数字健康技术在主动健康领域的应用进展与发展建议

周丹 ,  周良 ,  王慧

中国工程科学 ›› 2025, Vol. 27 ›› Issue (6) : 1 -12.

PDF (735KB)
中国工程科学 ›› 2025, Vol. 27 ›› Issue (6) : 1 -12. DOI: 10.15302/J-SSCAE-2025.02.030

数字健康技术在主动健康领域的应用进展与发展建议

作者信息 +

Application of Digital Health Technologies in Proactive Health: Progress and Development Recommendations

Author information +
文章历史 +
PDF (751K)

摘要

数字健康技术的快速发展正推动健康管理模式从被动应对向主动管理转型。本文基于“主动感知、主动发现、主动应对”的主动健康理论框架，系统梳理了数字健康技术在主动健康领域的应用现状、发展面临的挑战以及应用趋势。研究表明，我国数字健康技术在主动健康领域技术应用面临感知精度瓶颈与数据安全挑战、算力局限与模型应用脱节、区域数字鸿沟及群体技术鸿沟等多重挑战。与此同时，数字健康技术在主动健康领域的应用趋势正朝着全生命周期管理、多维度数据融合、个性化服务需求升级、远程化场景拓展及生态化数据共享的方向演进，相应的潜在关键技术涵盖新一代生物传感、多模态数据融合分析、智能干预与数字疗法、远程医疗平台集成及隐私计算技术等领域。研究建议，完善政策支持体系、加强核心技术攻关、推进技术普惠与均衡发展、健全伦理规范与安全保障体系、推动应用场景拓展与产业生态融合等，以期为我国构建覆盖全生命周期的主动健康管理技术应用路径提供坚实的理论基础，进而为实现“健康中国”战略目标提供关键技术支撑、科学决策依据及全民健康促进的实践保障。

Abstract

The rapid advancement of digital health technologies is facilitating a shift in health management from a reactive model to a proactive one. Grounded in the proactive health theoretical framework of "proactive sensing, proactive discovery, and proactive response," this study reviews the current application status, challenges, and future trends of digital health technologies in the field of proactive health. The study reveals that the application of these technologies in China faces multiple challenges, including limitations in sensing accuracy, data security risks, computational constraints, disconnections in model application, as well as regional digital divides and group-based technological disparities. Meanwhile, application trends are evolving toward full-lifecycle management, multi-dimensional data integration, upgraded demand for personalized services, expansion of remote scenarios, and ecological data sharing. Corresponding key technologies involve next-generation biosensing, multimodal data fusion and analysis, intelligent intervention and digital therapeutics, integrated remote medical platforms, and privacy-preserving computation technologies. To address these issues, this study proposes several targeted recommendations: improving the policy support system, strengthening core technology research, promoting equitable and inclusive technological development, establishing sound ethical standards and security mechanisms, and advancing the expansion of application scenarios along with industrial ecosystem integration. These recommendations aim to provide a solid theoretical foundation for constructing a technological pathway for full-lifecycle proactive health management in China, thereby offering key technical support, scientific decision-making basis, and practical safeguards for achieving the strategic goal of Healthy China and promoting population-wide health.

关键词

数字健康技术 / 主动健康管理 / 主动感知 / 主动发现 / 主动应对

Key words

digital health technology / proactive health management / proactive sensing / proactive discovery / proactive response

引用本文

引用格式 ▾
周丹,周良,王慧. 数字健康技术在主动健康领域的应用进展与发展建议[J]. 中国工程科学, 2025, 27(6): 1-12 DOI:10.15302/J-SSCAE-2025.02.030

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

数字健康是医疗健康领域的技术革新核心，指通过开发和应用数字技术，如智能设备、物联网、人工智能（AI）、大数据等，改善健康知识传播与服务实践，提升健康管理效率与质量。这一概念由世界卫生组织明确界定，涵盖从健康监测到疾病干预的全链条技术集成，为健康管理模式从“被动应对”向“主动管理”转型提供了底层支撑。主动健康作为健康管理领域的创新理念，强调通过个体健康责任意识觉醒与技术赋能的协同，构建新型管理模式[1]。这一模式通过唤醒个体健康管理的自觉性，联合医疗机构、社区及家庭资源，构建协同支持网络，最终实现全生命周期健康追踪、疾病风险早期预警及生活方式系统优化，为全民健康水平提升提供实践路径。当前，数字健康技术已进入快速发展阶段，其在主动健康领域的应用具有多重战略意义[2]。从技术层面看，数字健康技术通过智能感知、数据分析与干预手段的数字化链路，将传统被动治疗转化为前瞻性健康维护；从社会层面看，依托政策引导与技术普惠，推动健康资源均衡配置，助力“健康中国”目标实现；从个体层面看，通过个性化服务与远程场景拓展，显著提升健康管理的智能化与预防性水平。我国在政策层面高度重视数字健康技术与主动健康的融合发展，并作出系统性战略部署。2016年，我国发布的《“健康中国2030”规划纲要》[3]中强调，推动医疗健康与互联网深度融合。近年来，相关政策进一步细化，2022年发布的《“十四五”数字经济发展规划》[4]将数字健康纳入数字经济重点领域；2023年国务院办公厅发布的《关于进一步完善医疗卫生服务体系的意见》[5]提出，推进第五代移动通信（5G）、AI等新技术在健康管理中的融合应用；2024年，科学技术部“主动健康和人口老龄化科技应对”重点专项[6]则注重深化理论体系研究与示范应用。当前，数字健康技术已成为主动健康管理的重要支撑，应用场景日益丰富，技术集成度与用户覆盖率显著提升[7]。

基于前期研究成果[8]，本文提出了“主动感知、主动发现、主动应对”的主动健康理论与技术应用体系框架（简称“三个主动”框架）。该框架采用三阶联动的闭环管理机制，以实现健康的全周期管理。首先，通过智能穿戴设备、物联网传感器、移动健康应用程序（App）等构成的智能感知技术体系，实现对个体生理参数、行为模式及环境因素的持续性监测与多维度数据采集，为健康管理构建动态数据池（“主动感知”）；继而，依托数字化基因组学、AI算法和大数据分析平台，对海量健康数据进行深度挖掘与模式识别，构建疾病风险预测模型，实现健康威胁的早期预警与精准评估（“主动发现”）；最后，通过整合精准医疗方案、远程诊疗系统、智能健康管理平台等干预手段，制定个性化健康管理方案（“主动应对”）。这一递进式框架通过“感知 ‒ 发现 ‒ 应对”的数字化链路，将传统的被动疾病治疗转化为前瞻性的主动健康维护。

依托“三个主动”框架，本文系统梳理数字健康技术在主动健康管理领域的应用现状，剖析我国数字健康技术落地面临的挑战，结合应用趋势及潜在技术方向，提出针对性发展建议，以期为构建覆盖全生命周期的主动健康管理技术应用路径提供坚实的理论支撑，助力“健康中国”战略目标实现。

