基层医疗系统是实现健康公平的关键。我国面临医疗资源分布不平衡、基层医生数量短缺以及慢性病防治形势不容乐观的严峻挑战。人工智能大语言模型在医疗系统中发挥出了强大优势，本文深入探讨了大模型在基层医疗系统中的应用及其面临的挑战，提出应进一步深化大模型的应用，以辅助基层医生常见病诊疗，推动智能化健康教育和慢性病管理，托底"老少边穷"地区基层卫生服务，激发全科医学的飞跃性发展，并推进大模型在全科诊疗与基层卫生服务中的产业化，为健康中国建设提供重要支撑。

随着信息技术的发展，人工智能为疾病诊疗带来重要价值。然而，人工智能中存在算法偏见现象，可导致医疗卫生资源分配不均等问题，严重损害患者的健康公平。算法偏见是人为偏见的技术化体现，其形成与人工智能开发过程密切相关，主要源于数据收集、训练优化和输出应用3个方面。医护工作者作为患者健康的直接参与者，应采取相应措施以预防算法偏见，避免其引发健康公平问题。医护工作者需保障健康数据真实无偏见、优化人工智能的公平性和加强其输出应用的透明度，同时需思考如何处理临床实践中算法偏见引发的不公平现象，全面保障患者健康公平。本研究就健康领域中算法偏见的形成原因和应对策略展开综述，以期提高医护工作者识别和处理算法偏见的意识与能力，为保障信息化时代中的患者健康公平提供参考。

随着老龄化社会的到来，与年龄密切相关的认知障碍(包括痴呆)的患病率明显增加。先前的研究表明，具有不同认知能力的人群所表现的步态状态也不一样。过去研究者们在研究遗忘型轻度认知障碍（aMCI）和阿尔茨海默病（AD）的步态时，使用了统计分析方法，对机器学习方法的使用较少。

构建基于步态的机器学习模型识别aMCI和AD，探索aMCI和AD之间的步态标志物，以便将其用作帮助诊断aMCI患者和AD患者的可能工具。

于2018年12月至2020年12月，从国家康复辅具研究中心附属康复医院、佛山市第一人民医院、大连大学附属中山医院招募了102例受试者，按照筛选标准最终纳入98例受试者，其中55例为aMCI患者，10例为AD患者，33例为健康对照（HC）者。使用可穿戴设备采集参与者在单任务（自由行走）、双任务（倍数7）和双任务（倒数100）时的步态参数。使用随机森林算法（RF）和梯度提升决策树算法（GBDT）建立模型，10个步态参数作为预测变量，疾病状态（HC、aMCI、AD）作为响应变量，比较两种机器学习算法对3个疾病组的识别效果。然后使用机器学习算法结合递归特征消除法（RFE）进行重要特征选择。

三组年龄、性别、身高、体质量、鞋码比较，差异无统计学意义（P>0.05）；MMSE评分、MoCA评分比较，差异有统计学意义（P<0.05）。自由行走测试时，aMCI组和AD组受试者步幅较HC组短，足跟着地角度较HC组小；AD组步速较HC组和aMCI组受试者慢，足趾离地角度较HC组小（P<0.05）。双任务倍数7测试时，aMCI组和AD组受试者步速较HC组慢，足趾离地角度和足跟着地角度较HC组小；AD组支撑时间较HC组长，足趾离地角度较aMCI组小（P<0.05）。双任务倒数100测试时，AD组步速较HC组和aMCI组受试者慢，足趾离地角度和足跟着地角度较HC组和aMCI组小，步幅较HC组短；aMCI组足跟着地角度较HC组小（P<0.05）。GBDT-RFE方法发现aMCI和AD之间的重要步态特征是步幅、足趾离地角度和足跟着地角度，并在RF模型中实现了识别aMCI和AD的最佳性能，最高准确率为87.69%。

步幅、足趾离地角度和足跟着地角度是识别aMCI患者和AD患者的重要步态标志物，未来临床医生可依据重要步态标志物诊断和治疗aMCI患者和AD患者。

脊柱侧凸是脊柱常见的畸形之一，门诊物理治疗是轻度侧凸患者最常采取的治疗方式。有效的治疗需要保证充足的治疗时间和频次，但线下医疗资源有限，还可能会受到患者时间和空间等因素的影响，远程康复则可解决时空等因素的限制，使训练更为简单方便。

