夜雨聆风分享Technological Forecasting & Social Change的最新研究《Rethinking national health innovation systems for AI: Emphasizing trust building and user-integration》，通过德国与瑞典的双案例比较，系统审视了人工智能（AI）在国家卫生创新系统（NHIS）中的扩散逻辑。研究指出，传统创新系统（IS）功能在医疗AI情境下呈现显著的不完全性，进而提出以"信任构建"为核心功能、并纳入"用户整合"与"社会影响"维度的扩展分析框架，为理解AI医疗创新的系统性障碍提供了新的理论透镜。
一、为何需要重构NHIS框架？
AI技术在医疗领域的渗透，从临床决策支持、医学影像识别到药物研发与大语言模型应用已超越单纯的技术迭代，演变为涉及组织变革、监管重构与伦理审视的系统性议题。与常规技术不同，医疗AI具有主体性（agency）与黑箱性（opacity）特征，其决策委托行为引发了新型责任归属、数据隐私及算法偏见等复合性挑战。
本研究指出现有文献对AI医疗的讨论多呈碎片化，分散于技术、数据、组织、经济、法律、社会或伦理等单一维度。创新系统（IS）理论虽为整合这些视角提供了稳健基础，但传统框架并未充分回应AI技术的特异性。因此，本研究的核心问题是既有的NHIS功能框架是否足以解释AI医疗创新的扩散困境？若不足，需要进行何种理论扩展？
二、研究设计
研究采用Yin所提出的案例研究方法，选取德国的社会医疗保险体制与瑞典的国家税收筹资体制作为比较对象。两案例在欧盟成员身份、地理邻近性及人均医疗支出方面具有相似性，但卫生系统架构存在本质差异，这为识别制度性因素提供了理想条件。
研究团队于2021年6月至2024年6月间完成了32场半结构化专家访谈，受访者涵盖软件企业、制药公司、医疗机构、监管机构、研究资助机构、大学及患者组织代表。数据收集遵循理论饱和原则，并辅以文献、政策文本与媒体报道的三角验证，确保建构效度与可靠性。
三、核心发现
基于Hekkert等人的功能分析框架，研究发现德瑞两国NHIS的七项传统功能在AI情境下均呈现不完全履行状态，但表现形态存在国别差异：
1. 知识开发与扩散（F1）德国面临知识基础设施碎片化、跨学科协作语言壁垒及R&D税收激励缺失等问题；瑞典虽具备相对完善的知识基础设施与扁平化学术层级，但在知识商业化与AI人才留存方面存在隐忧。两国共同面临的瓶颈在于高质量医疗数据的获取受限于严格的隐私规制与分散的数据孤岛。
2. 合法性（F2）两国政府层面均表现出对AI医疗的战略关注，但"政策热"与"落地冷"形成鲜明反差。德国的《数字医疗法》（DVG）与数字健康应用（DiGA）审批机制被视为制度创新，但受访者也担忧欧盟《人工智能法》可能带来的过度规制风险。瑞典在电子健康领域的先发优势并未自动转化为AI医疗的制度合法性，医疗专业人士对AI的接受度仍是关键短板。
3. 资源动员（F3）初创企业与中小企业在两国均面临融资断层与后续资助匮乏的结构性难题。德国被批评存在自上而下的资助偏好与数据研究机构的学术垄断；瑞典虽有VINNOVA等创新资助体系，但公共部门采购法规限制了产学研深度协作。人力资源瓶颈，既懂医疗又通AI技术的复合型人才稀缺在两国均被反复提及。
4. 搜索引导（F4）患者与医疗专业人员的实际需求尚未充分纳入创新议程。研究揭示了一种"技术驱动而非照护驱动"的偏差。AI开发者倾向于追逐技术可行的高光领域，如肿瘤诊断，而忽视慢性病管理、心理健康等低可见度但社会需求迫切的领域。
5. 创业实验（F5）临床试验的审批流程、数据保护要求与严格的排除标准构成了高昂的实验成本。德国受访者指出，大量学术研究未能转化为可市场化产品；瑞典则面临区域自主权导致的试验设施分散化问题。更深层的问题在于，用户，尤其是终端医疗工作者与患者在实验阶段的缺位，导致设计与现实的鸿沟（design-reality gap）。
6. 市场形成（F6）医疗AI的市场化在两国均受限于报销制度的滞后性。德国法定健康保险（SHI）对AI应用的报销持审慎态度；瑞典的报销体系更偏向硬件而非软件。医疗器械法规（MDR）与CE认证的高合规成本对中小企业尤为沉重，导致大量创新滞留于大学原型阶段。
