【财新网】AI会加剧健康领域的不平等，还是弥合这一鸿沟？人们需要以行动做出选择。9月13日，在2026浦江创新论坛全球健康与发展论坛上，盖茨基金会全球健康总裁特雷弗·蒙代尔（Trevor Mundel）呼吁让AI落地卫生资源匮乏的发展中国家。

近年来，随着技术的进步，预测医学（Predictive Medicine）逐步走向现实。即从疾病发生后的被动应对，转向基于风险预测的主动预防和提前干预。这背后是生物样本库的建立、基因组学的发展和对长期队列研究的投入。

蒙代尔举例，今年7月，Dana-Farber癌症研究所和麻省总医院的一个团队在《自然》发表了一项研究。他们开发的模型可以读取普通医疗记录，评估一个人罹患348种疾病的风险。模型基于68.3万名患者的医疗记录构建，其表现超过了临床医生多年来一直使用的标准风险评估工具。它最擅长的一件事，是预测谁可能在未来一年罹患结直肠癌。

但在中低收入国家，预测医学却很难有机会发展。患者往往直到病情已经非常严重，或者疾病已经发展到晚期，才寻求医疗服务；而当他们终于进入卫生体系时，获得的医疗服务也常常不尽如人意。

新的不平等因此形成。“在一条轨迹上，人们在真正患病之前就被识别出来，更早接受干预，成本更低，效果也更好。那些原本会在未来出现的疾病负担和经济成本，甚至根本不会发生。而在另一条轨迹上，人们直到疾病晚期才来就诊，面对的又是一个本已不堪重负的卫生体系，最终往往难以完全康复。”蒙代尔说。

在资源更加匮乏的国家的卫生系统中，预测医学已经展现价值。比如用于寻找妊娠的高风险人群。大多数孕期血压升高的女性最终都不会出现严重问题。但其中一小部分会发展为子痫前期，其中一些女性甚至会因此死亡。

“假设有1000名妊娠期高血压女性，其中大约100人最终会真正发展为子痫前期。而你拥有的资源只能为200人提供治疗。”蒙代尔说，如果在1000人中随机分配这些资源，就等于把稀缺资源摊到了实际需要人群十倍大的范围里，最终只能获得一小部分原本可能实现的健康收益。而如果能够进行精准识别——哪怕并不完美，哪怕准确率只有50%——最终产生的影响也会有显著差异。

而AI有能力弥合各国之间的健康鸿沟。但前提是必须解决两个关键问题。一是AI究竟从谁的数据中学习？

前述Dana-Farber结直肠癌预测模型，主要基于英国生物样本库（UK Biobank）的数据开发。而一个基于某一人群训练的模型，如果直接应用到另一个人群，问题并不仅仅是准确率下降，还可能导致资源错配，需要基于当地人群相关的数据做训练。

“这个问题其实没有看上去那么难解决。”蒙代尔表示，人类的生理机制在很大程度上是共通的。他举例，梅奥诊所曾利用其医疗系统中大约1000万份记录，训练了一个通过读取心电图预测心脏功能的模型。当这个模型被带到秘鲁使用时，表现并不好。但要完成本地适配，大约只需要1万名秘鲁患者的数据。“1000万，用来建立模型。1万，用来完成适配。这意味着，我们可以借用那些已经拥有深厚数据积累地区的预测能力，再根据当地人群进行必要的适配。” 二是必须有能够产生数据的设备。如果能够规模化部署，这些设备将构成预测医学的“感知层”（sensing layer），持续产生健康数据，让预测能力有可能走出富裕国家的卫生体系。

这正是中国能够发挥优势的地方。蒙代尔认为，中国的优势不只是能够制造性能强大的设备，还能把这样的设备设计和生产得足够便宜、足够耐用，让它真正能够进入基层诊所。

盖茨基金会正在与中国伙伴合作开发多种这样的设备。包括一种价格可负担的AI辅助便携式超声设备，让没有接受过超声专业训练的助产士，也能够更早筛查妊娠风险。还有一种在中国开发的近床旁结核病分子检测产品。它无需采集痰液，而是使用舌拭子，大约30分钟即可获得检测结果。（详见《财新周刊｜中国药械南非寻路》）蒙代尔呼吁，不要只开发产品，还要建设“感知层”；要以与当地人群相关的数据为基础来构建整个体系；在设计创新时，要最大限度利用当地资源，并认真考虑当地的现实约束。

蒙代尔表示，全球健康领域上一道巨大的鸿沟是可及性。药物已经存在，却无法抵达需要它的人，这道鸿沟已经明显缩小。下一道鸿沟是时间，是在真正患病的几年前就接受干预，还是在本应接受治疗多年之后，才终于获得医疗服务。AI正在拉开这道时间鸿沟，而AI也是唯一有可能弥合它的工具。“它最终能不能做到这一点，取决于未来几年我们正在作出的选择。”