二、 数字健康技术在主动健康领域的应用现状

（一） 健康状态的主动感知技术应用现状

1. 智能穿戴设备的日常监护应用

智能穿戴设备凭借其非侵入性和便捷性优势，成为非医疗环境下主动健康管理的重要工具，广泛应用于日常监测、慢性病管理和亚健康预警等领域[9]。通过高度集成传感器、微处理器与通信模块，智能穿戴设备能够即时收集心率、血压、血氧饱和度等核心生理数据，将生命体征转化为数字信息，实现对健康状态的精密感知与追踪。例如，加利福尼亚大学圣地亚哥分校开发了可穿戴超声波贴片，能实时监测血压并解析波形，为慢性病患者提供了精准数据支持[10]，可以主动规避并发症风险。针对心率变异性的监测，通常使用光电容积脉搏波描记法（PPG）进行睡眠监测，并分析脉搏和呼吸信号来深入解析睡眠周期，有效感知睡眠障碍问题[11]。使用PPG技术的可穿戴设备具有佩戴舒适度高、报告自动生成等优势，正逐渐成为日常健康监测的新选择[12]。

2. 医疗物联网的实时监测应用

物联网技术通过整合智能传感装置与互联网架构，构建起实时化、精准化的医疗数据交互网络，可以实现多维度医疗健康场景渗透，为主动健康监测奠定技术基础。作为核心数据入口，多模态传感器可以深度嵌入可穿戴设备及智能诊疗终端，持续采集生理体征信息。在此基础上，物联网技术依托蓝牙、低功耗广域网（LPWAN）、5G、无线网络通信等异构通信协议，构建了从设备到云端的多级传输通道。云端计算平台则通过分布式存储架构与机器学习算法，实现对海量健康数据的实时解析。无线体域网通过运用近场通信技术，实现了生命体征数据向医疗机构的秒级同步，显著提升了慢病管理、远程急救等场景的服务响应效率与质量控制水平[13]。例如，通过对社区慢性病人群的智能穿戴设备与物联网传感器进行连续数据监测，结合人工智能驱动的大数据平台实施结构化治理，并依托临床决策支持系统提供个性化干预建议，可以为医防融合服务体系的构建提供循证医学基础[14]。在服务应用延伸层面，物联网技术支撑远程实时监护系统与急救响应网络建设，如智能药盒能够针对性破解独居老年群体的漏服或误服药物难题[15]；智能家居可以通过毫米波雷达、压力传感器等量化老年人日常活动能力与跌倒风险[16]，显著提升主动健康管理效能与预防医学实践水平。

3. 移动健康App的个性化服务应用

移动健康App是健康管理服务的核心交互界面，运行依托于智能手机、平板电脑等移动终端的硬件算力及云平台的分布式计算资源，通过集成多模态生物传感器进行健康数据的实时采集与传输，实现对用户健康状态、健康趋势的研判与感知。在应用优化方面，基于多源异构数据进行融合建模形成的用户画像技术成为个性化健康管理的关键路径。通过精准刻画用户的健康特征与行为模式，可以有效提升用户的依从性与管理参与度[17]。对于技术应用过程中衍生出的隐私保护与合规性问题，欧美主流移动健康App严格遵循《通用数据保护条例》（GDPR）和《健康保险便利与责任法案》（HIPAA）等法规框架，构建了涵盖端到端加密、联邦学习框架的隐私计算体系以强化数据安全。此外，实证研究表明，系统兼容性对用户采纳意愿具有显著正向影响[18]。为破解“数据孤岛”难题，国际领先平台积极推进健康信息交换第七层快速医疗互操作性资源（HL7 FHIR）标准落地，并结合美国互操作性核心数据集（USCDI）和可信交换框架与共同协议（TEFCA）等内容，构建统一的数据标准和信任网络，实现跨机构、跨设备健康数据的无缝流转与安全共享。为此，我国加速推动移动健康平台与区域医疗系统的深度融合和对接集成，着力构建全域健康数据生态系统。

（二） 健康风险的主动发现技术应用现状

1. 数字化基因组学的早筛应用

新一代测序与CRISPR基因编辑技术的协同突破，正在重构疾病主动发现的科学范式。数字化基因组学作为疾病风险数据采集的关键一环，应用价值日益凸显。以液体活检技术为例，通过高灵敏度检测血液中低至0.1%突变等位基因频率的循环肿瘤基因，将癌症早期筛查的时间窗口大幅前移[19]。与此同时，国际前沿应用呈现数据驱动和临床转化的双螺旋发展路径。美国“全民健康研究计划”已建立覆盖200万人的基因组 ‒ 表型超大规模数据库，为疾病预测模型的开发提供了强大的数据支撑。欧盟“1+百万基因组计划”依托跨境数据共享机制，成功将心血管疾病风险预测模型的受试者工作特征曲线下面积（AUC）值提升至0.89[20]，彰显了基因组学数据在临床转化中的巨大潜力。我国通过“十四五”精准医学专项实现了追赶式发展和创新，建成了首个涵盖多民族、10万例样本的中国人群泛基因组参考图谱，填补了东亚族群遗传多样性研究的空白[21]，也为疾病风险的早期发现和精准评估提供了宝贵资源。

2. 医疗大数据的预警应用

医疗大数据的预警应用有助于及早识别健康风险，应用范畴已从基础数据管理迈向了智能决策支持的新阶段。在癌症治疗过程中，大数据技术通过对患者的基因型信息和病理特征进行深入剖析，如识别出包括表皮生长因子受体（EGFR）、间变性淋巴瘤激酶（ALK）等特定的基因突变，使医生可以为患者精确选取合适的靶向药物和免疫治疗方案。已有部分国家批准了大数据机器学习算法模型在医疗领域的实际应用，如应用多源异构数据，构建了可以预测10年内心血管疾病发生风险的动态风险评估模型[22]。我国在该领域实现了应用创新与理论突破的双重飞跃，国家自然科学基金交叉科学部近年来资助了217项相关研究项目[23]，在流行病预测、医疗资源优化配置等多个应用场景中，形成了具有我国自主知识产权的算法体系。

3. AI辅助诊断的临床应用

AI技术正在革新医疗影像解读方式，应用价值在肿瘤微灶识别、心血管斑块精准定位等病灶发现场景中尤为凸显[24]。截至2022年，美国食品药品监督管理局批准的521项AI医疗设备中，放射影像诊断工具占比达75%，表明AI辅助医疗影像诊断技术应用不断成熟[25]。前沿研究表明，基于自然语言处理的临床决策系统通过深度挖掘乳腺X线摄影与病理报告的关联特征，在辅助出具诊断结果方面展现出卓越性能[26]。我国创新力量同步崛起，上海科技大学研发的多模态乳腺影像AI系统，诊断效能已逼近病理活检“金标准”[27]。更具中国特色的是“西医精准诊断+中医治未病”的融合应用实践——基于知识图谱的中药方剂智能推荐系统，在糖尿病、高血压等慢病管理应用场景得到采纳[28]。此外，AI与大数据、数字化基因组学的深度耦合，正推动健康体检从标准化流程向个性化健康管理方案转型[29]，促进“感知 ‒ 发现 ‒ 应对”智能闭环管理机制的构建与完善。

