù)價值的全盤否定與“神化論”相對的另一極端，是因AI在初期應(yīng)用中暴露的問題而全盤否定其價值。部分基層醫(yī)生反映：“AI給的建議，我早就知道了，何必多此一舉？”或“社區(qū)患者情況復(fù)雜，AI根本用不上?！边@種“經(jīng)驗(yàn)至上”的認(rèn)知，本質(zhì)是對AI輔助定位的誤解——AI的價值不在于“提供未知答案”，而在于“提升已知效率”和“減少認(rèn)知盲區(qū)”。以高血壓管理為例，社區(qū)醫(yī)生平均需管理200-300名患者，常規(guī)隨訪中往往只能測量血壓值，難以系統(tǒng)評估患者的24小時血壓波動、晨峰現(xiàn)象、血壓變異性等關(guān)鍵指標(biāo)。而AI輔助的動態(tài)血壓監(jiān)測系統(tǒng)，可通過算法分析數(shù)據(jù)趨勢，識別“隱匿性高血壓”“白大衣高血壓”等特殊類型，為醫(yī)生提供“經(jīng)驗(yàn)之外”的決策依據(jù)。我曾遇到一位患者，診室血壓始終正常，但AI通過其家庭血壓監(jiān)測數(shù)據(jù)發(fā)現(xiàn)夜間血壓升高，最終確診為“夜間高血壓”，避免了靶器官損害?？梢姡珹I的價值在于“放大”醫(yī)生的感知能力，而非替代醫(yī)生的判斷。“AI與醫(yī)生對立論”：對協(xié)作關(guān)系的錯誤定位部分從業(yè)者將AI與醫(yī)生視為“競爭關(guān)系”，認(rèn)為“AI越智能，醫(yī)生越無用”，或“醫(yī)生用AI就是能力不足”。這種對立思維，忽視了醫(yī)療的本質(zhì)是“人機(jī)協(xié)同”的智慧活動。在社區(qū)慢病管理中，醫(yī)生的“臨床直覺”“共情能力”“倫理判斷”與AI的“數(shù)據(jù)處理”“模式識別”“效率優(yōu)化”本應(yīng)互補(bǔ)，而非替代。例如，在糖尿病足風(fēng)險評估中，AI可通過分析足底壓力、踝肱指數(shù)、神經(jīng)病變檢查等數(shù)據(jù)，生成“潰瘍風(fēng)險評分”，但最終是否需要轉(zhuǎn)診、如何制定個體化預(yù)防方案，仍需結(jié)合患者的職業(yè)（如是否需久站）、家庭支持（是否能每日泡腳）、心理狀態(tài)（是否因恐懼截肢而拒絕治療）等綜合判斷。醫(yī)生的“人文關(guān)懷”與AI的“精準(zhǔn)評估”結(jié)合，才能形成“風(fēng)險評估-干預(yù)執(zhí)行-效果反饋”的閉環(huán)。正如一位社區(qū)主任所言：“AI是醫(yī)生的‘第三只眼’，而不是‘替身’?！?2數(shù)據(jù)層面的誤區(qū)：從“數(shù)據(jù)孤島”到“數(shù)據(jù)濫用”的治理困境數(shù)據(jù)層面的誤區(qū)：從“數(shù)據(jù)孤島”到“數(shù)據(jù)濫用”的治理困境AI模型的性能高度依賴數(shù)據(jù)質(zhì)量，而社區(qū)慢病管理的數(shù)據(jù)場景卻面臨“先天不足”與“后天扭曲”的雙重挑戰(zhàn)。數(shù)據(jù)層面的誤區(qū)，不僅制約AI的有效性，更埋下倫理與安全隱患，成為當(dāng)前實(shí)踐中最突出的瓶頸?！皵?shù)據(jù)夠用論”：對數(shù)據(jù)質(zhì)量的忽視部分社區(qū)認(rèn)為“只要有數(shù)據(jù)就能訓(xùn)練AI”，卻忽視了數(shù)據(jù)的“準(zhǔn)確性”“完整性”“代表性”三大核心要素。