利用情景规划框架结合离散事件模拟对肿瘤学中AI自动化与数据互操作性的序列化研究：概念验证

作者：Peter May¹，医学博士、医学硕士、公共卫生硕士；Sabine D Brookman-May²，医学教授、医学博士；Edward Garrahy³，医学博士；Johannes von Büren⁴，医学博士

¹慕尼黑工业大学医学院与健康学院第三医学系，德国巴伐利亚州慕尼黑市伊丝玛宁格街22号

²慕尼黑路德维希-马克西米利安大学泌尿外科，德国巴伐利亚州慕尼黑市

³Wellster健康科技集团，德国慕尼黑

⁴Sidekick Health德国有限公司，德国汉堡

通讯作者：Peter May，医学博士、医学硕士、公共卫生硕士

摘要

背景：随着肿瘤学工作流程越来越多地整合日益自主的人工智能（AI）代理，卫生系统面临着关于运营影响的不确定性。传统的线性预测方法无法捕捉二级效应，如治理饱和、诱导需求和瓶颈迁移。为了应对这种复杂性，新兴的医学未来学领域需要能够将定性战略前瞻性与定量运营建模相结合的方法论。这些系统级动态直接影响及时诊断、治疗延迟和整体卫生系统弹性。

目的：本研究旨在开发一种概念验证框架，将定性情景规划与计算离散事件模拟相结合，以测试肿瘤学AI采用策略。

方法：我们使用两个正交轴定义战略状态空间：AI自动化强度和数据互操作性，产生四种不同的未来情景。我们将这些定性叙述转化为一个为期三年运营周期的定量离散事件模拟模型。该模型量化了不同采用轨迹下的系统性能（转诊至治疗间隔[RTTI]和吞吐量）、波动性和资源限制。

结果：情景规划阶段产生了四种操作原型（模拟肿瘤学、自动化孤岛、互联临床医生和AI协调护理），具有不同的约束、风险和故障模式。在模拟中，全面集成情景使容量最大化（每年1244名患者，SD 21.4），并将平均RTTI减半至14.9天（SD 0.3），这一幅度可与重大路径重新设计干预相媲美。没有数据基础设施的孤立自动化导致系统性能下降，使RTTI增加26%（37.1天，SD 1.3），并将吞吐量减少至每年647名患者（SD 10.1），原因是行政治理饱和。该模型说明了结构性瓶颈迁移：成功的上游AI采用将约束从诊断扫描仪转移到下游化疗输注单元，而缺少数据互操作性则导致治理约束。路径优化分析表明，与自动化优先方法相比，优先考虑数据互操作性早期改进的协调策略降低了过渡波动性。

结论：将定性情景规划与定量模拟相结合，能够系统评估肿瘤学AI采用策略。作为概念验证，它为卫生领导者提供了一个可复制的框架，用于在高度不确定性时期对数字化转型进行建模。后续工作应扩展此方法论以纳入财务和健康公平维度，将基于模拟的情景规划确立为医学未来学中的重要工具。

J Med Internet Res 2026;28:e92642

doi:10.2196/92642

关键词：医学未来学；人工智能；AI；数据互操作性；情景规划；离散事件模拟

引言

现代肿瘤学面临着治疗潜力与运营能力之间日益扩大的差距。虽然精准医学不断发展，但护理交付仍受限于诊断吞吐量、病理积压和多学科协调的认知负荷。与此同时，临床人工智能（AI）正从狭窄的特定任务应用向工作流程本地化系统发展[1]。下一代包括能够进行复杂文档和资格筛选的大型语言模型，以及设计用于以最少人工干预执行多步规划的新兴代理AI系统[2-6]。最近的综述描述了这些工具在肿瘤学中的快速普及，但一致指出，这些工具向实践的转化受阻并非由于算法性能，而是集成挑战、数据质量和安全治理[7-13]。

AI在肿瘤学等复杂适应系统中的影响很少是线性的；局部效率提升往往使系统级性能不稳定而非改善。有证据表明，改变信息流（这在很大程度上依赖于强大的数据互操作性）可以改变使用模式和临床结果[14-16]。然而，这些整合工作通常会引发高阶效应，如瓶颈迁移和诱导需求，这些通常不被以模型为中心的评估所捕获。此外，随着社会技术复杂性增加，监管框架变得越来越重要[17,18]。DECIDE-AI（Developmental and Exploratory Clinical Investigations of Decision Support Systems Driven by Artificial Intelligence）、欧盟AI法案和FDA良好机器学习实践等新标准现在规定了基于情境的评估和生命周期监督[19]。因此，治理从背景行政活动转变为潜在的容量限制资源，影响自动化是否产生真正的访问收益或仅引入新的运营摩擦。