探讨远程康复联合门诊治疗轻度青少年特发性脊柱侧凸（AIS）的疗效。

选取2020年9月至2021年9月就诊于天津医院康复科门诊且符合纳入标准的轻度AIS患者58例。依据AIS患者及其家长治疗意愿将其分为线上组（n=18）、结合组（n=20）及线下组（n=20）。线上组通过微信和腾讯会议APP进行远程脊柱侧凸特定物理运动疗法（PSSE）治疗，结合组采用门诊+线上方式进行特定PSSE治疗，线下组采用门诊方式进行特定PSSE治疗。比较三组患者治疗前后主弯Cobb角、冠状面平衡距离（CBD）、胸椎后凸角（TK）、腰椎前凸角（LL）、脊柱矢状轴（SVA）、躯干旋转角（ATR）、Raimondi值、骨盆投射角（PI）、骨盆倾斜角（PT）、骶骨倾斜角（SS）、顶椎双侧椎旁肌肌肉激活率（MAR）、顶椎双侧椎旁肌均方根肌电值比值（RMSR）和脊柱侧凸研究学会-22（SRS-22）量表评分的变化。

三组患者治疗后主弯Cobb角、TK、SVA、ATR、Raimondi值、SS、顶椎椎旁肌MAR、RMSR及SRS-22量表评分中自我形象评分、心理健康评分较治疗前改善（P<0.05）；结合组在改善ATR、治疗满意度方面优于线上组和线下组，在改善主弯Cobb角方面优于线上组；结合组与线下组椎旁肌MAR的改善优于线上组（P<0.05）。

远程康复联合门诊治疗的方式可以有效减缓轻度AIS弯弧的进展，改善脊柱矢状位异常、体态异常及椎体旋转，提高顶椎椎旁肌MAR并改善顶椎双侧椎旁肌平衡性，对轻度AIS患者的生活质量也有积极作用。

肺癌的发病率和死亡率均居世界首位，5年生存率不到20%，对于早期肺癌的筛查有多种方式，其中人工智能（AI）极大提高了早期肺癌的检出率，但目前仍存在对不典型肺结节如何有效管理以尽早发现早期肺癌的问题，探究肺结节增长的影响因素对指导临床管理具有重要意义。

探讨AI随访肺结节增长的影响因素及临床应用价值。

回顾性选取2019年4月就诊于锦州医科大学附属第三医院的175例肺结节患者作为研究对象，根据AI分类分为实性结节组82例和磨玻璃结节（GGN）组93例。收集研究对象的一般资料，并利用AI计算收集肺结节相关影像学信息，定期随访以观察不同肺结节的增长情况，应用多因素Cox比例风险回归分析探讨肺结节增长的影响因素。

实性结节组的实性占比、平均CT值高于GGN组（P<0.001）。多因素Cox比例风险回归分析结果显示，结节平均直径〔HR=2.185，95%CI（1.079，4.425），P=0.030〕、结节体积〔HR=1.001，95%CI（1.000，1.001），P=0.022〕、恶性概率〔HR=2.232，95%CI（1.036，4.806），P=0.040〕及表面征象〔HR=2.125，95%CI（1.006，4.489），P=0.048〕是实性结节增长的影响因素；平均直径〔HR=2.458，95%CI（1.053，5.739），P=0.038〕、体积〔HR=1.001，95%CI（1.000，1.002），P=0.010〕、实性占比〔HR=1.022，95%CI（1.002，1.041），P=0.030〕、恶性概率〔HR=2.386，95%CI（1.174，4.850），P=0.016〕及表面征象〔HR=3.026，95%CI（1.492，6.136），P=0.002〕、平均CT值〔HR=1.002，95%CI（1.000，1.003），P=0.045〕是GGN增长的影响因素。

肺结节增长受原始结节大小、平均CT值、有无表面征象及恶性概率等多种因素影响，建议临床医师结合AI计算的肺结节增长影响因素确定有效随访时间，以尽早发现肺结节增长并及时采取治疗措施。

近年来，人工智能（AI）在医学领域发展迅速，在糖尿病视网膜病变（DR）中的应用范围不断扩展。

通过文献计量分析总结AI在DR领域的应用情况，阐明AI在DR领域相关研究的现状、热点和新兴趋势，以期为未来的研究提供思路。

以Web of Science数据库为来源，检索建库至2022-11-04的AI应用于DR领域的相关文献，运用CiteSpace软件对纳入文献进行发文量、国家、机构、作者、共被引和关键词的文献计量学分析。

