数字健康技术将变革女性健康创新与包容性研究 - AI与医疗健康

博拉·格蕾丝及其同事认为，合乎伦理地应用数字健康技术可扩大研究范围与规模，连接系统以改善女性健康。尽管女性占全球人口半数以上，却承受着不成比例的不良健康后果并面临独特挑战。历史上，由于担心妊娠风险、激素波动及将男性身体视为医学研究标准的偏见，女性常被排除在临床试验之外。近年来女性参与临床研究的比例虽逐步提高，但在更广泛的健康领域仍存在改进空间。女性参与研究的障碍包括获取途径、教育水平、激励不足、数字素养、交通条件、时间投入及研究设计等因素。解决影响女性健康不平等的因素不仅需要治疗与技术的创新，还需研究设计与方法学的革新。

数字健康技术（DHTs）——定义为“使用计算平台、连接技术、软件或传感器用于医疗保健及相关用途的系统”——通过提升可及性、参与度、效率及干预个性化，在研究全周期中促进多元化人群的纳入。本文作为《英国医学杂志》（BMJ）女性健康创新专题的一部分（www.bmj.com/collections/womens-health-innovation），阐述DHTs如何与研究全周期的包容性设计相结合，将研究从提取式转变为参与式过程，从而在范围、规模和系统层面推动女性健康改善的包容性。

强调包容性研究方法对创新的意义

健康的社会决定因素指“人们出生、成长、生活、工作和老化的环境，以及获取权力、金钱和资源的途径”。历史上，健康研究方法常因基于健康社会决定因素的排斥而使女性处于不利地位。突破这些历史局限需有意识地采用和整合专为包容性、参与性而设计的创新方法，并关注性别、社会性别及女性生命历程中多样化体验的细微差异。

包容性创新可定义为让目标终端用户参与解决方案的设计、开发和部署以驱动改进。迭代实施可映射到研究全周期（图1），进行情境化定制，同时考量个体特征、地域化方法及可及性——不仅指物理距离，还包括可负担性、适用性和易用性。

数字健康技术推动包容性创新的实践

DHTs通过转移权力并促进以女性声音和体验为中心的参与，为解决女性健康研究中长期存在的不平等提供有力方案，使女性能通过改善可及性、参与度、效率和个性化积极管理自身健康。E3框架为技术成熟度与采用提供分类依据。成熟技术如远程医疗平台、移动医疗（mHealth）和网络应用已降低获取门槛，从而扩大覆盖范围，尤其在低收入环境中。

发展中技术如连接设备和可穿戴传感器，支持实时监测、被动数据收集及个性化、可量化的客观证据。这些技术包括人工智能（AI）和机器学习（ML）的应用，可分析大数据集以加速生成洞见和真实世界证据。新兴技术如数字孪生、大型AI和数字生态系统，有望通过预测分析、个性化治疗和优化护理路径，为女性健康提供连接系统化的包容性研究设计。

本文分析DHT在各类环境中提升女性包容性范围、规模和系统的方式（表1），并探讨实施挑战。

通过成熟技术拓展研究范围

技术持续促进女性在研究全周期的纳入。远程会诊、虚拟焦点小组和数字化知情同意流程，对承担照护责任、行动不便、居住在农村地区或少数族裔群体的女性（传统上被排除在试验外）尤为有益。新冠疫情加速了远程医疗采用，增加了去中心化远程研究机会。创新的研究规划和招募策略利用数字工具及社交媒体，提升多族裔群体参与度。手机使用率在所有人口群体中均较高，包括服务不足人群。经期追踪和生育症状记录应用程序的使用量显著增长，近期研究估计全球经期追踪应用下载量已超2.5亿次。网络平台如避孕选择交互式平台，帮助女性做出知情避孕决策。此外，网络数字平台可与用户共同设计，以提高相关性、信任度和最终使用率。

撒哈拉以南非洲孕产妇健康中性别变革型mHealth方法的综述，评估了性别盲视/性别意识举措及性别健康不平等。研究发现DHTs正用于解决女性获取障碍，支持可持续发展目标5中确保普遍获得性与生殖健康及生殖权利的目标。最常见的mHealth传递系统是短信和异步音视频数字媒体，内容聚焦孕产妇健康服务以优化避孕使用、减少意外怀孕、管理性传播感染（STIs）、改善产后母乳喂养和营养，并在孕期、分娩和产后增加获取专业医护人员的机会。这些干预大多产生积极效果，但明显局限是农村社区终端用户手机获取不足。研究还指出mHealth应用缺乏适应撒哈拉以南非洲多文化、多民族及宗教人口群体需求的调整。

