老年患者AI健康數(shù)據(jù)使用的倫理邊界演講人引言：老齡化浪潮下AI健康數(shù)據(jù)的價值拷問與倫理覺醒01老年患者AI健康數(shù)據(jù)使用的倫理邊界框架02結(jié)論：構(gòu)建技術(shù)向善的老年健康數(shù)據(jù)倫理生態(tài)03目錄老年患者AI健康數(shù)據(jù)使用的倫理邊界01引言：老齡化浪潮下AI健康數(shù)據(jù)的價值拷問與倫理覺醒引言：老齡化浪潮下AI健康數(shù)據(jù)的價值拷問與倫理覺醒隨著全球人口老齡化進(jìn)程加速，我國60歲及以上人口已超2.9億，其中慢性病患病率超過75%，老年健康成為國家公共衛(wèi)生體系的重點(diǎn)挑戰(zhàn)。人工智能（AI）技術(shù)在健康數(shù)據(jù)管理、疾病預(yù)測、個性化照護(hù)等領(lǐng)域的應(yīng)用，為破解老年醫(yī)療資源短缺、提升照護(hù)效率提供了全新可能。例如，通過可穿戴設(shè)備實(shí)時監(jiān)測老年患者的心率、血壓、睡眠質(zhì)量，結(jié)合機(jī)器學(xué)習(xí)模型預(yù)測跌倒風(fēng)險或慢性病急性發(fā)作，已在國內(nèi)多家三甲醫(yī)院及社區(qū)養(yǎng)老機(jī)構(gòu)落地實(shí)踐。然而，當(dāng)老年患者的健康數(shù)據(jù)——這一承載著生理隱私、生活習(xí)慣甚至尊嚴(yán)的核心信息——被AI系統(tǒng)采集、處理、分析時，一系列倫理問題也隨之浮現(xiàn)：誰來確保老年人的“知情同意”不被形式化？數(shù)據(jù)匿名化與隱私保護(hù)如何平衡？算法決策是否會因數(shù)據(jù)偏見加劇健康不平等？這些問題不僅關(guān)乎技術(shù)應(yīng)用的可行性，更觸及“以人為本”的醫(yī)學(xué)倫理核心。引言：老齡化浪潮下AI健康數(shù)據(jù)的價值拷問與倫理覺醒作為一名長期深耕智慧醫(yī)療與醫(yī)學(xué)倫理交叉領(lǐng)域的從業(yè)者，我曾參與某省級智慧養(yǎng)老示范項(xiàng)目的設(shè)計與評估。在項(xiàng)目初期，我們?yōu)樯鐓^(qū)獨(dú)居老人配備了智能手環(huán)，試圖通過數(shù)據(jù)監(jiān)測降低其意外風(fēng)險。然而，一位82歲的獨(dú)居老人卻拒絕佩戴，她坦言：“我總覺得有人在盯著我的步數(shù)，連晚上起夜幾次都記著，像個被監(jiān)控的犯人。”老人的話讓我深刻意識到：AI健康數(shù)據(jù)的價值，必須建立在尊重老年人主體性的倫理基石之上。若脫離倫理邊界的約束，技術(shù)可能從“助老工具”異化為“數(shù)字枷鎖”。因此，本文將從數(shù)據(jù)生命周期全流程出發(fā)，系統(tǒng)梳理老年患者AI健康數(shù)據(jù)使用的倫理邊界，構(gòu)建“技術(shù)-倫理-社會”三維框架，為行業(yè)實(shí)踐提供兼具專業(yè)性與人文關(guān)懷的指引。02老年患者AI健康數(shù)據(jù)使用的倫理邊界框架老年患者AI健康數(shù)據(jù)使用的倫理邊界框架老年患者AI健康數(shù)據(jù)的倫理邊界并非單一維度的限制，而是涵蓋數(shù)據(jù)采集、處理、共享、算法應(yīng)用及保障機(jī)制的全鏈條體系。其核心目標(biāo)是平衡“技術(shù)創(chuàng)新效率”與“個體權(quán)利保護(hù)”，確保AI在賦能老年健康的同時，不侵犯老年人的自主權(quán)、隱私權(quán)、尊嚴(yán)權(quán)等基本權(quán)利。以下從五個關(guān)鍵維度展開具體分析。