共获得1 770篇文献，2011年1月至2022年11月发文量总体呈上升趋势，2021年发文量达峰值（402篇）。中国是发文量（440篇）位居第1的国家，英国为中心性（0.26）最高的国家。机构合作网络图谱共纳入436家机构，以中山大学和首都医科大学为代表。作者合作网络图谱共纳入601位作者，以JIA Y L和HWANG T为代表。GULSHAN V、ABRàMOFF M D与TING D W 3位高被引作者对该领域做出了重要贡献。Ophthalmology、Invest Ophth Vis Sci和Ieee T Med Imaging是AI应用于DR领域的相关研究最具影响力的3大期刊。AI应用于DR研究的热点领域主要集中在病灶分割和DR诊断方面。对DR并发症糖尿病性黄斑水肿的疗效预测、DR病程管理以及AI算法性能提高可能是未来的研究趋势。

研究者可参考本研究所示的研究热点及趋势，重点关注AI在DR诊断、病程管理与AI算法性能提高方面的相关问题。

骨关节炎（OA）是临床常见的退行性疾病，晚期可导致关节功能丧失，具有致残率高的特点，目前尚无有效的根治方法。因此，早期诊断和精准治疗是改善治疗效果的关键。人工智能（AI）属于多学科交叉融合的研究热点，近年来已逐渐应用到OA诊疗过程中，能够提高OA的诊断准确性、改善临床治疗和预后效果。本文通过归纳相关文献，对AI在OA诊疗中的应用现状进行系统阐述，发现其在辅助OA影像诊断、手术治疗、疾病进展预测和术后康复等方面具有潜在的应用价值，但也存在数据采集不规范、算法系统不稳定等局限，今后应建立标准化的临床样本数据库，持续优化算法模型，使AI技术更好地参与OA诊疗。

随着近20余年人工智能（AI）在食管癌领域应用研究的骤增，出现了许多关于该研究的系统、荟萃分析等，但其仅针对AI在该领域应用的单一方面的总结研究，研究人员难以全面了解领域最新发展与研究热点。

通过文献计量分析总结AI在食管癌领域的应用，阐明AI在食管癌领域相关研究的进展、热点和新兴趋势。

检索Web of Science Core Collection（WoSCC）的Science Citation Index Expanded（SCI-E）数据库收录的AI应用于食管癌领域的所有英文文献，检索时间2000-01-01至2022-04-06。应用Microsoft Excel 2019、CiteSpace（5.8R3-64bit）和VOSviewer（1.6.18）对文献进行发文量、国家、作者、机构、共被引和关键词分析。

2000—2022年共检索到AI应用于食管癌领域的文献918篇，共计引用文献总量23 490篇。发文趋势：2000—2016年为迟缓期，发文量从6篇增至40篇；2017—2022年为快速增长期，发文量从62篇突增至216篇。60个国家、118家机构、5 979位作者参与了AI在食管癌领域应用的研究，发文量排名前3位的国家分别是中国（306篇）、美国（238篇）、英国（113篇），机构合作强度排名前3位的分别是阿姆斯特丹大学〔连线粗细（TLS）=72〕、凯瑟琳娜医院（TLS=64）、埃因霍芬大学（TLS=53），发文量排名前3位的作者是荷兰的作者Jacques J G H M Bergman（16篇）、日本的作者Tomohiro Tada（12篇）、荷兰的作者Fons Van Der Sommen（12篇）。共被引作者39 962位，共被引文献42 992篇。AI应用于食管癌领域相关研究的突现关键词共33个，早期（2001—2008年）：突现关键词以p53、突变为主；中期（2013—2018年）：以食管癌分类、检查新技术（断层扫描）以及食管癌和不同癌症之间区分、鉴别和比较为主；近期（2019—2022年）：以深度学习、卷积神经网络、机器学习在食管癌检查、诊断应用为最新前沿，且深度学习一词突现强度排在33个突现关键词首位（突现强度为13.89）。

