数字健康与机器学习在人群健康和健康管理中的应用：关于有效性、公平性与实施挑战的范围综述与文献计量学综述

在人群健康领域，数字健康应用中的机器学习（ML）在人群健康的综合管理、大规模预防促进、风险分层以及利用数据制定数据驱动型决策方面正日益普及。尽管该领域发展迅速，但现有的综述高度碎片化，往往侧重于特定技术或预测性能，对人群层面的有效性、公平性、实施和治理的综合分析极少。本综述遵循系统评价和范围综述优先报告条目（PRISMA-ScR）指南，采用范围综述与文献计量学相结合的方法，检索了2018年至2025年间发表并被PubMed/MEDLINE、Scopus、Web of Science和IEEE Xplore收录的同行评议文献。文献综述采用范围界定形式，关注数字医疗形式、ML分析的作用及结局领域；并进行了文献计量分析，以绘制出版趋势、主题群组和不断发展的研究领域图谱。结果显示，公共卫生、医学信息学和健康数据科学领域的跨学科研究显著增加。大多数研究报告了预测性能和短期行为结局，而关于长期人群层面健康效应和医疗服务利用的证据仍然有限。然而，关于长期人群层面健康效应和医疗利用变化的证据很少。公平性评估极少开展，围绕数据代表性和算法偏见的争论反复出现。治理和实施问题（如模型可解释性、隐私、数据共享和监管不确定性）一直被发现是大规模和负责任部署的障碍。总而言之，本综述对ML赋能的数字健康在管理群体健康方面的有效性、公平性和治理进行了综合评估。结论还表明，有必要从以技术为中心的评估转向以结局驱动、以公平为基础和由治理指导的方法，以促进可持续和负责任的人群层面行动。