（三） 健康管理的主动应对技术应用现状

1. 精准医学和数字疗法（DTx）的发展应用

精准医学通过整合基因组风险预警与智能决策辅助系统，能够定制个体化的治疗路径并动态优化生活方式干预方案，引领健康管理向主动应对转变。精准医学在治疗药物监测中的应用已被证实有效，能够精确调整精神药物剂量，从而确保治疗的安全性和有效性[30]。更进一步地，结合AI与静息态功能磁共振成像，研究者成功定位了家族性痉挛性共济失调（FSA）的生物标志物，并构建了诊断准确率超过80%的FSA评分模型[31]，为精神疾病的精准分型提供了客观量化工具。目前，欧洲、美国、日本等国家和地区凭借生物大数据优势，已在精准医学领域建立技术壁垒。我国积极建立覆盖广泛医疗机构的临床多组学数据库，并借助长江三角洲、粤港澳等区域健康信息平台，推动主动健康技术从科研探索向临床服务应用的纵深渗透。

DTx是由软件驱动、基于循证医学证据的干预方案，可用于预防、治疗或管理疾病，改善疾病预后。DTx通常作为独立的治疗手段，与传统药物、非药物治疗联合使用。DTx的技术创新主要集中在软件算法、虚拟现实（VR）、增强现实（AR）等数字技术的应用。DTx在疾病管理中的应用主要集中在慢性病的行为干预和健康管理方面。例如，动态血糖监测（CGM）通过软件驱动的干预方案，可以提供全天候血糖信息，优化糖尿病患者的血糖控制效果。目前，已有多项研究和实践指南推荐使用CGM技术代替传统的血糖监测方法[32]。我国在DTx产品应用方面相对滞后，但近年来也在积极推进相关技术的研发和应用[32]。

与此同时，精准医学可以为DTx提供疾病的风险预测和个性化治疗建议，而DTx可以通过实时监测患者的健康数据，优化精准医学的治疗效果。精准医学通过分析患者的基因组数据，预测糖尿病的风险因素；DTx通过CGM软件，实时监测患者的血糖水平，提供个性化的饮食和运动建议。

2. 远程医疗和在线诊疗的落地应用

远程医疗和在线诊疗是数字医疗领域的重要组成部分。近年来，随着互联网技术、移动设备和5G网络的普及，远程医疗和在线诊疗的落地应用得到了快速发展。通过视频通话、影像传输等技术，医生可以远程为患者提供诊断服务。例如，放射科医生可以通过远程影像系统查看患者的计算机断层扫描、磁共振成像等影像资料，并给出诊断意见。远程医疗能够提供即时医疗服务，使患者可以主动寻求医疗援助，有效管理健康风险，避免治疗延误。美国医疗保险和医疗补助服务中心（CMS）通过医保政策将远程医疗的普及率提升至58%，欧盟多国也将此纳入核心战略[33,34]。我国利用5G技术，建成了覆盖所有市县的远程医疗服务网络[35]，并依托公立医院的信任优势，推动在线诊疗在互联网医院模式下快速发展，加速了主动应对模式的落地应用。在线诊疗的应用场景主要集中在常见病、慢性病的管理和健康咨询，通过互联网平台实现医生与患者之间的在线问诊服务。随着全球化的发展，远程医疗和在线诊疗将更加注重跨境合作，通过国际合作平台，为全球用户提供高质量的医疗服务。

3. 智能健康管理平台的融合应用

智能健康管理平台为精准营养规划、运动健康促进、心理健康与情绪调节等带来了创新性的解决方案。国外平台通过融合多元数字技术，如利用AI图像识别进行膳食营养的量化分析[36]、运用智能餐具实时监测幽门螺杆菌的感染风险[37]，实现了相关技术的深度应用。我国遵循国家药品监督管理局的《人工智能医用软件产品分类界定指导原则》，加速推进膳食追踪技术与医疗AI系统的融合创新[38]。在运动领域，VR/AR技术为用户带来了沉浸式的运动体验，已在国际体育产业、娱乐赛事等场景中广泛应用。我国高校已开始利用AI运动评估系统，提升体育教学的精准度[39]，并同步构建虚拟运动社区，广泛提高全民健身的参与度。此外，主动健康理念注重身心健康的双重维护。国内外健康管理平台运用AI与生物传感技术，精准监测用户情绪，提供即时心理干预。研究表明，社区网络对维护中老年人心理健康具有重要意义[40,41]，而数字技术的应用也进一步提升了心理健康教育的效果。随着民众主动维护和提升心理健康需求的持续增长，数字技术应用于心理健康服务的质量也在不断提升。

三、 我国数字健康技术在主动健康领域应用面临的挑战

（一） 主动感知技术应用面临精度瓶颈与数据安全挑战

1. 智能穿戴设备存在精度不足问题

智能穿戴设备以其良好的便携性和实时监测能力，在主动健康管理领域展现出巨大的应用潜力。然而，技术层面的运动伪影干扰、电力消耗过快以及数据实时处理能力不足，限制了其在复杂场景中的应用[42]。智能穿戴设备的核心传感器在数据采集与分析环节普遍面临精度不足的问题，导致心率监测误差率为±3%，能量消耗测量误差范围为-21.27%~14.76%，睡眠质量监测误差则高达12%~180%[43]。对于血氧饱和度等关键生理参数，测量误差可能影响临床诊断和决策的准确性。

2. 医疗物联网技术面临数据安全挑战

医疗物联网技术通过连接各类医疗设备，实现健康数据的实时同步与共享，为主动健康管理提供重要支撑。然而，物联网设备易受系统漏洞和网络攻击的影响，需在设计阶段强化安全性考量[44]；设备间互联互通能力不足及标准规范碎片化，如蓝牙与LPWAN协议的兼容性问题，导致数据同步失败，严重削弱了技术的综合应用效能。此外，物联网系统涉及海量个人健康数据，我国物联网平台多采用传统加密技术（AES-128），而欧美主流平台联邦学习应用率远超我国，凸显我国在数据安全计算技术应用上较为滞后。此外，不同国家和地区制定的标准不同，如欧盟GDPR为区域内数据安全使用提供了统一框架，但其约束力仅限于欧盟境内，其他地区企业并不受其限制。这种标准割裂不仅扰乱全球市场秩序，还可能因监管缺失误导消费者，进一步加剧用户数据安全风险。

3. 移动健康类App存在隐私保护难题

移动健康类App已成为用户主动寻求健康管理服务的重要桥梁，与此同时，用户隐私保护问题也日益凸显。移动健康类App在用户不知情的情况下，通过分析用户的动作或周围环境来推测其私人信息；在旁观者不知情的情况下收集其个人数据，造成旁观者隐私泄露问题；在与第三方共享数据时，用户隐私被非法获取或滥用。这不仅严重侵蚀公众对数字健康服务的信任基础，还进一步加深了用户对移动健康类App安全性的担忧[45]。尽管我国已经实施了《中华人民共和国个人信息保护法》等相关法律法规，但仍存在监管体系尚不完善、各部门间的职责界限不够清晰、协同合作机制不够健全等问题，致使移动健康类App应用过程中的隐私保护问题依然严峻。此外，移动健康类App的软件应用安全同样面临挑战，如部分App可能受到恶意代码的注入攻击，导致用户数据被窃取或篡改。随着大模型在健康数据分析中的应用，提示词注入攻击等新兴安全问题日益突出。攻击者可能通过操纵输入数据来干扰模型的输出，导致健康风险评估结果失真，进而影响用户的健康管理决策。因此，亟需加强移动健康类App在开发阶段的安全防护，加强对用户数据的加密存储和传输，防止数据泄露和滥用，同时，采用代码审计、漏洞扫描等技术手段，确保软件应用的安全性。