數(shù)據(jù)采集：知情同意與自主權(quán)的堅守數(shù)據(jù)采集是AI健康數(shù)據(jù)應(yīng)用的起點(diǎn)，也是倫理風(fēng)險的第一道關(guān)口。老年患者由于生理機(jī)能退化（如視力、聽力下降）、認(rèn)知能力差異（如阿爾茨海默病患者）或數(shù)字素養(yǎng)不足，其“知情同意”的實(shí)現(xiàn)面臨特殊挑戰(zhàn)。倫理邊界的核心在于：確保老年人的“同意”是真實(shí)、自愿、有意義的，而非形式化的“簽字畫押”。數(shù)據(jù)采集：知情同意與自主權(quán)的堅守真實(shí)知情同意的困境與破解路徑傳統(tǒng)醫(yī)療場景中的“知情同意”強(qiáng)調(diào)“充分告知-理解-自愿同意”三步曲，但在AI健康數(shù)據(jù)采集中，這一流程面臨雙重挑戰(zhàn)：一是信息不對稱，老年人難以理解“數(shù)據(jù)采集-算法分析-結(jié)果應(yīng)用”的技術(shù)鏈條；二是決策能力差異，部分老年人可能因認(rèn)知障礙無法獨(dú)立表達(dá)意愿。例如，某醫(yī)院在為老年癡呆患者部署AI照護(hù)機(jī)器人時，僅由家屬簽署知情同意書，未考慮患者本人的意愿表達(dá)，導(dǎo)致部分患者出現(xiàn)抵觸情緒，反而影響照護(hù)效果。破解這一困境，需建立“分層分類”的知情同意機(jī)制：-認(rèn)知能力評估前置：在數(shù)據(jù)采集前，通過簡易精神狀態(tài)檢查（MMSE）等工具評估老年人的認(rèn)知水平，對無認(rèn)知障礙者，需以通俗語言（如圖文手冊、語音講解）說明數(shù)據(jù)采集目的、范圍、潛在風(fēng)險及權(quán)利（如隨時撤回同意）；對部分認(rèn)知障礙者，需結(jié)合本人意愿（如手勢、眼神）與家屬/監(jiān)護(hù)人意見，優(yōu)先尊重患者殘存的自主決策能力。數(shù)據(jù)采集：知情同意與自主權(quán)的堅守真實(shí)知情同意的困境與破解路徑-動態(tài)同意機(jī)制：老年人的健康狀況和意愿可能隨時間變化，需建立“一次采集、持續(xù)評估”的動態(tài)同意流程。例如，某社區(qū)養(yǎng)老中心每月組織“數(shù)據(jù)使用溝通會”，通過現(xiàn)場演示讓老年人了解數(shù)據(jù)如何改善照護(hù)，對不愿繼續(xù)采集數(shù)據(jù)者，立即停止數(shù)據(jù)收集并刪除歷史數(shù)據(jù)。數(shù)據(jù)采集：知情同意與自主權(quán)的堅守數(shù)據(jù)采集范圍的必要性與最小化原則“最小必要原則”是數(shù)據(jù)采集的倫理底線，即僅采集實(shí)現(xiàn)特定健康目標(biāo)所必需的數(shù)據(jù)，避免過度收集。然而，在實(shí)際應(yīng)用中，部分企業(yè)或機(jī)構(gòu)為追求數(shù)據(jù)“完整性”，可能采集超出健康需求的信息，如老年患者的社交關(guān)系、消費(fèi)習(xí)慣、地理位置等非健康數(shù)據(jù)。例如，某智能藥盒不僅記錄服藥時間，還同步采集老人的外出頻率、訪客信息，這些數(shù)據(jù)一旦泄露，可能被用于商業(yè)營銷甚至詐騙。堅守最小化原則，需明確“健康數(shù)據(jù)”的邊界：-核心健康數(shù)據(jù)：直接與生理健康相關(guān)的數(shù)據(jù)，如心率、血壓、血糖、用藥記錄、跌倒預(yù)警信號等，是采集的合理范圍；-衍生行為數(shù)據(jù)：與健康狀況間接相關(guān)的數(shù)據(jù)（如步數(shù)、睡眠周期），需在明確告知用途后采集，且不得用于健康目標(biāo)外的場景；數(shù)據(jù)采集：知情同意與自主權(quán)的堅守數(shù)據(jù)采集范圍的必要性與最小化原則-敏感非健康數(shù)據(jù)：宗教信仰、性生活史、心理狀態(tài)等敏感信息，原則上不應(yīng)納入AI健康數(shù)據(jù)采集范圍，確需采集的必須獲得單獨(dú)、明確的知情同意。