摘要
背景：医学人工智能（AI）这一快速发展的领域是否会复制、加剧或可能纠正已知的健康研究与疾病负担之间的不匹配，目前尚不清楚。
方法：我们从OpenAlex识别了197,844篇医学AI文章（2015-2025年），并使用经过验证的关键字词典（F1 = 86.2%）将它们映射到115个2023年全球疾病负担三级原因，覆盖了全球94.1%的伤残调整生命年（DALYs）。研究关注度指数（RAI）量化了每种疾病的出版物份额与其DALY份额的关系。多变量回归确定了AI关注度的驱动因素。模拟建模评估了AI的纠正潜力。
发现：AI研究与疾病负担呈中度相关（Spearman rs = 0.477；95% CI 0.318-0.615），但存在极端集中现象：前10种疾病占了54.4%的出版物。皮肤黑色素瘤（RAI 53.0）、脑癌（14.2）和乳腺癌（11.4）被过度研究；道路伤害（RAI 0.028；7470万DALYs，57篇出版物）、腹泻疾病（0.034）和焦虑障碍（0.036）则被研究不足。AI与高收入国家疾病负担的相关性（rs = 0.619）比与低收入国家疾病负担的相关性（0.239）高出2.6倍。基准数据集的可用性、研究社区规模和高收入国家疾病负担份额预测了AI关注度（R² = 0.71）；而疾病负担本身并不显著。按照常规发展，AI将加剧这种差异；为研究不足的疾病战略性创建数据集可以使AI成为一种净纠正力量。
解释：医学AI研究通过数据可用性放大了研究-负担不匹配：研究人员研究的是有基准数据集的疾病，而不是造成最大痛苦的疾病。对高负担、研究不足的疾病进行数据集的战略性投资，可以将AI转变为一种纠正机制，实现传统研究从未达成的匹配。
关键词：文献计量学、人工智能、疾病负担、健康公平、研究优先级设定、全球健康、伤残调整生命年、基准数据集
【全文结束】