解决这些非线性动态需要能够应对不确定性的方法论，这是医疗保健历史上很少使用的战略前瞻性领域[20-22]。情景规划作为一种成熟的管理科学技巧，提供了一种通过此类战略不确定性进行推理的结构化方法[23]。虽然生物样本库和教育等相邻领域的未来研究表明治理和激励如何决定技术愿景是否成为现实，但这些方法很少应用于运营能力规划[24,25]。

为了利用医学未来思维弥合这一差距，我们在本研究中将定性情景规划与计算离散事件模拟（DES）相结合[26]。通过将合理的采用轨迹转化为定量模型，我们分析了AI自动化强度和数据互操作性等变量如何相互作用产生高阶效应，包括治理饱和、假阳性率和波动性。本文提出了一个概念验证框架，供政府和医疗保健高管规划肿瘤学AI采用，将重点从静态运营预测转移到不确定性下结构转型的动态管理。在以下部分中，我们首先描述情景设计和模拟模型；然后展示跨情景的比较结果；最后讨论战略意义。

方法

研究设计与框架

我们将定性情景规划与DES集成，以针对替代采用未来对肿瘤学运营进行压力测试。情景规划定义了合理的战略未来，而DES评估这些未来如何随时间在运营约束中传播。为了结构化不确定性空间，我们首先确定了数字转型的两个最关键且独立的驱动因素：AI自动化强度（A），代表临床和行政工作流程中算法任务替代的程度，以及数据互操作性（I），代表系统边界之间数据传输、来源和重用的摩擦。通过将这些变量视为正交而非相关，我们在2×2情景分析中定义了4个操作象限，并定性探索了它们的结果和风险状况。

离散事件模拟模型

为了量化运营影响，我们构建了一个DES模型，跟踪个体患者通过资源受限的肿瘤学系统随时间推移的轨迹。在SimPy（Python版本3.14；Python软件基金会）中实现，该模型将一个通用高容量癌症中心表示为有限队列网络（例如，扫描仪、病理学家、肿瘤学家和治疗椅）。我们根据标准肿瘤学操作原则选择资源容量、服务时间和故障率，创建一个有代表性的、容量受限的基线（完整脚本可在附录1中找到）。选择这种风格化的参数化是为了隔离变量A和I对系统流的机械效应，而不是拟合单个机构的历史数据。因此，结果说明了方向性趋势和结构性脆弱性，而不是精确、可推广的运营预测。

该模拟运行了3年（1095天），以确保队列动态的统计收敛并捕获患者路径的全部方差；使用150天的热身期以减少初始化偏差。患者代理基于3种最常见肿瘤类型（肺、乳腺和结直肠）和疾病阶段（早期与晚期）随机生成，通过包含行政处理、诊断成像、活检、病理学（带有概率重做循环）、分子测试、多学科团队协调以及多模式治疗启动（手术、化疗和放射治疗）的路径流动。日历引擎区分标准临床班次和连续实验室操作，执行原子任务逻辑以防止班次之间的程序碎片化。

该模型由从0.0到1.0归一化的两个外生变量（A和I）控制。临床任务的工作流程持续时间（T）动态计算如下：T_任务 = T_基础 × (1 – α · A) × (1 – β · I)，其中α和β分别表示任务对自动化和数据集成的易感性。

操作机制

模拟纳入了8个耦合机制，以捕获超出线性效率提升的高阶行为（附录2中的表S1）。这些机制捕获了3个核心操作动态：行政摩擦，当高AI自动化强度而没有足够的数据互操作性时，会触发手动验证并将瓶颈转移到行政人员；诱导需求，高度敏感的AI分诊增加假阳性率并产生额外的下游活检；以及路径转移，更快的上游诊断加速患者到达下游治疗中心并改变多学科协调要求。每个机制都通过参数化交互操作化，这些交互控制队列进度、资源可用性和下游需求传播。

实验设计与分析

我们在A × I状态空间中执行了全面的参数扫描，每个坐标点进行多次随机复制，以生成不确定性表面。主要结果指标包括平均转诊至治疗间隔（RTTI；定义为从患者入院到首次确定性治疗事件开始的模拟天数）、系统吞吐量（每年患者数）、治理事件密度和资源使用概况。