社區(qū)數(shù)據(jù)的“碎片化”特征顯著：不同醫(yī)院電子病歷系統(tǒng)不互通、檢驗(yàn)檢查結(jié)果標(biāo)準(zhǔn)不統(tǒng)一、患者自報數(shù)據(jù)（如飲食、運(yùn)動）主觀性強(qiáng)，這些“低質(zhì)量數(shù)據(jù)”輸入AI模型，必然導(dǎo)致“垃圾進(jìn)，垃圾出”。例如，某社區(qū)用AI預(yù)測糖尿病患者心血管風(fēng)險，訓(xùn)練數(shù)據(jù)中僅包含“空腹血糖”“糖化血紅蛋白”等常規(guī)指標(biāo)，卻未納入“血脂”“尿白蛋白/肌酐比”“吸煙史”等關(guān)鍵變量。結(jié)果模型對一位“血糖控制良好但合并高血脂、吸煙”患者的風(fēng)險評分僅為“低?！?，導(dǎo)致醫(yī)生未強(qiáng)化其生活方式干預(yù)，半年后患者發(fā)生急性心肌梗死。事后復(fù)盤發(fā)現(xiàn)，若能補(bǔ)充血脂、吸煙史等數(shù)據(jù)，模型的風(fēng)險預(yù)測準(zhǔn)確率可提升40%。這表明，AI的“智能”建立在“全面數(shù)據(jù)”的基礎(chǔ)上，社區(qū)數(shù)據(jù)若存在“選擇性缺失”，AI的判斷就會失真?！皵?shù)據(jù)偏見論”：對樣本代表性的誤讀AI模型的“公平性”取決于訓(xùn)練數(shù)據(jù)的“代表性”，而社區(qū)慢病管理的數(shù)據(jù)樣本常存在“選擇性偏差”。例如，部分社區(qū)為快速構(gòu)建模型，僅納入“依從性好、定期復(fù)診”的患者數(shù)據(jù)，導(dǎo)致AI對“失訪率高、健康素養(yǎng)低”的群體（如獨(dú)居老人、流動人口）的預(yù)測能力顯著下降。這種“數(shù)據(jù)偏見”會加劇醫(yī)療資源分配的不公——本應(yīng)被重點(diǎn)關(guān)注的弱勢群體，反而因數(shù)據(jù)缺失被AI“邊緣化”。我曾參與一個社區(qū)高血壓AI管理項(xiàng)目，初期數(shù)據(jù)主要來自退休職工體檢人群，結(jié)果模型對“在職中青年高血壓患者”的血壓控制效果預(yù)測準(zhǔn)確率不足60%。分析發(fā)現(xiàn)，在職人群因工作壓力大、飲食不規(guī)律，血壓波動規(guī)律與退休人群存在顯著差異，但訓(xùn)練數(shù)據(jù)中此類樣本占比不足20%。后通過補(bǔ)充社區(qū)企業(yè)健康體檢數(shù)據(jù)、線上問卷數(shù)據(jù)，模型準(zhǔn)確率才提升至85%。這說明，社區(qū)AI模型必須覆蓋“全人群”樣本，尤其要關(guān)注弱勢群體，避免“算法歧視”。“數(shù)據(jù)濫用論”：對隱私與安全的漠視慢病數(shù)據(jù)包含患者高度敏感的健康信息，而部分社區(qū)在AI應(yīng)用中，為追求“模型效果”，過度采集、違規(guī)使用數(shù)據(jù)，甚至忽視患者知情同意。例如，某社區(qū)將患者的電子病歷、基因檢測數(shù)據(jù)等提供給第三方AI公司訓(xùn)練模型，卻未明確告知數(shù)據(jù)用途，也未采取脫敏處理，導(dǎo)致患者隱私泄露風(fēng)險。更有甚者，將AI預(yù)測結(jié)果（如“患者5年內(nèi)腦卒中風(fēng)險高”）直接錄入居民健康檔案，引發(fā)患者焦慮與歧視。數(shù)據(jù)安全是AI應(yīng)用的“生命線”。根據(jù)《個人信息保護(hù)法》，健康數(shù)據(jù)屬于“敏感個人信息”，處理需取得個人“單獨(dú)同意”，并采取加密、去標(biāo)識化等措施。