标题：支持伦理公平人工智能增强护理的制度框架
作者列表：
Steven Dykstra¹,²，Matthew MacDonald¹,²，Rhys Beaudry¹,²，Dina Labib¹,²，Melanie King¹,²，Yuanchao Feng¹,²,³，Jacqueline Flewitt¹,²，Jeff Bakal³，Bing Lee³，Stafford Dean³，Marina Gavrilova⁴，Paul W. M. Fedak¹,² & James A. White¹,²,⁵
¹卡尔加里大学卡明医学院心脏科学系
²利宾心血管研究所
³阿尔伯塔卫生服务
⁴卡尔加里大学计算机科学系
⁵卡明医学院诊断影像学系
摘要
多领域健康数据的统筹获取可促进人工智能临床决策支持（AI-CDS）的开发与应用。然而，支撑此类活动的可扩展制度框架尚不完善。本研究提出的PULSE框架旨在建立整合性伦理治理体系，通过患者引导和情境化数据使用推动人工智能增强护理。该框架包含利益相关者参与机制和基础设施开发模块，支持患者定期授权数据采集、预处理及云计算迁移，以满足AI-CDS模型开发与监测需求。重点聚焦健康社会决定因素（SDOH）和患者自报健康状况的常态化采集，通过3万例连续患者验证可行性。该框架虽基于心血管研究所设计，但其核心原则可拓展至其他疾病领域，为大型三级医疗机构提供经验证的架构方案。
引言
心血管疾病仍是全球头号致死原因，2020年死亡病例达1,900万例，较2010年增长19%。疾病流行率的持续攀升导致北美医疗支出从1996年的2,120亿美元激增至2016年的3,200亿美元，预计2036年将突破8,000亿美元。应对这一挑战，医疗机构正寻求个性化诊疗创新路径——该领域对人工智能技术依赖日益增强。AI-CDS工具的开发、监测及维护依赖于获取代表当地社区特征的高质量匹配数据资源。尽管梅奥诊所和斯坦福大学等机构已建立标杆项目，但个体医疗机构仍需建立本地化AI-CDS支持体系。
核心成果
PULSE框架解决以下关键技术要求：
1) 通过知情同意建立患者数据资源使用机制
2) 纵向采集SDOH与患者报告结果指标（PROMs）
3) 结构化数据自动化转型
4) 非结构化诊断数据预处理
5) 利益相关方共享治理机制
讨论
PULSE框架通过以下创新实现突破：
- 模块化架构支持从单站点到多中心医院系统的扩展
- 建立基于云的互操作基础设施
- 中央数据服务与统一工作流
- 数据采集、转换和使用全流程伦理治理
方法论
研究机构
利宾心血管研究所（LCI）位于加拿大阿尔伯塔省卡尔加里市，隶属卡尔加里大学和阿尔伯塔卫生服务（AHS）。通过EPIC电子健康记录（EHR）系统管理4家成人急性护理医院，年接诊超4万名心血管患者。
框架原则
针对AI医疗应用面临的伦理、技术、法规等核心障碍，确立四大指导原则：
1) 数据使用需透明知情同意
2) 模型需纳入SDOH和PROMs减少偏见
3) 数据需工程化改造以满足任务需求
4) 建立模型偏见迭代监测机制
数据治理
- 患者参与：通过二维码和移动设备实现电子知情同意
- SDOH采集：设计标准化健康调查问卷，包含性别、种族、就业状况等
- 数据脱敏：采用128位UUID替换患者标识，时间偏移±200天
- 云迁移：建立"数据湖屋"架构，结构化数据存入OLAP仓库，影像数据接入web-DICOM服务
技术创新
- 数据模式设计：建立语义化数据模型，整合临床诊疗（住院/门诊）、检查（影像/心电图）等数据
- 数据工程：开发自动化ETL管道，处理实验室、药房、放射科等结构化数据
- 数据新鲜度：采用版本控制和时间戳日志，确保数据溯源性
- 模型迭代：建立基于DevOps的数据管道，实现回归测试和持续集成
实施验证
框架在卡尔加里心血管影像注册（CIROC）项目中完成验证：
- 4个医疗站点36,979次患者接触
- 28,829名患者中门诊88%、住院80%完成注册
- 支持心力衰竭住院预测（AUC 0.82）、房颤复发预测等23项研究
- 开发新型影像处理流水线，包括心肌分割（Dice系数0.91）、三维应变分析等
长期可持续性
- 法规适应：建立动态数据治理团队跟踪隐私法规变化
- 模型监测：每季度审查AI模型性能，结合患者反馈重新验证
- 协作网络：与西门子医疗等企业建立技术合作关系
- 成本结构：初始投入约280万加元，年维护费用120万加元
研究局限
- 参与偏差可能影响数据代表性
- 模型迁移需考虑地域文化差异
- 持续资金支持的不确定性
补充信息
数据和代码可通过合理请求获取，详情请联系通讯作者James A. White（jwhite@ucalgary.ca）。
