当循证医学遇上人工智能:AI如何重塑临床证据的未来

循证医学（EBM）自上世纪90年代正式确立以来，已走过近三十年，成为现代临床实践的基石。然而，随着疾病谱复杂化与精准医疗时代的到来，传统循证模式正暴露出越来越多的局限。2026年发表于《柳叶刀-区域健康（美洲）》的一项重磅研究，系统梳理了人工智能与循证医学融合的趋势，明确了AI在其中的角色定位、赋能价值、现实困境与未来方向，为临床决策的数字化升级提供了权威参考。

RCT有严格的入组和排除标准，往往选择的是同质化高、合并症少的“理想”患者，这与真实世界中高龄、多病共存、个体差异极大的临床人群严重脱节，导致研究结论外推性差，难以真正指导日常诊疗。

传统循证研究只能给出群体层面的平均效应，无法直接回答“眼前的这位患者用这个方案到底有多大获益、多大风险”。从群体证据到个体化决策之间，存在明显的转化断层。

RCT周期长、成本高、流程复杂，面对突发新发疾病、罕见病或复杂疑难病例，往往来不及产出高质量证据，难以跟上医学知识快速更新的节奏。

与此同时，电子健康档案、医学影像、基因组学、可穿戴设备等海量生物医学数据不断涌现，进一步放大了传统循证医学的局限，也让AI赋能循证医学成为必然方向。

一个常见误解是：AI终将取代传统循证医学，甚至取代临床科研推理。该柳叶刀研究明确指出：AI不替代循证医学，也不取代流行病学因果推理，而是拓展了证据生成的边界，弥补了传统研究方法的不足，是循证医学的核心赋能工具。其对循证医学的重塑，主要体现在三个层面：

传统研究往往依赖单一试验数据，维度有限。而AI能够高效融合电子病历、医学影像、基因组学、代谢组学、可穿戴设备等来源各异、格式不同的数据，打破信息孤岛，全面刻画患者的个体特征与疾病特征，为精准化循证决策提供丰富、多维的数据基础。

借助目标试验模拟（Target Trial Emulation）技术，AI可以基于真实世界数据开展高质量的“虚拟随机对照试验”。它无需高昂成本和漫长随访，就能规避传统RCT中入组偏倚、样本局限、周期过长等问题，快速、批量地产出贴近真实临床场景的循证证据，极大提升证据生产的效率与实用性。

AI驱动的临床模拟建模，能够针对不同患者亚群、不同干预方案进行推演，提前预测疗效并评估风险获益比，覆盖传统RCT难以触及的复杂临床情境，真正实现从“群体平均循证”向“个体精准循证”的跨越。

研究同时强调一个核心原则：AI模型的预测指标（如准确率、AUC）并不等于临床因果有效性。AI的“黑箱”预测能力，永远无法替代流行病学严谨的因果验证与逻辑推理——这是AI落地临床循证不可逾越的前提。

三、现实挑战：AI赋能循证医学面临的三大难关

技术进步的背后，是亟待攻克的方法学、体系与伦理难题，也正是当前AI难以全面普及的根本原因。

1. 方法学挑战：严谨的研究设计是底线

AI模型的可靠性，完全依赖流行病学思维。如果缺乏严格的偏倚控制、混杂因素校正、外部样本验证和模型可解释性评估，AI算法极易产生系统性偏差，输出错误的临床结论，进而误导诊疗决策。脱离流行病学设计的AI模型，没有临床价值。

2. 体系层面挑战：数据碎片化加剧医疗不平等

区域医疗体系碎片化、数字基础设施不均衡，是全球普遍问题。各机构数据标准不一、无法互通，导致AI训练数据缺乏代表性；而低收入地区和弱势群体的医疗数据大量缺失，不仅限制模型性能，更可能进一步放大医疗差距，形成“数字鸿沟”。

3. 伦理与治理挑战：规避算法偏见与安全风险

缺乏规范监管的AI临床应用，存在巨大的伦理隐患。部分算法可能因训练数据的缺陷，对少数族裔、低收入群体给出差异化的、有偏见的诊疗建议。此外，患者数据隐私泄露、AI算法黑箱不可解释、医患AI协作模式模糊等问题，目前尚无成熟的治理体系。

四、未来图景：AI与循证医学的融合发展路径

结合柳叶刀研究的结论，我们可以清晰地勾勒出循证医学的未来走向：

· 定位不变：循证医学的核心逻辑与流行病学推理始终是临床决策的根本，AI永远是赋能、延伸和补充的工具，而非替代者。

· 落地核心：所有AI的临床应用，必须建立在严谨的流行病学设计之上，依托标准化的数据体系、完善的模型验证机制，并以人机协作的模式推进。

· 发展关键：除了技术迭代，还必须同步完善行业治理规则、透明的算法验证体系以及统一的数据标准，以规避算法偏见和医疗不公，让AI服务于更公平、更精准的临床医疗。

五、结语

循证医学的本质，从来不是“迷信既有证据”，而是用科学的方法做出最优的临床决策；AI在医疗中的价值，也从来不是“取代临床医生”，而是让冰冷的证据，真正贴合每一位鲜活的个体患者。技术再先进，也无法弥补方法学的缺陷；模型再精准，也不能替代医学的严谨与人文温度。AI不是循证医学的终点，而是这门经典学科跨越时代、焕发新生的全新旅程。