7. 系统协同（F7）互操作性不足与数据碎片化是两国共同的技术—制度障碍。德国16个联邦州的数据保护机构各自为政，瑞典则存在区域间电子健康记录（EHR）系统的"语言"差异。联邦学习（federated learning）等分布式解决方案虽被提及，但实际应用仍呈碎片化状态。
四、理论创新
对NHIS框架的三项关键扩展：
（一）信任构建（Trust Building）作为核心功能
研究将信任构建（F8）确立为NHIS的中心功能，认为其具有"元功能"属性，对其他七项功能的实现具有赋能或制约作用。医疗AI的特殊性在于，信任不仅涉及技术可靠性（accuracy与robustness），更涉及人机交互（HCI）中的心理接受度、伦理透明度与利益相关者间的网络信任。
在德国，患者担忧数据滥用与决策不透明，医生忧虑职业主体性被侵蚀，监管机构则对私营企业的盈利动机保持警惕。在瑞典，尽管公众对技术的接受度相对较高，但医疗专业人员对责任归属（"AI出错谁担责？"）的焦虑同样显著。研究强调，信任构建需超越技术层面的可解释AI（XAI），纳入文化变量与制度信任的国家特异性，通过法律框架（如欧盟AI法）、利益相关者网络治理与公众教育运动的协同来实现。
（二）用户整合（User-Integration）的横向维度
传统IS文献长期低估终端用户的角色。本研究将用户整合界定为贯穿创新全周期的结构性要素。在开发阶段，医疗专业人员的领域默会知识（tacit knowledge）与患者的可及性需求应成为算法设计的输入变量；在实施阶段，以人为中心的界面设计与工作流程嵌入决定了技术的临床可用性；在迭代阶段，持续的反馈循环是弥合设计—现实鸿沟的关键。
研究特别强调，医疗AI并非自主替代系统，而是增强型协作工具（augmentative collaborative tools）。因此，用户整合不仅关乎技术采纳效率，更关乎对医疗实践中信任、共情与专业判断等不可编码要素的尊重。
（三）社会影响（Societal Impact）的纵向维度
现有IS理论多聚焦于技术—经济绩效，本研究则将社会影响纳入框架，强调医疗AI的创新评估应纳入其对健康公平、城乡差距缩小及公共卫生韧性的贡献。AI医疗的变革性潜力不仅体现在诊断准确率的提升，更在于其优化资源配置、扩展服务可及性尤其是偏远地区及应对大流行等系统性危机的能力。将联合国可持续发展目标（SDG 3）纳入NHIS分析，有助于纠正当前创新资源配置中的城市偏向与疾病等级偏向。
五、讨论与学术启示
在IS理论层面，通过识别AI技术的代理与黑箱特征，拓展了传统功能分析框架的边界，使其能够解释颠覆性技术在高度规制化部门中的扩散逻辑。
在AI研究层面，将分散于技术、伦理、法律等领域的局部视角整合为系统分析框架，强调信任、用户整合与社会影响并非孤立的软因素，而是与创新系统结构互构的核心变量。
在政策研究层面，通过德瑞比较揭示了制度同构（coercive isomorphism）的局限性。即便在相似的欧盟监管环境下，不同的卫生筹资模式与行政结构仍会导致差异化的创新绩效，这对"一刀切"的政策移植提出了警示。
医疗AI的创新困境本质上是系统协调困境。技术性能的提升并不能自动转化为系统层面的扩散绩效；相反，缺乏信任基础、用户缺位与社会目标游离的创新，即便在实验室环境中表现优异，也可能在制度化过程中遭遇"悬崖式"断裂。
对于中国的卫生创新政策研究者而言，该研究的启示在于：在推进医疗AI落地时，除关注算力、算法与数据基础设施外，更需前置性地设计信任治理架构、用户参与机制与社会价值评估体系。唯有将技术嵌入到经过重构的、具有包容性与回应性的创新系统之中，AI医疗的变革承诺才能真正转化为 population health 的实质性改善。
文献来源： Steinhauser, S., & Borst, L. (2026). Rethinking national health innovation systems for AI: Emphasizing trust building and user-integration. Technological Forecasting and Social Change, 228, 124691. https://doi.org/10.1016/j.techfore.2026.124691