AI在食管癌领域的相关研究已迈入新阶段，从基因、突变逐步朝精准检查、诊断和治疗方向发展，深度学习、卷积神经网络、机器学习在食管癌检查、诊断应用为近期（2019—2022年）AI应用于食管癌领域的最新前沿。未来AI应用于食管癌的挑战可能主要集中在食管癌个体化数据收集、数据质量、数据处理规范、AI代码复现、辅助诊断可信度决策上。

远程康复（TR）是一种新兴的康复服务提供模式，其基于通信、远程感知与控制、虚拟现实/增强和计算机技术实现跨越地区的康复医疗服务，但目前TR运用于卒中后功能康复的有效性尚不明确，且相关研究方法学质量良莠不齐，较少有研究者对其进行系统性地评价。

对关于TR应用于卒中后功能康复有效性的系统评价/Meta分析进行再评价。

于2021年8月，计算机检索PubMed、Web of Science、The Cochrane Library、维普中文科技期刊全文数据库、万方数据知识服务平台、中国知网和中国生物医学文献数据库，获取有关TR应用于卒中后功能康复有效性的系统评价/Meta分析，检索时限为建库至2021年8月。由2名研究者独立筛选文献、提取资料后，采用AMSTAR 2量表对纳入文献方法学质量进行评价，采用GRADE系统对纳入文献结局指标进行证据质量分级。采用描述性分析法对TR应用于卒中后功能康复的有效性进行分析。

共纳入10项系统评价/Meta分析，AMSTAR 2评价结果显示：2项研究方法学质量为高，3项研究方法学质量为低，5项研究方法学质量为极低。未报告前期研究方案、排除研究清单与理由、原始研究发表偏倚及其资金来源等是导致研究方法学质量较低的主要原因。GRADE证据质量评价结果显示：10项系统评价/Meta分析涉及的7种结局指标、41个证据体中，8个GRADE分级为中级，23个GRADE分级为低级，10个GRADE分级为极低级。TR在一定程度上促进了卒中后患者日常生活活动能力、运动功能、生活质量、抑郁症状、言语功能等的改善，与"面对面"的康复治疗或常规护理具有同等疗效，甚至部分TR疗法的干预效果优于传统康复疗法。

TR可促进卒中患者功能康复，但考虑到目前关于TR应用于卒中后功能康复有效性的系统评价/Meta分析的方法学质量和结局指标可靠程度大多偏低，仍需严格、规范、全面开展高质量的随机对照试验来提供证据支持。本研究结果可为未来TR研究的选题、设计及成果报告提供借鉴。

饮食与炎症性肠病（IBD）的发生、发展及预后密切相关。在缺乏具体膳食营养指南建议的前提下，IBD患者的营养管理充满挑战和不确定性。现有研究表明人工智能在慢性病患者营养管理领域展现出良好的应用前景，但目前针对其在IBD患者营养管理领域应用的研究有限。

对人工智能在IBD营养管理领域中应用的研究进行范围综述。

系统检索PubMed、Web of Science、Embase、Cochrane Library、CINAHL、IEEE Xplore、Association for Computing Machinery Digital Library、中国生物医学文献数据库、中国知网、万方数据知识服务平台及维普网等，筛选关于人工智能在IBD患者营养管理中应用的研究，检索时限为建库至2024年3月。由2名研究者根据纳排标准独立筛选文献并提取文献的基本特征。

共纳入15篇文献。人工智能在该领域的应用包括探索饮食与疾病的相互关系、协助营养评估和辅助营养干预。人工智能技术以机器学习为主，其他还包括自然语言处理、深度神经网络等。

人工智能有助于探索IBD患者健康饮食模式及患者个性化营养指导，但目前在IBD营养管理领域的应用处于初步阶段，未来有必要加强多学科间合作，注重融合临床指南及其在临床中评估其应用效果，以确保结果的严谨性和准确性。

人工智能大语言模型等新技术的飞速发展给医学临床实践带来了新的变革。国内外已开始了智能全科医生系统的研究及实践探索，但尚未形成共识。在此背景下，清华大学万科公共卫生与健康学院、北京大学公共卫生学院联合中国医师协会全科医师分会及来自国内多家单位的全科医学、公共卫生、人工智能、循证医学等多学科领域的专家学者，在广泛检索国内外文献的基础上，经过多轮专家研讨，最终形成《智能全科医生中国专家共识》，从智能全科医生的定义、特点、应用、挑战与建议等方面形成17条专家共识，为促进智能科技赋能全科医生临床实践、提升基层卫生智慧化服务水平提供科学参考。