另一个案例来自北美孕前队列研究。在随机分配获得生育追踪应用高级订阅的参与者中，低收入群体和有色人种参与者的依从性（即应用使用率）显著高于其他亚组。在方案符合性分析中，教育程度≤12年的群体中依从性与更快受孕时间相关，但其他教育亚组无此关联。该研究表明：第一，向边缘化女性提供数字技术可增加其在生育研究中的纳入（例如，传统代表性不足的参与者更可能使用所提供技术）；第二，数字技术使用可改善边缘化群体的生育能力（例如，教育程度较低的应用用户受孕时间更快）。因此，通过DHT使用实现的包容与创新可直接改善女性健康。

机器学习和人工智能助力大规模研究

ML和AI模型正日益应用于大规模女性健康数据分析。若以公平为设计原则，AI工具可帮助识别服务不足的亚群体、定制干预措施并定位诊断盲点。基于用户中心设计的可穿戴设备和连接设备生成的数字化测量指标，有潜力变革女性包容性个性化医疗，提供真实世界数据和证据。

缺乏包容性研究导致几代女性对自身身体认知不足。来自连接设备的数字化生物标志物提供女性健康的现实洞见。在对75,981个匿名月经周期（通过数字化生物标志物表征）的分析中，研究者发现仅12.4%的用户拥有28天周期。大多数参与者（87%）周期长度在23至35天之间，最常见排卵日为第15天，而非传统认知的第14天。研究还发现周期长度存在显著的个体间和个体内差异。这些基于连接设备真实世界证据的发现，凸显了教科书对月经健康的认知与女性感知“正常”状态之间的差异。局限在于隐私要求导致匿名化而缺乏社会人口统计信息。但这种包容性研究方法既提供个性化洞见，也生成关于群体生物变异的汇总数据。

瑞典多中心随机对照试验招募80,033名40-80岁女性，评估AI辅助乳腺X光筛查相比放射科医生标准双人阅片的临床安全性。参与者随机分配至AI辅助筛查组或标准筛查组。在39,996名AI组女性中检出244例癌症，对照组40,024名女性中检出203例。AI组癌症检出率略高（6.1/1000 对 5.1/1000），达到预设安全阈值，两组召回率和假阳性率相似。值得注意的是，AI将筛查阅片工作量降低44.3%。研究结果表明AI辅助筛查在维持临床安全性的同时减轻放射科医生负担，有助于扩大女性筛查覆盖范围。

尽管AI有望解决女性健康的重要问题，但若训练数据集缺乏代表性，这些系统可能诱发偏见。当数据集代表目标人群的全部多样性、按相关社会人口因素分层并具有透明数据管道时，AI的潜力才能最佳实现。

可及的研究系统

随着新兴技术持续采用，移动应用、可穿戴传感器、影像和健康记录的数据可结合用于个性化数据驱动治疗、干预和定制服务。可及的研究生态系统还需理解个体赋予健康行为的多样化意义，并认识周围环境如何促进相关活动。

子宫内膜异位症是一种常见慢性疼痛疾病，尚无已知治愈方法且治疗选择有限。研究者调查了传统通过日常日记和病史的数据收集，结合mHealth应用和可穿戴设备数据，如何为子宫内膜异位症患者提供个性化自我治疗和数字自我管理工具，以提高生活质量并定制医疗服务。

数字孪生是物理对象、系统或过程的虚拟表征，镜像真实世界对应物。数字孪生的严谨性可与ML的速度和灵活性结合形成混合模型：“大型AI”。尽管研究人员尚未实现功能完备的人体数字孪生，但在创建计算模型方面已有进展。例如，研究者开发出从2D超声图像中提取子宫和宫颈最小测量值的技术，实现创建模拟孕期子宫和宫颈机械变化的患者特异性3D模型，为预测早产提供工具；同时胎盘计算模型正用于理解子痫前期和胎儿生长受限。