（二） 主动发现技术应用存在算力局限与模型脱节

1. 数字化基因组学面临数据解读挑战

数字化基因组学作为主动发现技术的核心，通过解读基因组数据为个体健康风险评估开辟了新路径。尽管我国已成功构建了首个高质量的中国人群参考泛基因组，并在公共卫生基因组学领域取得显著进展，但在技术层面，基因组数据的存储、计算与分析能力仍存在短板。特别是在多组学数据整合分析中，现有数据解读能力难以满足高效、精准的需求，导致疾病预测模型的开发进程受阻，限制了其临床转化应用的效能。

2. 医疗大数据面临整合与算力挑战

医疗大数据的整合与算力挑战正面临重要转型。虽然多源异构医疗数据的融合仍存在技术瓶颈，传统处理平台在效率和扩展性方面存在局限，但以DeepSeek为代表的大模型技术通过参数高效化、分布式计算、专用加速等创新，显著缓解了算力压力。模型压缩和量化技术可以降低50%~70%的算力需求，推动新一代分布式框架能够支持千亿参数模型的并行训练，使医疗AI芯片能效提升10~100倍。然而，医疗大数据领域仍存在系统性挑战，如区域算力资源分布不均、医疗专用计算中心建设滞后、数据质量标准不统一、复合型人才严重短缺等问题。未来需要构建国家级算力资源共享平台，推进医疗大模型标准化建设，完善数据要素市场化配置机制，同时加强医疗AI人才梯队培养，实现医疗大数据价值的全面释放。

3. AI辅助诊断面临算法优化与临床适配挑战

尽管AI算法在实验室环境中表现优异，但其精准度与适应性仍难以满足个性化健康管理的需求。面对复杂的个体健康状态时，AI模型的准确性和稳定性往往显著下降。这种脱节现象主要源于AI算法缺乏充分的临床验证与实际应用场景适配性，导致其在真实世界中的表现与实验室结果存在较大差距[46]。这不仅限制了AI技术在健康管理中的广泛应用，还削弱了用户对技术应用的信任度。

（三） 主动应对技术应用存在数字鸿沟与技术鸿沟

1. 精准医学的发展面临数字鸿沟和成本挑战

数字鸿沟指由于技术资源、基础设施和数字素养的差异，导致不同地区、群体在获取和利用数字技术方面存在不平等现象。在精准医学领域，数字鸿沟主要表现为先进医疗设备和专业医疗团队的分布不均以及数据整合与共享机制的不足。精准医学依赖于先进的医疗设备和专业的医疗团队，这些资源往往集中在大城市或发达地区的医疗机构。相比之下，偏远或欠发达地区的医疗机构在精准医学方面的投入较少，导致服务水平相对较低。此外，地域性差异导致的数据整合与共享机制不完善，加剧了数字鸿沟现象，使数据资源难以被充分利用。同时，由于受教育程度、经济收入和健康素养的差异，大众对精准医学的认知、价值判断以及信息获取能力存在显著差异，可能导致部分患者无法充分理解其优势和必要性，从而错过最佳治疗时机。此外，高昂的应用成本，包括基因检测、数据分析等费用，也是阻碍精准医学普及应用的重要因素。

2. 远程医疗普及应用存在区域失衡挑战

技术鸿沟指由于技术能力、基础设施和用户素养的差异，导致不同地区、群体在技术应用和接受度方面存在不平等现象。在远程医疗领域，技术鸿沟主要表现为网络基础设施、技术应用能力和用户素养的区域差异。远程医疗的实现高度依赖稳定的网络连接与强大的数据传输能力。我国在数字健康技术普及与应用方面存在显著的区域差异：东部地区凭借先进的医疗体系、互联网与5G技术深度融合、资本与人才等方面的显著优势，引领着数字健康技术在主动健康领域应用的发展潮流，并积极参与国际竞争。相比之下，偏远地区或农村地区的网络基础设施等相对滞后。近年来，我国在网络基础设施建设方面取得的显著进展，尤其是5G网络的覆盖范围和普及程度已远超包括美国在内的许多发达国家。研究表明，我国网络基础设施已达到轻量级远程医疗所需的技术标准，并成功实现了大规模的从经济不发达地区到经济发达地区的跨地域就医，显著提升了医疗资源的可及性[47]。然而，尽管网络基础设施的改善为远程医疗的普及提供了重要支撑，但偏远地区在专业人才积累、公众健康素养提升以及城乡技术应用均衡性方面仍面临诸多挑战。中部地区虽受益于优越的地理位置、政策扶持以及一定的产业基础，但在技术应用的深度和广度上仍需进一步提升。西部地区因经济发展相对滞后、医疗人员匮乏以及技术培训欠缺等问题，使远程医疗技术的推广与应用尤为艰难。整体来看，我国不同区域之间存在的主动健康意识和数字素养差异、社会资源分配不均以及医护能力参差不齐等问题，制约了远程医疗技术的普及和服务质量的提升。

3. 健康管理平台应用存在技术鸿沟

健康管理平台应用的技术鸿沟更多体现在用户对技术的接受度和使用能力方面，特别是老年群体对智能健康管理平台的操作难度较大。智能健康管理平台致力于整合多个数据源和服务，提供全面的健康管理服务。然而，由于在数据收集、存储和分析方面的能力存在差异，当前平台间的数据共享和互操作性存在不足，限制了健康管理服务的全面性和准确性。此外，不同群体在智能健康管理平台的使用能力方面存在差异，如智能健康管理平台对老龄人群的使用门槛较高，部分技术过于追求设计亮点，忽视了用户的实际需求，操作复杂、界面不友好等限制了用户参与健康管理的积极性。这在我国庞大的老龄人口基数与快速发展的创新技术之间形成了显著的技术鸿沟。与此同时，慢性病健康管理研究多聚焦老年人群，但针对中青年、儿童等人群的大数据危险因素识别及前瞻性干预研究相对匮乏[48]。进一步使主动健康技术精准对接并满足广大人民及特殊群体的多元化健康需求，成为当前推动技术普及应用的核心难题。

四、 数字健康技术在主动健康领域的应用趋势

（一） 全生命周期管理的主动化转型

数字健康技术正深度融入主动感知、主动发现、主动应对的“三个主动”应用框架之中，形成覆盖全生命周期的主动健康管理体系。这一体系打破了传统医疗中常见的反应式治疗方式，转而朝精细化、个性化和系统化的方向发展，为个体提供贯穿整个生命周期的健康维护方案。个体处于任一生命阶段，都能享受到精确的健康监测与管理服务，从而推动健康管理向更加积极主动的方向转型。通过“感知 ‒ 发现 ‒ 应对”这一数字化的递进式链路，传统的被动疾病治疗模式将被成功转化为前瞻性的主动健康维护模式，实现健康管理从被动治疗到主动健康的全生命周期管理。

（二） 多维数据融合的集成化发展

数字健康技术在主动健康领域的应用正展现出多组学数据深度整合的趋势，涵盖基因组学、代谢组学、蛋白质组学等核心领域，还广泛结合环境、行为、心理等多维度信息。通过整合这些来自不同领域的数据，可以构建出更为全面、精准的个体化健康画像。更为重要的是，多维数据的融合正朝着更加集成化、系统化的方向发展。不同数据来源、不同技术平台以及不同健康管理系统之间的集成与协同将成为关键。数据和技术将实现无缝对接，形成有机整体，推动技术应用从单一维度向多维度融合的集成化发展模式转变。

