美国卫生与公众服务部人工智能战略全景分析：2025年医疗健康产业智能化转型路径与挑战

人工智能（AI）正在全球范围内重塑医疗健康与公众服务领域的运作模式与发展路径。作为美国最大的联邦机构之一，美国卫生与公众服务部（HHS）于2025年1月发布了《人工智能在健康、公众服务和公共卫生中的应用战略计划》（以下简称“战略计划”），系统性地提出了人工智能在医疗研究、产品开发、医疗服务、公众服务、公共卫生、网络安全及内部运营七大领域的应用框架与行动路径。该计划不仅是HHS推动技术创新的纲领性文件，更代表了美国在国家级健康数字化战略中的核心立场。本文将围绕HHS人工智能战略的背景、核心领域、关键数据、实施挑战及未来趋势展开深入分析，为行业提供一份全面的参考。

一、人工智能在医学研究与发现中的突破：年省260亿美元研发成本的新机遇

医学研究与发现是人工智能应用最具潜力的领域之一。根据HHS报告，仅在药物研发领域，人工智能技术的全面应用有望每年节省高达260亿美元的研发成本。这一数字背后反映的是AI在靶点识别、先导化合物生成、蛋白质结构预测、临床试验优化等多个环节的效率提升。

目前，人工智能在医学研究中的应用仍集中在高回报领域（如肿瘤学、罕见病药物研发），而在基础研究和临床前研究中的渗透率相对较低。HHS通过国立卫生研究院（NIH）的Bridge2AI项目、高级研究计划局（ARPA-H）的CATALYST计划等多项倡议，正试图推动人工智能向更广泛的疾病领域和研究阶段扩展。例如，ARPA-H的TARGET项目利用深度学习筛选抗生素候选分子，将传统研发周期从数年缩短至数月。

然而，这一领域的应用仍面临多重挑战。首先是数据碎片化问题——约75%的学术研究数据仍处于付费墙后，而临床前数据多为非结构化格式，难以直接用于模型训练。其次是生物安全风险。人工智能可能被用于设计有害病原体或生物制剂，HHS因此需强化对合成核酸序列的筛查框架（如依据《核酸合成筛查指南》）。此外，数据隐私与模型透明度也是亟待解决的问题。HHS计划通过推广“模型卡片”（Model Cards）机制，要求研究者公开AI模型的训练数据、偏差评估及性能指标，以增强研究可信度。

未来，HHS将重点支持跨机构数据共享平台（如NIH的ScHARe）、联邦学习框架以及合成数据生成技术，以平衡数据利用与隐私保护之间的矛盾。同时，通过扩大对资源不足机构的计算资源支持（如云计算补贴计划STRIDES），降低人工智能研发的门槛。

二、医疗产品开发与监管革新：FDA批准超1000项AI医疗器械背后的合规挑战

人工智能在医疗产品开发中的应用已从辅助工具逐步演变为核心组成部分。截至2024年8月，美国食品药品监督管理局（FDA）已批准了超过1000种人工智能医疗器械，其中2023-2024年间新增批准数量同比增加33%。这些产品中约75%集中于放射学领域（如影像识别、病灶检测），但药物研发、生物制品与医疗器械的AI应用正在快速扩展。

FDA近年来显著优化了对AI医疗产品的监管框架。例如，2024年发布的《人工智能赋能设备软件功能：生命周期管理和市场提交建议指南》明确了AI医疗器械的迭代更新机制，允许通过“预定变更控制计划”（PCCP）实现模型持续学习与升级。同时，FDA与英国、加拿大等国家联合发布的《良好机器学习实践指南》为跨国企业提供了统一的开发标准。

然而，自适应人工智能技术的出现对传统监管模式构成了挑战。这类系统能够根据实时数据动态调整性能，可能偏离初始授权时的安全边界。HHS计划通过建立“联邦人工智能测试床”（如与退伍军人事务部合作建立的虚拟健康AI实验室）对高风险AI产品进行模拟环境验证，以补充传统临床试验的不足。

支付政策亦是影响AI医疗产品推广的关键因素。目前，美国医疗保险（Medicare）仅对不到5%的AI医疗器械提供了明确支付路径。HHS下属的医疗保险与医疗补助服务中心（CMS）正在通过“新兴技术过渡性覆盖”（TCET）途径加速创新产品的报销流程，并探索基于价值的支付模式，以激励AI技术在慢性病管理、早期诊断等领域的应用。