过渡路径优化

为了确定从A=0和I=0到A=1和I=1的最稳健采用序列，我们将模拟网格建模为加权有向图。转换限制为正交移动（增加A或I但不同时增加两者），以模拟现实的、增量的实施能力。应用了复合成本函数，以确定最小化累计运营摩擦的轨迹。成本函数定义为4个等权重（w=0.25）归一化组件的总和：平均RTTI、RTTI标准差、吞吐量体积的倒数以及吞吐量标准差。我们应用Dijkstra的最短路径算法[27]来最小化这种累计运营成本，使用NetworkX库实现[28]。概念上，这将采用旅程视为风险景观导航问题，使我们能够从数学上识别达到完全集成同时最大化效率、吞吐量和稳定性的特定投资序列。将此最优路径与2个角策略进行基准比较：自动化优先（在I之前完全最大化A）和数据互操作性优先（在A之前完全最大化I）。

伦理考虑

未申请伦理审查。因为这项研究完全依赖于使用合成参数的理论DES，并且不涉及人类参与者或可识别的个人健康信息，所以根据慕尼黑工业大学伦理委员会的法规，它免受机构审查委员会监督[29]。

结果

AI采用的操作格局

情景规划阶段定义了一个2D参数空间，使用AI自动化（A）和数据互操作性（I）。这产生了4种情景（S_I-IV），具有相应的操作约束和故障模式（图1）。

![图1. 肿瘤学中人工智能（AI）采用的概念2×2情景分析矩阵。战略状态空间由AI自动化强度（x轴）和数据互操作性（y轴）定义。交叉产生4种不同的操作情景（S_I-IV）。每个象限详细说明了预期的主要工作流程特征、结构约束和主要预期操作风险。]

模拟肿瘤学情景（S_I：低A和低I）代表基线状态，其中容量由物理约束和线性手动工作流程决定。在这里，数字化是局部的，延迟由行政和诊断中的可见队列决定。

仅增加AI自动化（S_II：高A和低I）创造了自动化孤岛。在这里，算法部署超过了数据互操作性，手动数据协调增加了治理负荷，将瓶颈从临床决策转移到监督和合规。这代表了一个自动化悖论，其中孤立的数字加速降低了整体系统性能。

互联临床医生情景（S_III：低A和高I）描述了高数据互操作性但保守AI自动化的环境。虽然数据管理最大限度地减少重复并实现协调，但整体吞吐量仍受限于人类认知极限和劳动力可用性。

最后，AI协调护理系统（S_IV：高A和高I）集成了互操作数据和高AI采用。这往往消除了上游诊断约束，因为它们更容易进行算法改进。然而，该系统加速患者流动足以暴露治疗交付中的刚性下游容量，较低的等待时间进一步引发需求。

带有涌现系统动态的模拟

为了补充定性情景分析，我们的DES捕获了更高阶的动态和反馈循环，如治理工作、虚拟多学科团队采用和诱导需求（附录3中的图S1A和S1B）。模拟还包括由于吞吐量增加而产生的运营压力。如附录3中的图S1C所示，AI分诊工具的高敏感性增加了假阳性率。这种涌入给诊断资源带来了不成比例的负荷，导致低价值调查取代了确认的癌症病例，并与活检和组织学能力竞争。

情景特征与性能差异

在A × I参数空间上的模拟为每个情景象限生成了不同的操作特征。如表1所示，基线（S_I）作为一个容量受限系统运行，平均RTTI为29.4天，年吞吐量为1022名患者。在自动化孤岛情景（S_II）中，我们观察到最差的系统性能，平均RTTI增加到37.1天（与模拟肿瘤学基线相比增加26%），而吞吐量减少到每年647名患者。过渡到互联临床医生（S_III）产生了适度的改进，将RTTI降低到27.3天。AI协调护理系统（S_IV）导致最高的患者流动，将平均RTTI减少到14.9天，将吞吐量增加到每年1244名患者。任务级改进并未线性转化为系统性能（图2）。虽然通往S_IV的轨迹显示效率（较低RTTI）和治疗患者数量的综合增加，但S_II导致较高的RTTI和减少的吞吐量，表明当与数据互操作性隔离时，AI自动化强度可能适得其反。