（三） 需求导向的个性化服务升级

主动健康领域的数字技术应用将日益聚焦提升用户体验和满足实际应用需求。着力通过开发便捷、易用且经济实惠的数字健康产品和服务，大幅提升用户的参与度和依从性，进而增强用户满意度和主动健康管理成效。这具体体现在应用界面的友好设计、数据可视化呈现以及健康建议的个性化定制等方面，并深刻推动精准医疗从技术导向向需求导向的个性化转型。

（四） 远程化主动健康管理场景的拓展

随着可穿戴设备、移动健康App、远程医疗服务的逐步普及，健康管理的应用场景正在不断拓展，逐渐从医院延伸至家庭、社区、工作场所等生活领域。可穿戴设备与移动健康App的广泛应用，为用户提供了便捷的健康感知与主动应对手段；远程医疗与虚拟护理服务的发展，更是让用户可以不受时空限制地享受专业且高效的健康管理服务。这一趋势在慢性病管理和老年人健康监护方面表现得尤为突出，不仅有效缓解了医疗资源的紧张状况，还将扩大主动健康的覆盖范围，实现健康管理服务从医院内部向医院外部的远程化拓展。

（五） 数据共享推动的生态化升级

数据是数字健康技术的核心资源。为充分挖掘数据潜力，建立统一的数据标准和共享机制尤为重要，这将成为打破数据壁垒，实现跨机构、跨区域、跨平台互联互通的基石。有效的数据共享，不仅能够显著提升健康管理的精确性与效率，充分发挥数据价值，还可以推动医疗健康产业协同发展，从而助力主动健康管理从传统的“数据孤岛”向全面生态化升级迈进。随着多方主体在统一协议下开展协作，健康数据的整合与应用将更加高效顺畅，进一步激发医疗健康体系的整体创新活力，构建起开放、协同、可持续发展的主动健康新生态。

五、 数字健康技术在主动健康领域应用的潜在关键技术

（一） 新一代生物传感技术：推动连续健康感知监测的革新

新一代生物传感技术在无创、连续、实时生理参数监测领域展现出显著的革新潜力。柔性电子技术的突破使生物传感器更加轻薄、柔韧且高度舒适，能够精准捕捉人体生理信号的细微变化。特别是，新型柔性传感器结合了可穿戴设备与皮肤集成技术，通过创新的材料设计和制造工艺，实现了长期、无感的监测，极大地提升了用户的佩戴体验和监测的准确性。同时，微流控芯片技术通过微纳加工技术构建的微通道网络，结合先进的表面修饰和流体控制技术，能够对微量体液中的生物标志物进行快速、高灵敏度的检测，为疾病的及早、及时感知提供了科学依据。结合深度学习算法与大数据分析技术，科研人员正致力于挖掘与疾病发生发展密切相关的新型生物标志物，通过优化算法模型和训练策略，进一步提升疾病诊断的精确性，为连续健康感知监测奠定坚实基础。

（二） 多模态数据融合与分析技术：构建精准健康风险发现模型

多模态数据融合与分析技术日益成为主动健康风险发现领域的核心技术支柱。该技术通过整合基因组学、转录组学、蛋白质组学等多维度的组学数据，运用高效且智能的算法与计算平台，实现对个体健康风险的精确评估。为增强模型的可泛化性，科研人员正积极探索跨场景数据训练技术和模型自适应方法。例如，引入迁移学习技术，通过利用不同场景下的相似数据特征，使模型能够更好地适应不同人群和场景的变化；同时，联邦学习技术的应用也使模型在保护数据隐私的前提下，能够实现多源数据的协同分析和模型训练。此外，通过大规模的真实世界数据验证和模型优化，结合先进的模型评估和调整技术，不断提升模型的性能和鲁棒性。AI辅助诊断系统凭借对医学影像、病理切片、电子病历等丰富数据的深度挖掘，展现出在提升诊断效率与精确度方面的巨大潜能。数字孪生技术的创新性应用，通过构建高度逼真的数字健康模型，结合先进的仿真和模拟技术，可以模拟人体的生理与病理过程，为疾病风险的识别开辟了一个全新的模拟预测途径。

（三） 智能干预与DTx：引领个性化健康管理的创新前景

智能干预与DTx正在引领健康管理的新方向。基于个体健康数据和风险预测模型的潜在应用，科研人员通过创新的算法设计和模型优化，有望制定出更为个性化的饮食、运动、睡眠等健康管理方案，实现对个体健康状况的精准干预。同时，DTx的潜在开发，充分利用了AI、VR/AR等前沿技术。例如，通过VR技术，构建沉浸式的康复训练环境，结合先进的交互设计和反馈机制，帮助患者恢复功能；利用AI算法，分析患者的心理状态，结合自然语言处理和情感识别技术，提供个性化的心理治疗方案。此外，智能药物研发技术的潜在运用预示着新药靶点发现、药物筛选和临床试验进程的加速，科研人员正利用机器学习算法和大数据分析技术，快速筛选潜在的药物候选分子；并通过模拟临床试验技术，结合先进的生理药理模型和仿真技术，预测药物的疗效和安全性，为新药研发开辟了更为广阔的道路。

（四） 远程医疗平台集成技术：提升医疗可及性与用户依从性

远程医疗平台集成技术在提升医疗服务方面正展现出巨大潜力。其中，混合现实技术通过智能设备如AR眼镜、全息投影等的应用，不仅实现了远程查房和手术指导的实时互动，还极大地提高了医疗协作的效率，使专家资源能够跨越地域限制，触达更广泛的患者群体。同时，随着人机交互技术的持续精进，智能语音助手和聊天机器人等新兴工具正凭借其自然语言处理和深度学习能力，逐渐成为日常健康管理的重要辅助，为患者提供24 h不间断的咨询和服务。VR/AR技术的普及与发展正在构建丰富的内容生态，形成沉浸式的健康教育和康复训练互动体验，进一步提高用户参与主动健康管理的积极性。远程医疗平台集成技术不断丰富面向不同群体的个性化解决方案，如适老化的产品设计，为老年人提供更加便捷易用的界面和功能；针对儿童、青少年、孕产妇等人群，逐步完善医疗服务，以满足不同年龄段和生理状态人群的健康需求，推动全民主动健康技术的广泛应用。

（五） 隐私计算与数据安全技术：保障数据价值与用户隐私

隐私计算与数据安全技术正在主动健康领域构建起一道坚固的应用屏障，为数据的安全共享和利用提供有力保障。我国积极追赶国际前沿技术，旨在保障数据价值与用户隐私方面取得重大突破。联邦学习技术凭借其高效安全特性，能够跨越机构与地域的限制，实现数据的协同分析与模型训练。这种去中心化的学习方式，既保证了数据的隐私性，又提高了模型的准确性和泛化能力，为数据共享提供一条创新路径。同时，区块链技术为健康数据共享平台构建出安全可信的环境，具有不可篡改性和透明性，可以确保数据的真实性和完整性，防止数据被恶意篡改或滥用。此外，数据脱敏技术通过智能处理敏感个人信息，如采用差分隐私、同态加密等技术手段，可以在不泄露个人隐私的前提下，充分挖掘数据的价值，实现个人隐私与数据价值的双重保护。上述技术具有广泛的应用潜力，为主动健康领域的未来发展提供了坚实的技术支撑和安全保障。