三、医疗服务交付的智能化转型：190亿美元投资背后的效率与公平博弈

医疗服务交付是美国医疗系统的核心环节，其规模高达4.5万亿美元，占GDP的17%。人工智能在该领域的应用主要集中在提升诊疗准确性、优化运营效率及改善患者体验三个方面。据统计，2021年以来美国医疗健康领域的人工智能风险投资累计超过190亿美元，其中约三分之二流向临床场景（如诊断辅助、手术机器人），其余投入行政流程自动化（如病历管理、保险索赔）。

在临床层面，AI已展现出显著价值。例如，脓毒症预测系统可通过分析电子健康记录（EHR）数据提前数小时预警危重症情况，某医疗系统应用后使再入院率降低55%。在行政层面，自然语言处理（NLP）技术可自动生成临床文档，将医生从文书工作中解放出来，间接缓解医疗人力短缺问题（美国预计未来十年年均缺少6.73万名社会工作者）。

然而，AI的规模化应用仍面临结构性障碍。首先是数据互操作性问题。美国医疗系统使用数百种不同的EHR系统，数据标准差异极大，导致AI模型难以跨机构泛化。HHS通过推动“美国核心数据互操作性”（USCDI）标准与可信交换框架（TEFCA）试图破解这一难题。其次是公平性风险。研究表明，基于历史数据训练的AI模型可能放大对少数族裔、低收入群体的诊断偏差。HHS要求所有通过ONC认证的AI健康产品提供“源属性透明度报告”，披露训练数据的人口统计学特征与性能差异。

未来，HHS将优先推动资源不足机构（如农村医院、社区卫生中心）的AI技术普及，通过技术援助基金、云基础设施补贴降低其部署成本。同时，强化对AI辅助决策的监管，要求高风险应用（如癌症筛查）必须保留“人在环路”（Human-in-the-Loop）机制，确保临床医生拥有最终决策权。

四、公共卫生与网络安全：从疾病预测到8万亿美元网络风险的双重防线

公共卫生是人工智能最具社会价值的应用领域之一。HHS计划利用AI增强疾病监测、应急响应与健康干预能力。例如，CDC的人工智能加速计划（AIX）通过聚合多源数据（包括废水监测、社交媒体动态、医疗索赔记录）构建传染病预测模型，力争在疫情爆发前实现早期预警。在慢性病管理方面，AI可通过分析穿戴设备数据识别糖尿病、心血管疾病的早期征兆，推动预防式医疗模式转型。

然而，公共卫生数据的敏感性使得网络安全成为不可忽视的挑战。2023年全球网络犯罪成本高达8万亿美元，而医疗健康领域是受攻击最严重的行业之一——2022-2023年间勒索软件攻击同比增长42%，仅2024年2月的一次攻击就导致1亿人的健康数据泄露。人工智能在加剧这一风险的同时（如深度伪造技术伪造医疗记录），也成为防御工具。HHS通过ARPA-H的“自主防御补丁修复”项目开发AI驱动的实时漏洞检测系统，并强制要求医疗设备制造商提供软件物料清单（SBOM），增强供应链透明度。

HHS的网络安全战略强调“零信任架构”与跨部门协作。其《医疗保健网络安全绩效目标》（CPGs）为机构提供了明确的安全基线，而405(d)工作组则通过公私合作机制共享威胁情报。未来，HHS将重点支持隐私增强技术（如联邦学习、同态加密），在数据利用与保护之间寻求平衡。

以上就是关于美国卫生与公众服务部人工智能战略的全景分析。HHS通过七大领域的协同推进，试图在技术创新与风险管控之间建立平衡。从医学研究的效率提升到医疗产品的监管革新，从医疗服务的智能化转型到公共卫生的主动防御，这一战略不仅为美国医疗系统提供了发展路线图，也为全球医疗AI生态提供了重要参考。然而，数据孤岛、算法偏差、网络安全及人力资源短缺等问题仍是未来需要持续破解的挑战。随着技术迭代与政策优化，人工智能有望在2030年前成为健康领域的基础设施，最终实现“以患者为中心”的精准医疗与普惠服务愿景。