數(shù)據(jù)采集：知情同意與自主權(quán)的堅守弱勢群體的特殊保護(hù)機(jī)制獨(dú)居、低收入、殘障等老年弱勢群體，在數(shù)據(jù)采集中更易處于“被動地位”。例如，某公益組織為農(nóng)村留守老人提供AI健康監(jiān)測設(shè)備，但受限于數(shù)字素養(yǎng)，老人僅被要求“按手印”，并不理解數(shù)據(jù)用途，導(dǎo)致數(shù)據(jù)被企業(yè)用于商業(yè)開發(fā)。對此，需建立“弱勢群體傾斜保護(hù)”機(jī)制：-第三方監(jiān)督：引入社區(qū)工作者、倫理委員會等第三方，參與弱勢群體的數(shù)據(jù)采集過程，確保其意愿不被忽視；-替代性方案：對無法使用智能設(shè)備的老人，提供人工數(shù)據(jù)采集服務(wù)（如社區(qū)醫(yī)生定期上門隨訪），避免因“數(shù)字化”剝奪其獲得健康服務(wù)的權(quán)利。數(shù)據(jù)處理：隱私保護(hù)與數(shù)據(jù)價值的平衡數(shù)據(jù)采集后，需經(jīng)過清洗、存儲、分析等處理過程才能被AI系統(tǒng)利用。這一環(huán)節(jié)的倫理邊界在于：如何在保護(hù)老年患者隱私的前提下，釋放數(shù)據(jù)的健康價值。隱私保護(hù)不足會導(dǎo)致數(shù)據(jù)泄露風(fēng)險，而過度匿名化則可能降低數(shù)據(jù)準(zhǔn)確性，影響AI模型的疾病預(yù)測能力。數(shù)據(jù)處理：隱私保護(hù)與數(shù)據(jù)價值的平衡匿名化技術(shù)的邊界與風(fēng)險匿名化是保護(hù)隱私的核心技術(shù)手段，但老年健康數(shù)據(jù)的匿名化面臨特殊挑戰(zhàn)：一是數(shù)據(jù)維度多，生理數(shù)據(jù)（如基因信息）、行為數(shù)據(jù)（如活動軌跡）、環(huán)境數(shù)據(jù)（如家居設(shè)備使用記錄）的交叉關(guān)聯(lián)，可能通過“數(shù)據(jù)拼接”識別個體；二是老年群體特征顯著，如特定社區(qū)的獨(dú)居老人、某類慢性病患者群體，即使匿名化后仍可能通過“群體特征反推”識別個人。例如，某研究團(tuán)隊在發(fā)布老年糖尿病患者數(shù)據(jù)集時，僅刪除了姓名和身份證號，但保留了年齡、住址、用藥習(xí)慣等信息，導(dǎo)致某患者被熟人通過“某小區(qū)70歲、使用胰島素”的特征識別出來，引發(fā)隱私糾紛。對此，需采用“多維度匿名化”策略：-技術(shù)層面：結(jié)合k-匿名（使記錄在準(zhǔn)標(biāo)識符上不可區(qū)分）、l-多樣性（確保每個匿名化組包含至少l種敏感屬性值）、t-接近（敏感屬性分布與整體分布接近）等技術(shù)，降低再識別風(fēng)險；數(shù)據(jù)處理：隱私保護(hù)與數(shù)據(jù)價值的平衡匿名化技術(shù)的邊界與風(fēng)險-管理層面：建立數(shù)據(jù)分級分類制度，對高度敏感數(shù)據(jù)（如基因信息）采用“本地處理+結(jié)果輸出”模式，原始數(shù)據(jù)不離開采集端；對一般健康數(shù)據(jù)，設(shè)置訪問權(quán)限，僅限經(jīng)審批的研究人員使用。數(shù)據(jù)處理：隱私保護(hù)與數(shù)據(jù)價值的平衡數(shù)據(jù)存儲安全的責(zé)任歸屬老年健康數(shù)據(jù)的存儲安全涉及技術(shù)與管理雙重責(zé)任。