社區(qū)在引入AI時，必須建立“數(shù)據(jù)最小化”原則——僅采集與慢病管理直接相關(guān)的必要數(shù)據(jù)，明確數(shù)據(jù)使用邊界，同時加強(qiáng)內(nèi)部人員的數(shù)據(jù)安全培訓(xùn)，避免“技術(shù)先進(jìn)、意識滯后”帶來的倫理風(fēng)險?！皵?shù)據(jù)濫用論”：對隱私與安全的漠視三、技術(shù)應(yīng)用場景的誤區(qū)：從“脫離實(shí)際”到“形式主義”的實(shí)踐偏差A(yù)I技術(shù)從實(shí)驗(yàn)室走向社區(qū)，必須經(jīng)過“場景適配”的轉(zhuǎn)化。然而，部分項(xiàng)目在設(shè)計時脫離社區(qū)醫(yī)療的“現(xiàn)實(shí)土壤”，或追求“技術(shù)指標(biāo)”而忽視“臨床需求”，導(dǎo)致AI輔助診斷淪為“紙上談兵”或“形象工程”。“技術(shù)至上論”：忽視社區(qū)醫(yī)療資源約束社區(qū)醫(yī)療的核心特點(diǎn)是“資源有限”：設(shè)備老舊（如缺乏高端影像設(shè)備）、人員不足（全科醫(yī)生與配比低）、信息化水平參差不齊。而部分AI系統(tǒng)在設(shè)計時，追求“高精尖”功能（如基于多模態(tài)影像的早期腫瘤篩查），卻未考慮社區(qū)的硬件與人力條件，導(dǎo)致“水土不服”。例如，某社區(qū)引入AI眼底相機(jī)系統(tǒng)，要求糖尿病患者每年進(jìn)行1次眼底篩查，但社區(qū)僅有一臺老舊眼底相機(jī)，且需兼職技師操作，每月實(shí)際篩查量不足50人，遠(yuǎn)低于AI系統(tǒng)設(shè)計的“每月200人”負(fù)荷。結(jié)果，AI系統(tǒng)因數(shù)據(jù)輸入不足，模型性能持續(xù)退化，最終被閑置。這提示我們：社區(qū)AI應(yīng)用必須“量體裁衣”，優(yōu)先選擇“輕量化、易操作、低成本”的技術(shù)方案，如基于手機(jī)APP的血壓/血糖數(shù)據(jù)上傳、AI語音輔助病史采集等，而非盲目追求“高大上”。“一刀切論”：忽視慢病異質(zhì)性與個體差異慢病的核心特征是“異質(zhì)性”——同一種疾病在不同患者身上的表現(xiàn)、進(jìn)展、并發(fā)癥風(fēng)險差異巨大。而部分AI模型采用“標(biāo)準(zhǔn)化算法”，試圖用“統(tǒng)一規(guī)則”管理所有患者，忽視了個體差異導(dǎo)致的“臨床不確定性”。以糖尿病管理為例，某AI系統(tǒng)為所有“糖化血紅蛋白＞7%”的患者推薦“強(qiáng)化胰島素治療方案”，卻未考慮患者的年齡（如80歲老人低血糖風(fēng)險更高）、職業(yè)（如司機(jī)需避免頻繁血糖監(jiān)測）、經(jīng)濟(jì)條件（如無力承擔(dān)長效胰島素費(fèi)用）等因素。我曾遇到一位70歲農(nóng)民患者，AI建議其使用動態(tài)血糖監(jiān)測（CGM）系統(tǒng)，但患者因不會操作智能手機(jī)、擔(dān)心費(fèi)用拒絕使用，最終導(dǎo)致血糖控制不佳。正確的做法是：AI提供“分層建議”（如“優(yōu)先選擇口服藥，若血糖不達(dá)標(biāo)再考慮胰島素”），醫(yī)生再結(jié)合個體情況調(diào)整，而非“機(jī)械執(zhí)行”AI指令。“重工具輕流程”：忽視與現(xiàn)有工作流的融合部分社區(qū)在引入AI時，將其視為“獨(dú)立于現(xiàn)有工作流”的“附加工具”，而非“嵌入日常診療”的“賦能平臺”。