六、 我国数字健康技术在主动健康领域应用的发展建议

（一） 完善政策支持体系，促进“产学研用”深度融合

数字健康技术在主动健康领域的应用和推广需要强有力的政策支持。在服务模式创新方面，应注重可持续性，建议试点“健康积分”奖励计划与医保支付衔接，开发企业健康管理平台，并在重点城市推进社区健康数字孪生系统建设。政策支持体系需创新医保支付方式，将成熟的DTx纳入医保报销范围，并建立“健康行为积分”兑换医保优惠机制，开展基于价值的数字健康服务付费改革。在产业扶持政策方面，建议对主动健康技术企业实行“三免三减半”税收优惠政策，设立产业引导基金，建设国家级主动健康产业园区，实行“揭榜挂帅”攻关机制，激发创新活力。同时，实施人才培养计划，在各大医学院校开设智能医学专业，实施“医学+AI”双学位培养项目，并建立数字健康技术人才认证体系。为推动技术成果快速转化与应用，应构建国家级创新平台，推动高校、科研机构与企业的深度合作，形成“产学研用”深度融合的创新体系。

（二） 加强核心技术攻关，提升技术应用的精准性与稳定性

为顺应数字健康技术在主动健康领域的应用发展趋势，核心技术攻关应聚焦慢性病连续监测、老年人跌倒预警、心理健康筛查等关键场景。建议设立国家主动健康科技专项，建设国家级技术验证中心，重点研发可穿戴式无创血糖监测技术、基于毫米波雷达的跌倒预警系统以及心理健康AI筛查模型等关键技术，建立开源算法库，覆盖80%常见健康风险评估模型。优先支持具有明确临床价值的DTx产品研发，同时，加快制定统一的物联网设备通信协议及数据安全标准，确保跨平台、跨设备间的数据无缝共享与高效互操作性。推动制定“主动健康设备数据接口标准”，建立医疗AI算法备案管理平台，并发布数字疗法临床评价指南，以完善标准化体系建设。在算力基础设施方面，建设国家医疗算力枢纽节点，部署医疗专用边缘计算节点，为数字健康技术的发展提供支撑。

（三） 推进技术普惠与均衡发展，缩小区域与群体差异

我国数字健康技术在主动健康领域的发展需秉持系统规划、重点突破的原则。为推进技术普惠，建议实施东西部协作工程，建立东部与西部地区“一对一”对口帮扶机制，促进技术资源的共享与协同发展，力争在“十五五”期间实现中西部地区人口超50万人的县级医院远程医疗中心全覆盖，逐步推动优质医疗资源下沉与技术普惠应用。开发适合基层的轻量化数字健康应用，确保单机版系统存储需求控制在50 GB以内。同步推进基层服务能力提升计划，采取“三师共管”模式，为每个村卫生室培训并配备数字健康指导员，开发成本可控的一体化“云诊室”解决方案（单点建设成本控制在20万元以内），促进优质医疗资源下沉。具体措施包括为乡镇卫生院配备“健康一体机”，培训“数字健康管家”，并建立“县 ‒ 乡 ‒ 村”三级联动的数字健康服务网络。此外，通过教育、宣传活动，加强技术培训与普及，特别关注特殊群体，如开发大字版、语音交互版健康App适配老年机，为孕产妇提供智能胎心监护设备租赁服务，并在留守儿童集中地区部署AI健康筛查机器人。

（四） 健全伦理规范与安全保障体系，增强公众信任

数据安全体系建设需与数字健康技术发展同步推进。建议构建符合三级等级保护2.0标准的健康数据中台，实施区块链存证和动态访问控制，确保用户数据的可追溯性和不可篡改性。在安全保障方面，实施医疗数据分类、分级保护，建立去标识化数据集，推广联邦学习技术。配套制定主动健康数据分类分级指南，明确数据采集、技术研发、算法决策等环节的伦理标准，建立算法备案和临床“双盲”验证制度，确保技术应用的可靠性和可信度。完善《中华人民共和国个人信息保护法》的实施细则，推动跨部门协同监管，确保数据的安全性与合规性。在伦理审查机制方面，在三级医院设立数字医疗伦理委员会，建立算法偏见检测和修正机制，并实行医疗AI应用“双备案”制度。建设国家级医疗数据灾备中心，建立医疗AI系统应急熔断机制，并制定数字医疗安全事件应急预案，完善应急保障系统。

（五） 拓展应用场景与产业融合，推动主动健康管理创新

应用场景创新需要与技术突破相协同，聚焦慢性病管理、老年健康和职场健康等重点领域。建议建立规模达1000万人的糖尿病数字化管理队列，在100个城市开展智慧养老社区试点，为1000家企业提供员工健康管理平台服务。充分利用我国的5G技术优势，优化数字医疗政策与产业布局，推动智慧城市与健康管理的深度融合。加强生物技术与信息技术的跨界融合，推动健康管理产业的创新发展；鼓励保险、医疗和大数据等行业的深度融合，促进产业链的完善与升级。为确保实施效果，建议由国家卫生健康委员会牵头建立部际协调机制，制定5年实施路线图，引入国际权威机构开展第三方评估，建立动态调整机制，开展规模化示范应用。同时，组建主动健康产业技术创新战略联盟，建设国家级医疗大数据训练平台，建立数字健康产品临床验证“绿色通道”。在国际合作方面，积极参与和主导制定国际数字健康标准，建设“一带一路”数字健康合作中心，推动我国数字健康解决方案走向国际。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

周良, 李晓光, 高翔, 基于主动健康指数的慢性病精准管理模式探索 [J]. 中国慢性病预防与控制, 2023, 31(4): 294‒299.
[2]

Zhou L, Li X G, Gao X, et al. Exploration of precise health management model for chronic diseases based on the active health index [J]. Chinese Journal of Prevention and Control of Chronic Diseases, 2023, 31(4): 294‒299.
[3]

康力, 王慧. 国内外数字公共卫生领域研究热点与前沿探究 [J]. 中国公共卫生, 2024, 40(9): 1103‒1109.
[4]

Kang L, Wang H. Research hotspots and frontiers in digital public health research in China and abroad [J]. Chinese Journal of Public Health, 2024, 40(9): 1103‒1109.
[5]

中共中央 国务院印发《“健康中国2030”规划纲要》 [EB/OL]. (2016-10-25)[2025-06-29]. https://www.gov.cn/zhengce/2016-10/25/content_5124174.htm.
[6]

The Communist Party of China Central Committee and the State Council issued The outline of the “Healthy China 2030” plan [EB/OL]. (2016-10-25)[2025-06-29]. https://www.gov.cn/zhengce/2016-10/25/content_5124174.htm.
[7]

国务院关于印发“十四五”数字经济发展规划的通知 [EB/OL]. (2021-12-12)[2025-06-29]. https://www.gov.cn/zhengce/zhengceku/2022-01/12/content_5667817.htm.
[8]

Notice of the State Council on issuing the 14th Five-Year Plan for the development of the digital economy [EB/OL]. (2021-12-12)[2025-06-29]. https://www.gov.cn/zhengce/zhengceku/2022-01/12/content_5667817.htm.
[9]