從技術(shù)層面，需防范數(shù)據(jù)泄露、篡改、丟失等風(fēng)險，如采用加密存儲（AES-256）、訪問控制（基于角色的權(quán)限管理）、數(shù)據(jù)備份（異地容災(zāi)）等技術(shù)手段；從管理層面，需明確數(shù)據(jù)存儲主體的責(zé)任，避免“外包甩鍋”現(xiàn)象。例如，某醫(yī)療機(jī)構(gòu)將老年健康數(shù)據(jù)存儲在第三方云服務(wù)器，但因未簽訂數(shù)據(jù)安全協(xié)議，導(dǎo)致服務(wù)器遭黑客攻擊，數(shù)千名老人數(shù)據(jù)泄露。事后，醫(yī)療機(jī)構(gòu)以“外包服務(wù)”為由推卸責(zé)任，老人維權(quán)無門。對此，需建立“存儲主體責(zé)任清單”：-數(shù)據(jù)控制者（如醫(yī)療機(jī)構(gòu)、企業(yè)）：對數(shù)據(jù)安全負(fù)總責(zé)，需選擇具備資質(zhì)的存儲服務(wù)商，明確數(shù)據(jù)泄露時的應(yīng)急響應(yīng)機(jī)制（如24小時內(nèi)告知用戶、向監(jiān)管部門報告）；-數(shù)據(jù)處理者（如技術(shù)供應(yīng)商）：需簽訂數(shù)據(jù)保密協(xié)議，不得擅自復(fù)制、轉(zhuǎn)移數(shù)據(jù)，接受數(shù)據(jù)控制者的定期審計。數(shù)據(jù)處理：隱私保護(hù)與數(shù)據(jù)價值的平衡數(shù)據(jù)生命周期管理的倫理要求老年健康數(shù)據(jù)并非“一次性采集、永久使用”，而是具有明確的生命周期（采集-存儲-使用-銷毀）。倫理邊界要求全流程管理，避免“數(shù)據(jù)沉睡”或“濫用”。-數(shù)據(jù)保留期限：根據(jù)數(shù)據(jù)用途設(shè)定保留期限，如用于疾病預(yù)測的數(shù)據(jù)，保留期限不超過疾病康復(fù)周期；用于科研的數(shù)據(jù)，項(xiàng)目結(jié)束后需匿名化存儲或銷毀；-數(shù)據(jù)銷毀機(jī)制：當(dāng)數(shù)據(jù)超出保留期限或用戶撤回同意時，需徹底刪除原始數(shù)據(jù)及備份（如低級格式化存儲介質(zhì)、清除數(shù)據(jù)庫日志），避免“恢復(fù)式泄露”。數(shù)據(jù)共享與使用：透明度與公益性的統(tǒng)一老年健康數(shù)據(jù)的價值不僅在于個體照護(hù)，更在于通過共享推動疾病研究、公共衛(wèi)生政策優(yōu)化。然而，數(shù)據(jù)共享可能引發(fā)“二次利用”風(fēng)險（如用于商業(yè)開發(fā)、刑事偵查），因此需在透明度與公益性間尋找平衡點(diǎn)。數(shù)據(jù)共享與使用：透明度與公益性的統(tǒng)一共享主體的資質(zhì)與責(zé)任界定數(shù)據(jù)共享需明確“誰有權(quán)共享、共享給誰、共享后如何負(fù)責(zé)”。共享主體應(yīng)具備合法資質(zhì)，如醫(yī)療機(jī)構(gòu)、科研機(jī)構(gòu)、經(jīng)政府批準(zhǔn)的公共健康平臺，且需獲得數(shù)據(jù)主體的明確授權(quán)（或法律法規(guī)允許的例外情形）。共享對象需限定在“與老年健康直接相關(guān)”的范圍內(nèi)，如科研機(jī)構(gòu)、非營利組織，禁止向商業(yè)企業(yè)無授權(quán)共享。例如，某醫(yī)藥公司通過“公益合作”名義從社區(qū)獲取老年健康數(shù)據(jù)，用于開發(fā)新藥，但未告知數(shù)據(jù)將用于商業(yè)目的，也未給予老人任何收益回報，涉嫌“數(shù)據(jù)剝削”。對此，需建立“共享主體白名單”制度，對共享目的進(jìn)行倫理審查，確保符合“公共利益優(yōu)先”原則。