近年来有关将人工智能（AI）应用于胃癌诊治的研究日益增多，但目前尚未有研究者使用文献计量学分析法对其进行系统的分析。

对将AI应用于胃癌诊治的相关研究进行分析，探讨2003—2022年研究的热点及发展趋势。

于2022-11-06，计算机检索Web of Science（WOS）核心合集数据库，获取将AI应用于胃癌诊治的相关研究。通过文献计量学分析法，采用VOSviewer 1.6.18软件对国家（地区）间、机构间、作者间的合作情况、共被引作者情况、关键词共现与叠加情况进行可视化分析，采用CiteSpace 5.7.R5软件进行机构中介中心性分析、期刊双图叠加分析、近6年共被引文献聚类分析、共被引文献聚类时间线图分析及参考文献突现分析。采用Excel 2019软件绘制发文量条形图，以及国家（地区）、机构、期刊、作者、共被引作者、引用参考文献和关键词的描述性分析表格。

共纳入703篇文献，2003—2022年将AI应用于胃癌诊治的相关研究年发文量整体呈上升趋势，2017年后年发文量快速增长，其中2019—2021年增长最为迅速。发文量最多的国家（地区）、机构和作者分别为中国、中国科学院和TADA TOMOHIRO。共被引次数排在前3的作者BRAY FREDDIE、HIRASAWA TOSHIAKI和JIANG YUMING对该领域做出了重要贡献。Frontiers in Oncology是发文量最多的期刊，Gastrointestinal Endoscopy是刊载将AI应用于胃癌诊治相关研究、发文量排在前10的期刊中最具影响力的期刊。施引期刊的所属领域主要集中在"Medicine，Medical，Clinical"（"药物，医学，临床"）、"Molecular，Biology，Immunology"（"分子，生物学，免疫学"）2个领域；被引期刊的所属领域主要集中在"Molecular，Biology，Genetics"（"分子，生物学，遗传学"）、"Health，Nursing，Medicine"（"健康，护理，药物"）2个领域。共被引次数排在首位的参考文献为Global cancer statistics 2018：GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries。根据关键词聚类结果可将所有关键词分为4类：AI辅助胃癌的生物学研究、AI辅助胃癌的内镜诊断、AI辅助胃癌的病理诊断和AI辅助胃癌的非内镜治疗及预后预测。深度学习、卷积神经网络、影像组学、消化道内镜、病理学和免疫治疗是目前的研究热点。

AI在胃癌诊治中具有广阔的应用前景，越来越多的学者致力于开展胃癌诊治的AI研究。目前，AI在胃癌的生物学、诊断、分期、疗效评估和预后预测方面得到了广泛的研究。本研究结果可为从事AI与胃癌相关研究工作的学者提供参考。

全球慢性病患病率不断上升，给社会的发展和个人健康带来重大挑战。管理慢性病需要长期治疗和监测，对患者的生活方式提出了一定要求。随着人口老龄化和人们生活方式的改变，慢性病防控正变得越发重要。近年来，随着医疗卫生领域科技创新向纵深发展，借助人工智能的智能机器人在医疗领域的应用也逐渐成为国家重要战略方向之一，传统的慢性病管理方法过于依赖医生和患者之间的线下交流，导致医生无法与患者保持长期且有效的沟通和随访，患者病情出现变化时医生可能无法及时发现和监测。此外，传统的慢性病管理方法通常是一种通用化的方法，无法充分考量到每位患者的个体差异。鉴于传统慢性病管理方法的局限性，本文提倡利用智能机器人提供更便捷高效的基层服务。本文认为，通过个性化健康管理方案、辅助医疗诊断、定时提醒服药等功能，使智能机器人能够致力于改善患者生活质量、减轻医疗资源压力，从而推动全球智能化医疗管理的发展。

目前，人工智能应用于阿尔茨海默病（AD）领域的研究论文数量增幅较大，明确该领域最新研究热点和未来发展趋势十分重要。

通过应用文献计量学分析，总结人工智能应用于AD领域的相关研究，阐明2004—2023年的研究热点和未来研究趋势。

在Web of Science核心数据库中检索了2004年1月—2023年6月关于人工智能应用于AD领域的文献。采用Microsoft Office Excel、CiteSpace和VOSviewer软件对发文量、国家、作者、机构、关键词和共引网络进行可视化分析。