表1. 按情景表示的操作性能指标值，代表10次随机复制的平均值。

情景	A^a	I^b	RTTI^c（天），平均值（SD）	每年患者数，平均值（SD）	主要瓶颈
S_I：模拟肿瘤学	0.0	0.0	29.4 (0.5)	1022 (14.7)	CT^d扫描仪
S_II：自动化孤岛	1.0	0.0	37.1 (1.3)	647 (10.1)	治理
S_III：互联临床医生	0.0	1.0	27.3 (0.3)	1127 (14.0)	分子实验室
S_IV：AI^e协调护理	1.0	1.0	14.9 (0.3)	1244 (21.4)	化疗输注单元

^aAI自动化强度变量。

^b数据互操作性变量。

^cRTTI：转诊至治疗间隔。

^dCT：计算机断层扫描。

^eAI：人工智能。

![图2. 模拟采用景观中的系统级性能指标。热图基于离散事件模拟说明肿瘤学路径的综合运营性能。x轴代表人工智能（AI）自动化强度，y轴代表数据互操作性，两者均从0.0归一化到1.0。面板（A）显示从患者入院到确定性治疗开始的平均转诊至治疗间隔，以模拟天数测量。面板（B）显示年化系统吞吐量，量化为每年治疗开始的总数。所有数据点代表11×11参数网格上每个坐标10次随机复制的平均值。]

瓶颈迁移与资源动态

进一步分析暴露了约束的结构性迁移（图3）。在低AI自动化情景（S_I和S_III）中，约束位于诊断上游（计算机断层扫描扫描仪和分子实验室）。自动化孤岛（S_II）情景中，主要约束与临床基础设施脱节，转移到行政治理和质量保证方法，因为手动监督过程不堪重负。在完全转型的S_IV情景中，主要瓶颈转移到化疗输注单元。因此，成功的上游AI采用将容量压力从诊断基础设施转移到劳动密集型治疗资源。

![图3. 战略状态空间中的结构性瓶颈迁移：跨A×I情景空间的肿瘤学路径中主要约束的分类热图。x轴代表人工智能（AI）自动化强度，y轴代表数据互操作性，两者均从0.0归一化到1.0。对于11×11网格上的每个坐标，模拟评估所有建模的临床和行政队列的运营负荷，并确定具有最高平均使用率的特定资源池。CT：计算机断层扫描。]

为了剖析这些约束变化，我们生成了可视化工具，量化A × I平面上资源使用的跨情景变化。在保持数据互操作性不变的同时改变AI自动化（图4A）以及在保持AI自动化不变的同时改变数据互操作性（图4B）为每个资源生成了不同的使用轨迹。这些图共同确定了交叉点，即约束从上游诊断（计算机断层扫描和实验室服务）转移到下游治疗容量（如化疗、手术和放射治疗）或行政或数字功能（转诊处理和治理），指明边际投资可能影响最大的位置。

![图4. 资源使用敏感性分析。面板显示从离散事件模拟导出的系统资源平均使用率。面板（A）说明了在将数据互操作性（I）固定在0.5基准值的同时，将人工智能（AI）自动化强度（A）从0.0变为1.0的影响。面板（B）展示了在A固定在0.5时改变I的效果。虚线代表理论最大容量（100%使用）。CT：计算机断层扫描；RT：放射治疗。]

波动性与最优路径

最后，我们分析了10次随机复制中输出参数的标准差，将波动性视为系统稳定性的代理。RTTI和吞吐量的标准差在从S_II到S_IV的过渡中最高，表明不协调的AI采用可能因偶发的治理积压而产生不可预测的等待时间（附录3中的图S1D-F）。相比之下，首先建立高数据互操作性（S_III）起到了稳定作用，允许随后整合AI自动化。为了确定从模拟操作（S_I）到AI协调系统（S_IV）的最稳健轨迹，我们执行了基于图的优化，最小化RTTI、吞吐量及其各自操作方差的复合成本函数（图5A）。该模型选择了一个采用序列，其特征是结构偏好数据互操作性主导的扩展，优先于A的I的早期收益。这种序列有效地降低了过渡中期的波动性，使系统能够在实施生命周期中保持高吞吐量效率的同时吸收增量AI自动化的治理负荷（图5B）。