數(shù)據(jù)共享與使用：透明度與公益性的統(tǒng)一商業(yè)化使用的倫理紅線AI健康數(shù)據(jù)在商業(yè)化應(yīng)用中，需堅守“不傷害、有利、公正”的倫理原則，避免將老年人視為“數(shù)據(jù)商品”。具體紅線包括：-禁止“隱性誘導(dǎo)”：不得通過個性化推薦（如高糖食品廣告）誘導(dǎo)老年人做出不利于健康的選擇；-禁止“數(shù)據(jù)畫像歧視”：不得基于老年患者的健康數(shù)據(jù)（如高血壓、糖尿?。┚芙^提供保險、服務(wù)或提高價格；-收益公平分配：若數(shù)據(jù)商業(yè)化產(chǎn)生收益（如新藥研發(fā)成功），應(yīng)按比例回饋老年群體，如設(shè)立健康公益基金、提供免費(fèi)醫(yī)療服務(wù)等。數(shù)據(jù)共享與使用：透明度與公益性的統(tǒng)一數(shù)據(jù)歸屬權(quán)與權(quán)益分配1老年健康數(shù)據(jù)的“所有權(quán)”歸屬是倫理爭議的焦點(diǎn)。傳統(tǒng)觀點(diǎn)認(rèn)為“數(shù)據(jù)產(chǎn)生者擁有所有權(quán)”，但AI時代，數(shù)據(jù)的價值還源于算法加工與技術(shù)投入。對此，需構(gòu)建“多元共治”的權(quán)益分配模式：2-個人權(quán)益優(yōu)先：老年人對其健康數(shù)據(jù)擁有絕對控制權(quán)，可決定是否共享、如何使用，并獲得知情權(quán)、訪問權(quán)、刪除權(quán)；3-社會公益補(bǔ)充：對具有公共健康價值的數(shù)據(jù)（如傳染病數(shù)據(jù)），可在匿名化后由政府或公共機(jī)構(gòu)統(tǒng)一管理，用于疫情防控、政策制定等公共利益；4-技術(shù)補(bǔ)償機(jī)制：對投入技術(shù)開發(fā)的AI企業(yè)，可通過“數(shù)據(jù)授權(quán)使用費(fèi)”等形式給予合理補(bǔ)償，但需限制其壟斷行為，確保數(shù)據(jù)不被少數(shù)企業(yè)控制。算法應(yīng)用：公平性與可解釋性的保障AI算法是健康數(shù)據(jù)價值的“轉(zhuǎn)化器”，但算法的“黑箱特性”和“潛在偏見”可能對老年患者造成隱性傷害。倫理邊界要求算法應(yīng)用必須公平、透明、可解釋，確保老年患者對AI決策的知情與信任。算法應(yīng)用：公平性與可解釋性的保障算法“黑箱”與老年患者的知情權(quán)AI算法的復(fù)雜決策過程（如深度學(xué)習(xí)模型）難以用人類語言解釋，而老年患者更依賴“看得懂”的健康建議。例如，某AI系統(tǒng)提示“某老年患者跌倒風(fēng)險高”，但無法說明具體原因（如步速慢、平衡差），導(dǎo)致老人因“不明原因”的焦慮而拒絕使用該系統(tǒng)。破解“黑箱”問題，需發(fā)展“可解釋AI（XAI）”技術(shù)：-局部解釋：對單次決策（如跌倒預(yù)警）提供可視化解釋（如“過去3天步速下降20%，平衡測試異?！保?；-全局解釋：向用戶說明算法的核心邏輯（如“基于1000例老年跌倒病例的步速、心率等特征訓(xùn)練”），避免“神秘感”引發(fā)不信任。算法應(yīng)用：公平性與可解釋性的保障算法偏見與健康公平算法偏見源于訓(xùn)練數(shù)據(jù)的不平衡，若老年群體中的特定亞群（如農(nóng)村老人、殘障老人）在訓(xùn)練數(shù)據(jù)中占比過低，算法可能對其健康需求“視而不見”。例如，某AI皮膚檢測模型主要基于白人皮膚數(shù)據(jù)訓(xùn)練，對老年黃種人的皮膚癌識別準(zhǔn)確率低30%，導(dǎo)致漏診風(fēng)險增加。