尽管迄今已发表逾50,000项人类脑成像研究，但考虑女性健康的不足0.5%，即使女性占阿尔茨海默病病例的70%和抑郁症病例的65%。为弥补这一差距，脑成像联盟开创性建立系统以组织神经影像和行为数据，便于共享和再利用，推动开放科学并促进性别包容性神经科学。这种大规模数据共享倡议至关重要，因为女性健康研究历史上聚焦生殖状况，忽视神经系统、心血管和呼吸系统疾病中性别特异性差异的表现和治疗。

应用健康数据科学的未来日益与联邦学习对齐——一种多设备或实体协作训练共享模型而无需直接交换原始数据的ML技术。联邦学习有望克服集中式AI模型固有的隐私、安全和互操作性挑战。它允许多个机构协作训练AI系统而不移动敏感数据，通过设计确保隐私。除隐私保护外，联邦学习还可通过连接跨部门的健康、社会和环境数据，支持生态系统级研究协作，实现更全面的以人为本支持。

挑战与考量

DHTs提升女性健康改善的范围、规模和系统潜力显而易见。但实现DHTs在包容性创新和研究中的广泛公平应用仍面临多重挑战；释放潜力需直面数字性别鸿沟。

女性常面临与成本、连接性、数字技能、数据隐私和在线安全相关的独特障碍，可能阻碍DHT采用。例如，2022年6月多布斯案撤销联邦层面堕胎保护的决定，影响了美国研究参与者分享DHT数据的意愿。在堕胎权被禁止或限制的州，PRESTO记录显示堕胎案后时期（2022年6-11月）相比案前时期（2022年2-6月），生育应用使用率下降27个百分点。政府政策因此对女性参与DHTs产生深远影响。医疗保健中数字创新的环境效应也持续引发担忧，特定AI技术如大型语言模型和聊天机器人可能缺乏敏感健康讨论所需的关键同理心。数字创新必须将解决方案与针对性包容策略、用户中心性和优先伦理原则的稳健数据治理框架相结合，建立信任并让女性担任DHT领导角色。

“数字鸿沟”凸显设备获取、可靠互联网和数字素养方面的不平等，可能加剧现有健康不平等。此外，在中低收入国家参与度对有效性至关重要。资助者和政策制定者应明确支持包容性方法，通过确保数据集的多样化人群代表性优先公平AI，采用可解释AI技术，并让利益相关者参与参与式决策。

许多数字解决方案缺乏有效性严谨证据或质量与安全标准遵守，在许多情况下针对女性的健康技术被证明利用女权叙事推广非循证干预措施，假借“赋能”女性之名。这引发问题：“赋能中权力归属何方？”技术有其局限；因此，任何技术驱动改进的最终焦点必须是其所服务的个体。技术助长的暴力侵害女性现象证据日益增多。因此，明确何种方案有效、对谁有效及在何种条件下有效，对指导真正赋能女性的投资和政策至关重要。

包容性研究理念并非没有批评，“包容性研究呼吁优先考虑意识形态而非科学严谨性”的观点认为其可能使招募复杂化、增加II型错误风险并引入混杂因素。尽管政策努力推动临床研究包容性，但按性别分列的分析仍稀缺，有色人种女性尤其代表性不足。传统方法常孤立考察因素，而女性健康受生物、社会、经济和环境决定因素的动态交互影响，以及包括性别歧视和种族主义在内的系统性问题。

这些相互关联的健康社会决定因素常被孤岛式研究忽视，导致政策和干预未能充分应对女性健康需求的复杂现实。许多数字健康促进策略过度强调个人对健康的负责，常忽视塑造技术使用的更广泛社会、文化和政治背景，而数字包容性本身被视为健康的社会决定因素。

包容性研究的关键考量是：当前女性健康DHT领域持续聚焦生殖健康意图范围内的生育，更广泛的女性健康则聚焦生殖和妊娠。尽管这些仍是关键研究领域，但此集中度反映了历史性的“比基尼医学”偏见，忽视DHTs考虑女性全生命周期健康需求（包括心血管和骨骼健康、神经学、癌症预防及心理健康）的潜力。

未来方向

随着女性健康持续获得全球议程关注，包容性应成为基础原则。在持续威胁多样性、公平性和包容性的政治格局变化中，此原则尤为重要。表2提供加速女性包容性的建议。通过各利益相关方的共同努力，DHTs可优化以增加女性在研究试验中的纳入、解决系统性障碍、推进研究中的性别平等，并支持开发更有效满足女性需求的健康解决方案。