中共中央办公厅 国务院办公厅印发《关于进一步完善医疗卫生服务体系的意见》 [EB/OL]. (2023-03-23)[2025-06-29]. https://www.gov.cn/zhengce/202304/content_6762874.htm.
[10]

The General Office of the Communist Party of China Central Committee and the General Office of the State Council issued the opinions on further improving the medical and health service system [EB/OL]. (2023-03-23)[2025-06-29]. https://www.gov.cn/zhengce/202304/content_6762874.htm.
[11]

国家发展改革委办公厅. 国家重点研发计划“主动健康和人口老龄化科技应对”重点专项2024年度项目申报指南 [EB/OL]. (2024-08-15)[2025-07-29]. https://research.bjmu.edu.cn/kyxm/kjbxm/kyxm_kjbxm_tzgg/a456bfb27fd147998228795c2c278bd5.htm.
[12]

The General Office of the National Development and Reform Commission. Application guidelines for the 2024 annual projects of the key special project “Proactive health and technological response to population aging” under the National Key R&D Program [EB/OL]. (2024-08-15)[2025-07-29]. https://research.bjmu.edu.cn/kyxm/kjbxm/kyxm_kjbxm_tzgg/a456bfb27fd147998228795 c2c278bd5.htm.
[13]

陈超亿, 陈浩, 冯占春, 数字健康视角下主动健康管理内涵及优化路径 [J]. 中国预防医学杂志, 2024, 25(11): 1463‒1468.
[14]

Chen C Y, Chen H, Feng Z C, et al. Exploring the connotation and optimization pathways of proactive health management from the perspective of digital health [J]. Chinese Preventive Medicine, 2024, 25(11): 1463‒1468.
[15]

高翔, 李晓光, 周良, 基于主动健康指数的数字化慢性病防控的思考与探索 [J]. 上海交通大学学报(医学版), 2023, 43(2): 137‒142.
[16]

Gao X, Li X G, Zhou L, et al. Reflection and exploration of digital chronic disease management based on the proactive health index [J]. Journal of Shanghai Jiao Tong University (Medical Science), 2023, 43(2): 137‒142.
[17]

Pong C, Tseng R M W W, Tham Y C, et al. Current implementation of digital health in chronic disease management: Scoping review [J]. Journal of Medical Internet Research, 2024, 26: e53576.
[18]

Litvinova O, Bilir A, Parvanov E D, et al. Patent landscape review of non-invasive medical sensors for continuous monitoring of blood pressure and their validation in critical care practice [J]. Frontiers in Medicine, 2023, 10: 1138051.
[19]

Fonseca P, Weysen T, Goelema M S, et al. Validation of photoplethysmography-based sleep staging compared with polysomnography in healthy middle-aged adults [J]. Sleep, 2017, 40(7): zsx097.
[20]

徐成喜, 李志伟, 姚佳烽. 光电容积脉搏波技术在可穿戴医疗设备中的应用及其未来发展 [J]. 现代仪器与医疗, 2024, 30(3): 58‒63, 76.
[21]

Xu C X, Li Z W, Yao J F. Applications and future developments of photoplethysmography technology in wearable medical devices [J]. Modern Instruments & Medical Treatment, 2024, 30(3): 58‒63, 76.
[22]

Bermad N, Zemmoudj S, Bouallouche-Medjkoune L, et al. Pseudonym revocation system for IoT-based medical applications [J]. Computer Networks, 2025, 257: 110983.
[23]

李丽轩, 梁洪, 范勇, 基于物联网和可穿戴技术的智能监护系统研发及其应用模式探索研究 [J]. 生物医学工程学杂志, 2023, 40(6): 1053‒1061.
[24]

Li L X, Liang H, Fan Y, et al. Development of intelligent monitoring system based on Internet of things and wearable technology and exploration of its clinical application mode [J]. Journal of Biomedical Engineering, 2023, 40(6): 1053‒1061.
[25]

王文宗, 王扬扬, 陈南霖, 一种面向独居老人的智能药盒设计 [J]. 科技与创新, 2024 (19): 49‒51.
[26]

Wang W Z, Wang Y Y, Chen N L, et al. Design of an intelligent medicine box for the elderly living alone [J]. Science and Technology & Innovation, 2024 (19): 49‒51.
[27]

Giannios G, Mpaltadoros L, Alepopoulos V, et al. A semantic framework to detect problems in activities of daily living monitored through smart home sensors [J]. Sensors, 2024, 24(4): 1107.
[28]

Supramaniam P, Beh Y S, Junus S, et al. Exploring mHealth app utilization for diabetes self-management: Survey insights from a northern district in Malaysia [J]. BMC Public Health, 2024, 24(1): 3542.
[29]

赵栋祥. 移动健康管理服务使用意愿的影响因素研究——基于创新扩散的视角 [J]. 情报杂志, 2017, 36(11): 120‒127, 146.
[30]

Zhao D X. Empirical research on the influencing factors of the intention to use of mobile health management service: From the perspective of innovation diffusion [J]. Journal of Intelligence, 2017, 36(11): 120‒127, 146.
[31]

Russell L E, Schwarz U I. Variant discovery using next-generation sequencing and its future role in pharmacogenetics [J]. Pharmacogenomics, 2020, 21(7): 471‒486.
[32]

Farmaki A, Manolopoulos E, Natsiavas P. Will precision medicine meet digital health? A systematic review of pharmacogenomics clinical decision support systems used in clinical practice [J]. OMICS: A Journal of Integrative Biology, 2024, 28(9): 442‒460.
[33]

Gao Y, Yang X F, Chen H, et al. A pangenome reference of 36 Chinese populations [J]. Nature, 2023, 619(7968): 112‒121.
[34]

Dolezalova N, Reed A B, Despotovic A, et al. Development of an accessible 10-year digital CArdioVAscular (DiCAVA) risk assessment: A UK biobank study [J]. European Heart Journal — Digital Health, 2021, 2(3): 528‒538.
[35]

冯建峰, 王拥军, 徐涛, 全维度数据与智能诊疗的前沿与挑战——第232期“双清论坛” 学术综述 [J]. 中国科学基金, 2021, 35(1): 73‒80.
[36]

Feng J F, Wang Y J, Xu T, et al. Full-dimension data and intelligence medical care: Prospects and challenges [J]. Bulletin of National Natural Science Foundation of China, 2021, 35(1): 73‒80.
[37]

McKinney S M, Sieniek M, Godbole V, et al. Addendum: International evaluation of an AI system for breast cancer screening [J]. Nature, 2020, 586(7829): E19.
[38]

U.S. Food and Drug Administration (FDA). Artificial intelligence and machine learning (AI/ML)-Enabled Medical Devices [EB/OL]. [2025-02-20]. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices.
[39]

Patel T A, Puppala M, Ogunti R O, et al. Correlating mammographic and pathologic findings in clinical decision support using natural language processing and data mining methods [J]. Cancer, 2017, 123(1): 114‒121.
[40]

Qian X J, Pei J, Han C G, et al. A multimodal machine learning model for the stratification of breast cancer risk [J]. Nature Biomedical Engineering, 2024, 9(3): 356‒370.
[41]

罗基, 王雪颖, 张佳妮, 中医智能诊断装备研究现状及发展趋势探讨 [J]. 中华中医药杂志, 2024, 39(10): 5386‒5389.
[42]