結(jié)果，醫(yī)生需在繁忙的門診中額外錄入數(shù)據(jù)、切換系統(tǒng)，反而增加了工作負(fù)擔(dān)，導(dǎo)致AI被“束之高閣”。例如，某社區(qū)要求醫(yī)生在開處方前，必須先登錄AI系統(tǒng)獲取“用藥建議”，但AI系統(tǒng)與醫(yī)院HIS系統(tǒng)不互通，需手動輸入患者年齡、肝腎功能等數(shù)據(jù)，耗時5-10分鐘/人。而社區(qū)醫(yī)生日均門診量達(dá)80-100人次，這種“額外操作”直接導(dǎo)致醫(yī)生抵觸使用。后來，通過開發(fā)AI系統(tǒng)與HIS系統(tǒng)的接口，實(shí)現(xiàn)患者數(shù)據(jù)自動調(diào)取，AI建議在醫(yī)生開處方界面“彈窗”顯示，醫(yī)生采納時間縮短至1分鐘內(nèi)，使用率從20%提升至80%。這表明：AI應(yīng)用必須“無縫融入”現(xiàn)有工作流，減少醫(yī)生額外負(fù)擔(dān)，才能真正“用起來”。03倫理與監(jiān)管的誤區(qū)：從“責(zé)任真空”到“監(jiān)管滯后”的制度缺失倫理與監(jiān)管的誤區(qū)：從“責(zé)任真空”到“監(jiān)管滯后”的制度缺失AI輔助診斷的“算法黑箱”“責(zé)任界定”“持續(xù)監(jiān)管”等問題，在社區(qū)場景中尤為突出。倫理與監(jiān)管層面的誤區(qū)，不僅影響醫(yī)患信任，更可能導(dǎo)致技術(shù)應(yīng)用偏離“以患者為中心”的初心?！柏?zé)任模糊論”：對AI誤診責(zé)任界定的回避當(dāng)AI輔助診斷出現(xiàn)誤判導(dǎo)致患者損害時，責(zé)任應(yīng)由誰承擔(dān)？是開發(fā)者、社區(qū)機(jī)構(gòu)，還是使用醫(yī)生？目前，我國對此尚無明確法律規(guī)定，部分社區(qū)為規(guī)避風(fēng)險，采取“醫(yī)生簽字負(fù)責(zé)，AI僅供參考”的模糊策略，但這并未解決根本問題。例如，某社區(qū)AI系統(tǒng)將早期肺癌患者誤判為“良性結(jié)節(jié)”，醫(yī)生因信任AI未建議進(jìn)一步檢查，延誤治療?；颊咂鹪V時，社區(qū)稱“AI僅供參考，責(zé)任在醫(yī)生”，AI開發(fā)者稱“模型符合訓(xùn)練數(shù)據(jù)標(biāo)準(zhǔn)，責(zé)任在臨床使用”。這種“責(zé)任真空”不僅損害患者權(quán)益，更讓醫(yī)生陷入“用AI怕?lián)?zé)，不用AI效率低”的兩難。對此，需建立“開發(fā)者-使用者-機(jī)構(gòu)”三方責(zé)任共擔(dān)機(jī)制：開發(fā)者需保證算法透明性（如提供可解釋的AI報告），使用者需履行“審慎核查義務(wù)”，機(jī)構(gòu)需建立AI應(yīng)用不良事件上報制度，唯有明確責(zé)任，才能讓醫(yī)生“敢用、會用”AI?！八惴ê谙湔摗保簩I決策透明度的忽視部分AI系統(tǒng)采用深度學(xué)習(xí)等復(fù)雜算法，其決策過程難以用人類語言解釋，即“算法黑箱”。在社區(qū)場景中，若醫(yī)生無法理解AI的判斷依據(jù)，就難以對其進(jìn)行審慎核查，患者也會因“不知所以”而產(chǎn)生不信任。例如，某AI風(fēng)險評估系統(tǒng)提示“患者心衰風(fēng)險高”，但無法說明是基于“NT-proBNP升高”“左室射血分?jǐn)?shù)降低”還是“腎功能異?！?。醫(yī)生無法判斷是數(shù)據(jù)錯誤還是算法偏差，只能“憑經(jīng)驗(yàn)”采納或忽略。