最终纳入了3 189篇文献。自2004年以来有关人工智能应用于AD领域的文献数量稳步增加，并从2015年起进入快速增长阶段，最高突破600篇。共有94个国家、3 930家机构、13 563位作者以及52 019位被引作者参与了此研究。其中，美国和中国在这一领域中处于领先地位；韩国大学发文量位列第一；此外，ZHANG DAOQIANG、LIU MINGXIA、SUK HEUNG-IL和CLIFFFORD R. JACK Jr不仅是高产的作者还是被引次数最多的作者。根据关键词和文献被引结果的可视化分析，发现AD的诊断与病程分类、预测AD的风险因素是当前的研究热点，任务分析是未来人工智能应用于AD领域中的研究趋势。

人工智能应用于AD领域已经引起了全球研究者的广泛关注，AD的诊断与病程分类、预测AD的风险因素是当前的研究热点，而任务分析中的辅助药物的研发、个性化治疗和护理以及提升人工智能的算法性能可能会成为未来的研究趋势。

染色体异常是导致出生缺陷的常见原因，核型分析仍是产前诊断染色体异常的重要方法，也是出生缺陷防控的有效手段，但目前核型分析尤其是染色体图像分割分类主要依靠人工，费时费力。人工智能（AI）是核型分析的一种新方式，研究其在产前染色体核型诊断中的价值具有重要意义。

探讨AI在产前染色体核型诊断中的应用效果和临床价值。

选取2020—2022年在无锡市妇幼保健院医学遗传与产前诊断科接受介入性产前诊断、行羊水染色体核型分析的1 000例孕妇。采用双线模式：一线AI阅片后，由1名遗传医师审核，二线由另1名遗传医师应用Ikaros核型分析工作站阅片，记录各自的诊断结果及所需时间。样本的最终诊断结果以一线的人工审核和二线的人工阅片结果为准。

1 000例羊水样本中，AI诊断正常核型735例、非整倍体233例、结构异常0例、嵌合体32例。AI辅助遗传医师的诊断结果与遗传医师应用Ikaros系统的诊断结果完全一致，正常核型、非整倍体、结构异常、嵌合体分别是689、233、45、33例。与AI辅助遗传医师相比，AI诊断具有强一致性（Kappa值=0.895，95%CI=0.866~0.924，P<0.01）。AI诊断准确率为95.4%，灵敏度为95.4%，阳性预测值为100.0%。其中，诊断正常核型、非整倍体、结构异常、嵌合体的灵敏度分别为100.0%、100.0%、0、97.0%；阳性预测值分别为100.0%、100.0%、0、100.0%。AI平均诊断用时少于AI辅助遗传医师和Ikaros辅助遗传医师（P<0.001）；AI辅助遗传医师平均诊断用时少于Ikaros辅助遗传医师组（P<0.001）。

AI分析羊水核型的自动化程度高，但识别染色体结构异常的能力有待提高，建议采用AI联合遗传医师阅片的方式应用于临床，以保证产前诊断的质量并提高效率。

近年来移动健康技术在慢性病管理中的研究发展迅速，然而该领域的研究趋势、热点和前沿问题尚不清晰。

对移动健康技术在慢性病管理中的应用和发展进行系统梳理，为未来开展相关研究提供借鉴。

以Web of Science核心合集、PubMed为文献数据来源，于2022-10-18通过CiteSpace 6.1.R 3软件检索1997—2022年发表的相关文献，限制语种为英文，排除会议论文、会议摘要、在线发表、社论、信函、书籍章节、新闻等类型的文献。对纳入文献的国家（地区）、学科交叉和关键词进行分析，以掌握国际上相关研究的现状和热点，采用关键词聚类分析、关键词突发检测和时间轴视图综合分析移动健康技术在慢性病管理中的研究前沿和趋势。

共纳入文献7 622篇，文献发表量在2011年开始出现明显增长趋势，其中美国对文献数量的贡献最大，共有2 645篇（34.70%）。论文刊发期刊主要集中在医学、心理学和健康学等领域。频次排在前5位的关键词分别为慢性病（711次）、护理（695次）、管理（544次）、干预（502次）、健康（448次）。共形成10个有意义的聚类，可归纳为研究工具、研究理论与方法、研究对象、研究因素4个维度。结合关键词突现和时间线视图来看，热点问题主要聚焦于远程医疗、远程护理及数字健康。