Luo J, Wang X Y, Zhang J N, et al. Review of the research status and development trend of intelligent diagnostic devices of traditional Chinese medicine [J]. China Journal of Traditional Chinese Medicine and Pharmacy, 2024, 39(10): 5386‒5389.
[43]

Roberts M C, Holt K E, Del Fiol G, et al. Precision public health in the era of genomics and big data [J]. Nature Medicine, 2024, 30(9): 1865‒1873.
[44]

Mobed A, Ahmadalipour A, Fakhari A, et al. Bioassay: A novel approach in antipsychotic pharmacology [J]. Clinica Chimica Acta, 2020, 509: 30‒35.
[45]

Swanson K, Wu E, Zhang A, et al. From patterns to patients: Advances in clinical machine learning for cancer diagnosis, prognosis, and treatment [J]. Cell, 2023, 186(8): 1772‒1791.
[46]

国家药品监督管理局. 数字疗法医疗器械注册与分类统计 [EB/OL]. [2025-08-29]. https://www.nmpa.gov.cn/zwfw/sdxx/sdxxylqx/ylqxzysq/.
[47]

National Medical Products Administration. Statistics on registration and classification of digital therapy medical devices [EB/OL]. [2025-08-29]. https://www.nmpa.gov.cn/zwfw/sdxx/sdxxylqx/ylqxzysq/.
[48]

国家老年医学中心, 中华医学会老年医学分会, 中国老年保健协会糖尿病专业委员会. 中国老年糖尿病诊疗指南(2024版) [J]. 协和医学杂志, 2024, 15(4): 771‒800.
[49]

National Center of Gerontology, Chinese Society of Geriatrics, Diabetes Professional Committee of Chinese Aging Well Association. Guideline for the management of diabetes mellitus in the elderly in China (2024 edition) [J]. Medical Journal of Peking Union Medical College Hospital, 2024, 15(4): 771‒800.
[50]

廖生武, 刘天峰, 赵云, 欧美发达国家远程医疗服务模式对我国的启示 [J]. 中国卫生事业管理, 2015, 32(10): 730‒732.
[51]

Liao S W, Liu T F, Zhao Y, et al. Thinking of remote medical service in Europe and United States [J]. Chinese Health Service Management, 2015, 32(10): 730‒732.
[52]

白剑峰. 远程医疗服务网络覆盖所有市县七成卫生院与上级医院建立远程医疗协作关系 [EB/OL]. (2024-06-19)[2024-12-28]. http://gs.people.com.cn/n2/2024/0619/c183342-40884190.html.
[53]

Bai J F. Telemedicine service network covers all cities and counties, with 70% of township health centers establishing telemedicine collaboration with higher-level hospitals [EB/OL]. (2024-06-19)[2024-12-28]. http://gs.people.com.cn/n2/2024/0619/c183342-40884190.htm.
[54]

Imamura T, Narang N, Kinugawa K. Validation of artificial intelligence-based application to estimate nutrients in daily meals [J/OL]. Journal of Cardiology, [2024-11-07]. https://www.journal-of-cardiology.com/article/S0914-5087(24)00209-0/abstract.
[55]

科技日报. 少年发明智能餐具 可扫描食物中的细菌和营养成分 [J]. 中国食品学报, 2016, 16 (1): 236.
[56]

Science and Technology Daily. Teenager invents smart utensils capable of scanning bacteria and nutrients in food [J]. Journal of Chinese Institute of Food Science and Technology, 2016, 16 (1): 236.
[57]

国家药品监督管理局. 人工智能医用软件产品分类界定指导原则 [EB/OL]. (2021-07-08)[2025-08-29]. https://www.nmpa.gov.cn/ylqx/ylqxggtg/20210708111147171.html.
[58]

National Medical Products Administration. Guidance principles for the classification and definition of artificial intelligence medical software products [EB/OL]. (2021-07-08)[2025-08-29]. https://www.nmpa.gov.cn/ylqx/ylqxggtg/20210708111147171.html.
[59]

李晓文, 徐媛媛, 翟雪松, 生成式人工智能赋能高校学生发展: 国际经验与中国路径 [J]. 中国远程教育, 2024 (12): 36‒49.
[60]

Li X W, Xu Y Y, Zhai X S, et al. International experience and China's approach in empowering college students' development through generative artificial intelligence [J]. Chinese Journal of Distance Education, 2024 (12): 36‒49.
[61]

葛振兴, 李晓光, 王慧. 老年数字化健康管理研究进展 [J]. 生命科学, 2023, 35(8): 984‒993.
[62]

Ge Z X, Li X G, Wang H. Advancements in digital health management for the elderly: A comprehensive review [J]. Chinese Bulletin of Life Sciences, 2023, 35(8): 984‒993.
[63]

杨诗彤, 李志媛, 高俊岭, 上海市中老年人社区社会网络与心理健康的关系研究 [J]. 中国慢性病预防与控制, 2024, 32(10): 752‒755, 761.
[64]

Yang S T, Li Z Y, Gao J L, et al. Relationship between community social networks and mental health among middle-aged and elderly people in Shanghai [J]. Chinese Journal of Prevention and Control of Chronic Diseases, 2024, 32(10): 752‒755, 761.
[65]

Ding X R, Clifton D, Ji N, et al. Wearable sensing and telehealth technology with potential applications in the coronavirus pandemic [J]. IEEE Reviews in Biomedical Engineering, 2021, 14: 48‒70.
[66]

姚立伟. 可穿戴设备测量准确度如何?研究发现误差较大 [EB/OL]. (2024-08-21)[2025-02-16]. https://m.sohu.com/a/802505834_114822.
[67]

Yao L W. How accurate are wearable devices in measurement? The study finds significant errors [EB/OL]. (2024-08-21)[2025-02-16]. https://m.sohu.com/a/802505834_114822.
[68]

Perez A J, Zeadally S. Recent advances in wearable sensing technologies [J]. Sensors, 2021, 21(20): 6828.
[69]

王翔. 责任伦理视角下数字健康服务治理 [J]. 中国卫生事业管理, 2023, 40(6): 404‒407.
[70]

Wang X. Study on the governance of digital health services from the perspective of responsibility ethics [J]. Chinese Health Service Management, 2023, 40(6): 404‒407.
[71]

Andaur Navarro C L, Damen J A A, Takada T, et al. Risk of bias in studies on prediction models developed using supervised machine learning techniques: Systematic review [J]. BMJ, 2021, 375: n2281.
[72]

Enichen E J, Heydari K, Li B, et al. Telemedicine expands cardiovascular care in China—Lessons for health equity in the United States [J]. NPJ Digital Medicine, 2025, 8: 71.
[73]

朱天顺, 朱可可, 焦聪聪, 健康中国背景下主动健康在老龄化社会中的应用分析 [J]. 卫生软科学, 2025, 39(1): 23‒26.
[74]

Zhu T S, Zhu K K, Jiao C C, et al. Analysis of the application of proactive health in the ageing society in the context of healthy China [J]. Soft Science of Health, 2025, 39(1): 23‒26.

基金资助

中国工程院咨询项目“数字医疗发展战略及能力建设研究”(2024-XBZD-18)

AI Summary AI Mindmap
PDF (735KB)

2692

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