![图5. 路径优化和过渡动态。面板（A）展示了人工智能（AI）自动化和数据互操作性状态空间中的轨迹分析，建模为加权有向图。背景热图表示系统波动性（定义为转诊至治疗间隔[RTTI]和年化吞吐量的跨复制标准差的平均值），较深的区域代表高不稳定性。绿线跟踪基于加权成本函数的计算最优路径，与2种替代角策略进行基准比较：自动化优先方法（红线）和互操作性优先方法（蓝线）。面板（B）跟踪实施过程中的关键系统指标。效率（倒置RTTI）、吞吐量体积和稳定性（倒置系统波动性）的归一化指标针对过渡进度（0%-100%）绘制。]

讨论

卫生系统规划的战略实用性

本文解决了医学中技术转型的快速步伐与应用未来方法当前使用不足之间的差距，为不确定性下的运营规划提供了新方法[20]。AI的传统业务案例通常依赖于静态效率假设，假定诊断时间减少会线性增加吞吐量。然而，这种线性外推忽略了复杂系统中固有的内生反馈循环。通过将情景规划与量化模拟相结合，本研究提供了一个框架，用于针对合理未来对AI采用策略进行压力测试——使风险在决策形成和资本承诺之前对卫生系统规划者可见。

由于该模型围绕两个基本战略杠杆（AI自动化强度和数据互操作性）参数化，它可以为诊所级运营重新设计和更广泛的卫生系统级投资和治理规划提供信息。为了说明卫生系统如何在不同组织层面上操作化此框架，我们概述了3个具体实施场景（附录2中的表S2）。这些场景展示了微观层面医院、中观层面区域网络和宏观层面国家卫生当局如何使用此框架来预测瓶颈迁移、序列化投资和减轻过渡波动性。

稳健策略与序列化

从情景扫描中得出的一个关键见解是瓶颈迁移现象，需要从局部优化转向整体系统容量规划。模拟表明，诊断中的成功AI采用往往会将压力转移到模型下游。因此，高管必须将上游AI投资与手术、化疗和放射治疗的自适应容量规划相结合。同样，较高假阳性率的出现表明，采用策略可能需要新的防护措施，如确认性测试阈值，以防止系统在诱导需求增加的情况下被淹没。同时，应避免高AI自动化和低数据互操作性的情景，因为它们可能导致显著的治理过载。这与最近对卫生 workforce规划的批评一致，这些批评指出，未能考虑包括治理在内的社会互动和权力动态往往会破坏技术实施[30]。

此外，我们的路径优化结果表明，协调的采用策略优先关注数据互操作性早期阶段，产生了最佳的整体结果和稳定性。因为在现实世界中，高波动性表现为不可预测性并可能导致利益相关者抵制，实施策略必须在性能优化的同时管理过渡稳定性。这强调了序列化的重要性——通过分阶段推出或自适应治理——以最小化转型期间的干扰。概念上，这种优化类似于回溯方法，从期望的最终状态向后工作，以确定保持系统稳定的近期举措[31]。

局限性与未来方向

本研究提出了一个以机制为导向的框架，优先考虑结构性行为而非精确的数值预测。重要的是，模拟基于风格化参数而非真实世界数据。作为探索性概念验证，它有几个局限性。首先，参数基于概念假设而非现场级实证数据，限制了特定点估计的普遍性。替代参数化可能产生不同的定量结果；因此，应将发现解释为方向性假设而非确定性实证结论。其次，该模型仅限于3种肿瘤类型和2个阶段，无法捕获临床病例组合的全部复杂性。第三，模拟排除了财务成本、临床终点和公平性影响。最后，采用被建模为静态状态而非随时间变化的实施过程，简化了组织学习和变革管理的现实。

为了支持应用决策，未来工作应根据当地工作流程分布和资源概况校准参数，并在可用时根据观察到的路径指标验证模型行为，以评估外部有效性。计划中的扩展包括对容量、服务时间假设和过渡优化中使用的目标函数权重进行正式敏感性和不确定性分析。应通过根据社会人口风险因素（如贫困、语言障碍和数字访问）对患者代理进行分层，并建模差异化的访问、依从性和延迟机制来明确纳入公平性，以测试加速路径是否扩大差异[32,33]。通过将临床医生监督负担、信任校准和AI素养建模为有效自动化和治理负荷的决定因素，可以引入额外的行为真实性[34,35]。