国际上对移动健康技术在慢性病管理中应用的研究热度不减，研究领域已从医学转向健康学，研究重点是采用移动健康技术对慢性病进行干预，利用数字技术为慢性病提供远程健康综合服务。提示我国学者应重视移动健康和数字技术在慢性病管理中的应用，开展干预研究为慢性病患者寻找高质量健康服务，为慢性病服务与管理的高质量发展提供建议。

随着互联网医疗的兴起，电子处方流转不断增多，电子处方审核成为在线用药环境下合理用药的重要保障。而互联网场景下，人工审核效率和审核质量低下，易增加药害事件的风险。智能辅助审方系统的应用可以明显降低药师审方工作压力，提高审核效率，而目前在互联网医疗智能辅助审方系统的系统构架、系统功能、处方审核规则设置上缺乏统一的制订标准和规范的管理措施，无法满足快速发展的互联网医疗需求。本专家共识基于医疗机构审方系统的构建经验，在现有审方系统功能和审方规则制订方法的基础上，对互联网医疗智能辅助审方系统的构建和应用提出建议，以进一步促进互联网医疗审方工作的规范化，保障合理用药。

奥密克戎在世界各地广泛传播，深圳作为连接国内外交通的重要枢纽，自2022年2月以来持续受其影响，感染者数量迅速增加。

构建修正的易感-暴露-感染-康复（SEIR）模型，为深圳市疫情防控工作提供具有应用价值的政策参考和建议，以缓解防控压力。

在传统SEIR传染病动力学模型基础上，针对奥密克戎传播速度快、隐匿性高、人群普遍易感等流行病学特征，引入具有政策性特征的组别，即密接者、次密接者、入深隔离者和携带者组别，构建修正SEIR模型，拟合2022-02-18—28的深圳疫情数据确定修正模型的相关参数。

该模型的预测数据与2022-03-01—04的实际数据基本一致，为预测疫情后续发展提供了可靠依据；进一步预测了2022-03-05—19的疫情发展趋势，从疫情防控的人工干预程度、介入时间及床位数、隔离房间数等医疗卫生资源需求等方面为深圳后续的疫情防控措施提供了指导。

修正SEIR模型在疫情发展预测、防控措施制定和调整及医疗资源配置等方面具有重要实用价值。

人工智能（AI）是改善卫生保健服务的新兴技术。在全球政府机构和学术部门的共同推进下，大量研究论证AI可以改进心血管疾病的诊断、治疗和预防，但其发展和应用仍存在一些限制，尚未在广泛范围内服务临床。基于此，美国心脏协会（AHA）于2024-04-02在Circulation发表了《人工智能在心血管疾病中的应用科学声明》（以下简称声明）。该声明综述了AI在心血管疾病诊断、分类和治疗中的研究进展，提出了AI应用中存在的问题以及潜在解决方案，并且构建了未来AI在心血管领域应用的框架。本文旨在对该声明进行解读，为我国AI在心血管疾病的应用和研究提供建议和方向。

随着人口老龄化，压力性损伤（PI）的发病率逐渐增加，这不仅严重影响了患者的生存质量，还增加了医保支出。然而，PI的早期发现和准确分期极大地依赖于专业培训。

构建并测试一个用于PI自动检测和分期的人工智能模型，以提高PI诊断的实时性、准确性和客观性。

选取常熟市第一人民医院压疮电子化管理系统中2021年1月—2024年2月的693张PI图像，将图像随机划分为训练集（551张）和测试集（142张），并按照2019年美国压疮咨询委员会（NPUAP）制订的PI预防和治疗指南分为6期，包括：Ⅰ期154张、Ⅱ期188张、Ⅲ期160张、Ⅳ期82张、深部组织损伤期57张、不可分期52张。利用基于5种不同版本的YOLOv8[nano（n）、small（s）、medium（m）、large（l）和extra large（x）]神经网络和迁移学习，建立针对PI的深度学习目标检测模型。模型评价指标包括精确度、准确率、灵敏度、特异度及检测速度等。最后，通过Ultralytics Hub平台将模型部署到手机应用程序（App）中，实现AI模型在临床工作中的应用。