確保算法公平，需采取“去偏見”措施：-數(shù)據(jù)多樣性：在訓(xùn)練數(shù)據(jù)中納入不同地域、民族、經(jīng)濟(jì)狀況的老年群體，確保樣本代表性；-偏見檢測：建立“算法公平性評估指標(biāo)”，如對不同亞群的健康預(yù)測準(zhǔn)確率進(jìn)行對比，對偏差超過閾值（如10%）的算法進(jìn)行修正；-人工復(fù)核機(jī)制：對高風(fēng)險AI決策（如疾病診斷、治療方案推薦），需由醫(yī)生進(jìn)行人工復(fù)核，避免“算法說了算”的絕對化。算法應(yīng)用：公平性與可解釋性的保障人機(jī)協(xié)同中的決策責(zé)任AI在老年健康照護(hù)中應(yīng)作為“輔助工具”而非“決策主體”，最終責(zé)任需由人類承擔(dān)。例如，某AI系統(tǒng)建議“減少某老年患者的用藥劑量”，但醫(yī)生未結(jié)合患者實(shí)際病情（如肝功能下降）就采納建議，導(dǎo)致患者病情惡化。此時，責(zé)任主體應(yīng)為醫(yī)生而非AI系統(tǒng)。明確人機(jī)協(xié)同責(zé)任，需建立“責(zé)任劃分清單”：-低風(fēng)險場景（如健康數(shù)據(jù)監(jiān)測）：AI可獨(dú)立輸出結(jié)果，但需提供異常預(yù)警，由人工確認(rèn)；-中高風(fēng)險場景（如疾病診斷、手術(shù)方案）：AI僅提供參考建議，最終決策由醫(yī)生負(fù)責(zé)，且需記錄AI決策依據(jù)，便于追溯；-算法失誤賠償：若因算法缺陷導(dǎo)致患者損害，需明確數(shù)據(jù)控制者、算法開發(fā)者、使用者的連帶責(zé)任，建立“患者賠償基金”。保障機(jī)制：多元共治與人文關(guān)懷的融合倫理邊界的落地需要制度、技術(shù)、文化的多重保障，尤其需關(guān)注老年人的“數(shù)字鴻溝”與心理需求，避免技術(shù)應(yīng)用的“冷冰冰”。保障機(jī)制：多元共治與人文關(guān)懷的融合法律法規(guī)的完善與落地STEP1STEP2STEP3STEP4我國雖已出臺《個人信息保護(hù)法》《數(shù)據(jù)安全法》《新一代人工智能倫理規(guī)范》等法律法規(guī)，但對老年健康數(shù)據(jù)的特殊規(guī)定仍需細(xì)化。例如：-制定《老年健康數(shù)據(jù)倫理指南》：明確數(shù)據(jù)采集、處理、共享、算法應(yīng)用各環(huán)節(jié)的倫理標(biāo)準(zhǔn)，設(shè)立“老年健康數(shù)據(jù)倫理委員會”；-強(qiáng)化監(jiān)管執(zhí)法：對侵犯老年健康數(shù)據(jù)隱私、算法歧視等行為，提高罰款金額，納入社會信用黑名單，形成“不敢違法”的震懾；-建立“吹哨人”制度：鼓勵內(nèi)部人員舉報數(shù)據(jù)濫用行為，給予獎勵并保護(hù)其隱私。保障機(jī)制：多元共治與人文關(guān)懷的融合行業(yè)自律與技術(shù)賦能行業(yè)組織需發(fā)揮自律作用，推動企業(yè)簽署《老年健康數(shù)據(jù)倫理承諾書》，公開數(shù)據(jù)使用報告。技術(shù)層面，需研發(fā)“老年友好型”數(shù)據(jù)保護(hù)工具：-隱私增強(qiáng)技術(shù)（PETs）：如聯(lián)邦學(xué)習(xí)（數(shù)據(jù)不離開本地，僅共享模型參數(shù)）、差分隱私（在數(shù)據(jù)中添加噪聲，保護(hù)個體隱私），實(shí)現(xiàn)“數(shù)據(jù)可用不可見”；-適老化界面設(shè)計：數(shù)據(jù)查詢、同意撤回等操作界面需簡化字體、增加語音功能，方便老年人使用。保障機(jī)制：多元共治與人文關(guān)懷的融合老年人數(shù)字素養(yǎng)與參與感提升