结论

定性情景规划与定量模拟的整合提供了一种在不确定性下测试合理肿瘤学AI策略的工具。AI可以显著改善肿瘤学操作，但只有与互操作数据基础设施和系统级容量规划配对时；否则，它可能会加剧延迟和不稳定性。模拟AI自动化和数据互操作性之间的相互作用揭示了静态规划模型无法看到的运营临界点、瓶颈和不稳定性。未来研究应扩展此混合框架并整合财务和公平维度，以更好地预测技术颠覆的社会成本。这可能有助于将基于模拟的情景规划确立为医学未来学中的重要工具。

资金

本研究未获得外部资金支持，由内部机构资金支持。

数据可用性

本研究期间生成的数据集可从通讯作者处根据合理要求获取。完整模拟代码在补充材料中提供。

作者贡献

概念化：PM, JvB

数据管理：PM, JvB

正式分析：PM, JvB

方法论：PM

项目管理：SDB-M, JvB

监督：SDB-M, JvB

撰写—初稿：PM, EG

撰写—审阅和编辑：PM, EG, SDB-M, JvB

利益冲突

JvB作者利益冲突：Sidekick Health Germany GmbH员工

附录1

离散事件模拟代码。

DOCX文件，34 KB

附录2

离散事件模拟的详细操作机制和框架操作化的应用案例场景。

XLSX文件，12 KB

附录3

次要操作指标和不确定性表面；治理负荷（每位患者到达的行政审核）、虚拟多学科团队采用率和假阳性率（定义为通过人工智能分诊触发的活检导致良性发现的比例）的基于机制的输出可视化；以及10次随机复制中关键绩效指标的标准差。