在对包含142张PI图像的测试集进行评估时，YOLOv8l版本在确保高精确度（0.827）的同时，也展现了较快的推理速度（68.49帧/s），与其他YOLO版本相比，在精确度与速度之间取得了最佳的平衡。具体而言，其在所有类别上的整体准确率为93.18%，灵敏度为76.52%，特异度为96.29%，假阳性率为3.72%。在6个PI分期中，模型预测Ⅰ期的准确率最高，达到95.97%；预测Ⅱ期、Ⅲ期、Ⅳ期、深部组织损伤期、不可分期分别取得了91.28%、91.28%、91.95%、95.30%和93.29%的准确率。就处理速度而言，YOLOv8l处理142张图像的总耗时为2.07 s，平均每秒可处理68.49张PI图像。

基于YOLOv8l网络的AI模型能够快速、准确地对PI进行检测和分期。将该模型部署到手机App中，能够在临床实践中便携使用，具有很大的临床应用潜力。

随着人工智能（AI）在医学领域的广泛应用，越来越多基于AI的临床决策支持系统应用于临床诊断与筛查等。早期临床评估对于评价基于AI临床决策支持系统的临床性能、安全性和人为因素具有重要意义，有利于为进一步的大规模临床试验奠定基础，但相关临床研究报告的透明度和完整性尚待提高。2022年5月，基于AI的临床决策支持系统早期临床评估报告指南（DECIDE-AI）正式在线发表。本文将结合DECIDE-AI中的AI相关报告项目及相关文献，探讨基于AI的临床决策支持系统早期临床评估的透明化报告，以期帮助我国系统开发者和研究者更好地理解与应用相关指南，提高基于AI的临床决策支持系统早期临床评估报告的透明度。

帕金森病（PD）的诊断主要以临床症状为主，缺乏正确诊断的客观方法。目前已有关于视网膜结构改变作为PD早期诊断的生物标志的研究，但基于视网膜结构改变的机器学习对预测早期PD的研究尚少。

基于视网膜结构改变的特征构建机器学习模型，探索其在早期PD诊断中的预测价值，及探讨不同机器学习算法对PD早期诊断的准确性。

选取2021年10月—2022年9月在河南省人民医院神经内科门诊就诊和住院治疗的年龄40~70岁的PD患者49例（PD组），并选取来医院体检的年龄及性别相匹配的39名健康者（健康对照组）为研究对象。所有研究对象行扫频源光学相关断层扫描和扫频源光学相干断层扫描血流成像检查，并定量分析黄斑区视网膜的厚度和血管密度。将88例受试者按7∶3的比例随机分为训练集62例和验证集26例，选择PD组与健康对照组差异有统计学意义的变量作为纳入机器学习模型的特征变量，并在训练集中分别构建Logistic回归（LR）、K-近邻算法（KNN）、决策树（DT）、随机森林（RF）和极端梯度提升（XGboost）模型。采用受试者工作特征（ROC）曲线下面积（AUC）、准确度、灵敏度和特异度评价基于视网膜改变的机器学习模型对早期PD诊断的预测价值。

与健康对照组相比，PD组患者浅层毛细血管的上方外圈（A6）、颞侧外圈（A7）、下方外圈（A8）以及鼻侧外圈（A9）密度减少，视网膜层的上方内圈（A2）、颞侧内圈（A3）、下方内圈（A4）、鼻侧内圈（A5）、A6~A9厚度，节细胞复合体层的A9厚度，神经纤维层的A7厚度，视网膜外层的A2和A4~A9厚度变薄（P<0.05）。视网膜层A2厚度（OR=0.781，95%CI=0.659~0.926）、视网膜层A3厚度（OR=1.190，95%CI=1.019~1.390）、视网膜外层A2厚度（OR=0.748，95%CI=0.603~0.929）、视网膜外层A6厚度（OR=2.264，95%CI=1.469~3.490）、视网膜外层A8厚度（OR=0.723，95%CI=0.576~0.906）以及神经纤维层A7厚度变薄（OR=0.592，95%CI=0.454~0.773）及浅层毛细血管A7密度减少（OR=1.966，95%CI=1.399~2.765）为早期PD发生的独立危险因素（P<0.05）。将上述变量纳入并构建机器学习模型，结果显示，构建的5个模型中，LR模型整体性能最高，其AUC为0.841，而DT模型的准确度最高，其准确度为0.846。

基于视网膜特征的机器学习模型可准确的预测早期PD，其中，DT模型对早期PD诊断具有较高的准确度。