長期如此，AI的“權(quán)威性”會逐漸消解。解決“黑箱問題”需發(fā)展“可解釋AI”（XAI），如通過“特征重要性排序”“決策路徑可視化”等方式，讓醫(yī)生理解AI判斷的關(guān)鍵依據(jù)，實(shí)現(xiàn)“人機(jī)互信”?！氨O(jiān)管滯后論”：對AI動態(tài)更新與評估的忽視AI模型的性能會隨數(shù)據(jù)分布變化而“退化”（如疾病譜變化、診療指南更新），但部分社區(qū)在引入AI后，缺乏持續(xù)的性能評估與模型更新機(jī)制，導(dǎo)致“用舊模型管新患者”，風(fēng)險隱患突出。例如，某社區(qū)2020年引入的AI高血壓管理系統(tǒng)，采用當(dāng)時的診療指南（如降壓目標(biāo)＜140/90mmHg），而2023年指南更新為部分老年患者目標(biāo)可放寬至＜150/90mmHg。由于模型未及時更新，仍按舊標(biāo)準(zhǔn)建議“強(qiáng)化降壓”，導(dǎo)致部分老年患者出現(xiàn)體位性低血壓。這提示：需建立AI模型的“動態(tài)監(jiān)管”機(jī)制，定期（如每年）用最新數(shù)據(jù)與指南驗(yàn)證模型性能，及時迭代優(yōu)化，確保AI建議與臨床實(shí)踐同步。04效果評估的誤區(qū)：從“技術(shù)指標(biāo)”到“臨床價值”的評價錯位效果評估的誤區(qū)：從“技術(shù)指標(biāo)”到“臨床價值”的評價錯位部分社區(qū)在評估AI輔助診斷效果時，過度關(guān)注“準(zhǔn)確率”“效率提升”等技術(shù)指標(biāo)，而忽視了“患者獲益”“醫(yī)療質(zhì)量改善”“成本效益”等核心價值，導(dǎo)致“為AI而AI”，偏離了慢病管理的根本目標(biāo)?！拔夹g(shù)指標(biāo)論”：忽視臨床實(shí)際需求部分項(xiàng)目以“AI診斷準(zhǔn)確率達(dá)95%”作為成功標(biāo)準(zhǔn)，卻未回答“AI是否解決了社區(qū)醫(yī)生的實(shí)際問題”。例如，某AI系統(tǒng)對糖尿病腎病的診斷準(zhǔn)確率達(dá)98%，但社區(qū)醫(yī)生通過尿常規(guī)、血肌酐等常規(guī)檢查已能實(shí)現(xiàn)90%的準(zhǔn)確率，AI僅提升8%的準(zhǔn)確率，卻增加了操作成本（需檢測尿白蛋白/肌酐比），這種“高準(zhǔn)確率”并無實(shí)際臨床價值。真正有效的AI，應(yīng)聚焦社區(qū)醫(yī)生的“痛點(diǎn)”，如“早期識別隱匿性高血壓”“預(yù)測糖尿病足潰瘍風(fēng)險”等現(xiàn)有手段難以解決的問題，而非“錦上添花”?！岸唐谛Ч摗保汉鲆曢L期健康管理價值慢病管理的核心是“長期連續(xù)的健康干預(yù)”，而部分AI項(xiàng)目僅評估“短期指標(biāo)”（如3個月血壓控制率），忽視了AI對“患者依從性”“自我管理能力”“生活質(zhì)量”等長期指標(biāo)的影響。例如，某AI系統(tǒng)通過短信提醒患者服藥，3個月血壓控制率提升20%，但6個月后因患者“疲勞提醒”，效果回落至基線水平。而另一項(xiàng)目結(jié)合AI風(fēng)險評估與社區(qū)醫(yī)生家訪，不僅提升短期控制率，更通過“個體化健康教育”增強(qiáng)了患者自我管理能力，1年后血壓控制率仍保持穩(wěn)定。這表明：AI評估需兼顧“短期效率”與“長期價值”，真正實(shí)現(xiàn)“從疾病治療到健康促進(jìn)”的轉(zhuǎn)