DOCX文件，552 KB

参考文献

May P, Greß J, Seidel C, et al. Enabling just-in-time clinical oncology analysis with large language models: feasibility and validation study using unstructured synthetic data. JMIR Med Inform. Dec 1, 2025;13:e78332.
Chen D, Alnassar SA, Avison KE, Huang RS, Raman S. Large language model applications for health information extraction in oncology: scoping review. JMIR Cancer. Mar 28, 2025;11:e65984.
Lammert J, Pfarr N, Kuligin L, et al. Large language models-enabled digital twins for precision medicine in rare gynecological tumors. NPJ Digit Med. Jul 9, 2025;8(1):420.
May P, Nokodian S, Nuernbergk C, et al. Artificial intelligence-assisted error detection in complex clinical documentation: leveraging large language models to enhance patient safety in oncology. JCO Clin Cancer Inform. Jan 2026;10:e2500194.
Ferber D, El Nahhas OSM, Wölflein G, et al. Development and validation of an autonomous artificial intelligence agent for clinical decision-making in oncology. Nat Cancer. Aug 2025;6(8):1337-1349.
Chow R, Midroni J, Kaur J, et al. Use of artificial intelligence for cancer clinical trial enrollment: a systematic review and meta-analysis. J Natl Cancer Inst. Apr 11, 2023;115(4):365-374.
Bandi A, Kongari B, Naguru R, Pasnoor S, Vilipala SV. The rise of agentic AI: a review of definitions, frameworks, architectures, applications, evaluation metrics, and challenges. Future Internet. 2025;17(9):404.
Karunanayake N. Next-generation agentic AI for transforming healthcare. Inform Health. Sep 2025;2(2):73-83.
Carl N, Schramm F, Haggenmüller S, et al. Large language model use in clinical oncology. NPJ Precis Oncol. Oct 23, 2024;8:240.
Ringeval M, Etindele Sosso FA, Cousineau M, Paré G. Advancing health care with digital twins: meta-review of applications and implementation challenges. J Med Internet Res. Feb 19, 2025;27:e69544.
Hao Y, Qiu Z, Holmes J, et al. Large language model integrations in cancer decision-making: a systematic review and meta-analysis. NPJ Digit Med. Jul 17, 2025;8(1):450.
Huhulea EN, Huang L, Eng S, et al. Artificial intelligence advancements in oncology: a review of current trends and future directions. Biomedicines. Apr 13, 2025;13(4):951.
Katonai G, Arvai N, Mesko B. AI and primary care: scoping review. J Med Internet Res. Aug 15, 2025;27:e65950.
Patel MS, Dee EC, Lee NY. AI and human expertise in cancer care - striving for synergy. Nat Rev Clin Oncol. Feb 2026;23(2):87-88.
Stevens ER, Alfaro Arias V, Luu S, Lawrence K, Groom L. Technology integration to support nurses in an "inpatient room of the future": qualitative analysis. J Med Internet Res. Jun 16, 2025;27:e68689.
McCann L, Lewis L, Oduntan O, et al. Patients' and clinicians' experiences using a real-time remote monitoring system for chemotherapy symptom management (ASyMS): qualitative study. J Med Internet Res. Dec 3, 2024;26:e53834.
Meskó B, Drobni Z, Bényei É, Gergely B, Győrffy Z. Digital health is a cultural transformation of traditional healthcare. Mhealth. 2017;3:38.
Meskó B, Topol EJ. The imperative for regulatory oversight of large language models (or generative AI) in healthcare. NPJ Digit Med. Jul 6, 2023;6:120.
Vasey B, Nagendran M, Campbell B, et al. Reporting guideline for the early stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. BMJ. May 18, 2022;377:e070904.
Meskó B, Kristóf T, Dhunnoo P, Árvai N, Katonai G. Exploring the need for medical futures studies: insights from a scoping review of health care foresight. J Med Internet Res. Oct 9, 2024;26:e57148.
Mesko B, Kristóf T, Dhunnoo P, Árvai N, Katonai G. A practical guide to using futures methods in health care: approaches, applications, and case studies. J Med Internet Res. Sep 16, 2025;27:e82820.
Meskó B. The emergence of medical futures studies uncovers medicine and healthcare's untapped potential. NPJ Digit Med. Dec 19, 2024;7:365.
Schoemaker PJ. Scenario planning: a tool for strategic thinking. Sloan Manag Rev. 1995;36(2):25-40.
Gross M, Dewan A, Sabharwal K, et al. Decentralized biobanking pathway to precision medicine: futures study. J Med Internet Res. Dec 1, 2025;27:e73965.
Giunti G, Glynn R, Hennessy J, Doherty CP. Participatory design approach in the use of scenario analysis for futureproofing medical education: case study. J Med Internet Res. Sep 23, 2025;27:e73173.
Babashov V, Aivas I, Begen MA, et al. Reducing patient waiting times for radiation therapy and improving the treatment planning process: a discrete-event simulation model (radiation treatment planning). Clin Oncol (R Coll Radiol). Jun 2017;29(6):385-391.
Dijkstra EW. A note on two problems in connexion with graphs. Numer Math. Dec 1959;1(1):269-271.
Hagberg AA, Schult DA, Swart P. Exploring network structure, dynamics, and function using NetworkX. In: Varoquaux G, Vaught T, Millman J, editors. Proceedings of 7th Python in Science Conference (SciPy2008). SciPy; 2008:11-15.
Satzung der Ethikkommission der Technischen Universität München – nicht-medizinische Fachgruppe. Technische Universität München. Oct 23, 2023.
Rees GH, Crampton P, Gauld R, MacDonell S. Rethinking health workforce planning: capturing health system social and power interactions through actor analysis. Futures. May 2018;99:16-27.
Dreborg KH. Essence of backcasting. Futures. Nov 1996;28(9):813-828.
Norris RP, Fuller E, Greystoke A, Todd A, Sharp L. Routes to diagnosis in lung cancer-do socio-demographics matter? An English population-based study. Cancers (Basel). Jun 3, 2025;17(11):1874.
Gerrard AD, Coxon J, Maeda Y, Theodoratou E, Dunlop MG, Din FV. Colorectal cancer prevalence in faecal immunochemical test non-returners: potential for health inequality in symptomatic referral pathways. BJS Open. Sep 3, 2024;8(5):zrae119.
Arvai N, Katonai G, Mesko B. Health care professionals' concerns about medical AI and psychological barriers and strategies for successful implementation: scoping review. J Med Internet Res. Apr 23, 2025;27:e66986.
Meskó B. Prompt engineering as an important emerging skill for medical professionals: tutorial. J Med Internet Res. Oct 4, 2023;25:e50638.

缩写词

AI: 人工智能

DECIDE-AI: 由人工智能驱动的决策支持系统开发和探索性临床研究

DES: 离散事件模拟

RTTI: 转诊至治疗间隔

编辑：Bertalan Meskó，Tamás Kristóf；提交日期：2026年02月06日；同行评审：Amruthavalli Bethanabatla；最终修订版收到日期：2026年04月28日；接受日期：2026年04月29日；发表日期：2026年05月25日

这是根据知识共享署名许可（ 1438-8871）原始出版物的链接（

【全文结束】