科學通報 | 數智循證醫學：AI時代循證研究與實踐新方向

在人工智能、大數據和知識圖譜等新技術不斷發展的背景下，醫學研究和臨床決策的模式正在逐步發生變化。面對醫學信息的快速積累和臨床問題的日益復雜，如何在新技術的支持下保持循證醫學（Evidence-Based Medicine, EBM）的科學性與嚴謹性，成為學界關注的重要議題。

蘭州大學葛龍團隊在《科學通報》發表的文章“數智循證醫學：AI時代循證研究與實踐新方向”，嘗試提出并闡釋“數智循證醫學”（Digital Intelligent Evidence-Based Medicine, i-EBM）的概念，探討其在人工智能時代下的理論框架與應用前景。這一探索為理解AI技術與循證醫學的融合提供了新的視角。

循證醫學的發展與新挑戰

循證醫學自20世紀90年代提出以來，極大地推動了臨床決策的科學化與標準化。它倡導在最佳研究證據、臨床經驗與患者價值之間取得平衡，對醫學教育、科研及實踐均產生了深遠影響。

然而，隨著臨床實踐環境的變化和醫學數據的指數級增長，傳統循證體系也面臨新的挑戰：

• 醫學證據更新速度加快，文獻體量龐大，人工整合難度增大；
• 數據來源日益多樣，傳統研究設計難以完全覆蓋真實世界場景；
• 個體差異和復雜干預因素不斷凸顯，對個體化循證提出更高要求。

這些變化提示我們，循證醫學的理念需要在保持科學精神的前提下，適度吸納新技術手段，探索新的研究與應用模式。

“數智循證醫學”的提出

在此背景下，作者團隊提出“數智循證醫學”（i-EBM）的概念。
這一理念并非對傳統EBM的替代，而是希望在人工智能技術的輔助下，進一步擴展和完善循證醫學的框架。

文章指出，i-EBM的核心特征主要體現在三個方面：

1. 整合性（Integrated）
i-EBM強調對多源異構數據的整合，包括臨床試驗數據、真實世界證據、電子病歷信息、組學數據、影像資料等。通過AI和知識圖譜技術，促進不同層級證據之間的關聯與互證，構建更完整的證據網絡。

2. 智能化（Intelligent）
借助自然語言處理、大模型推理與因果推斷等方法，AI能夠在文獻篩選、數據提取、結果匯總等環節提供輔助支持。i-EBM希望在保證科學審慎的前提下，利用技術手段提高循證研究的效率與一致性。

3. 個體化（Individualized）
在臨床決策中，i-EBM倡導基于個體特征的精準證據使用。通過多維度數據分析，探索不同人群、不同病程階段下的最佳干預方案，從而更好地實現以患者為中心的決策支持。

中醫藥研究的潛在應用場景

文章還特別關注了i-EBM在中醫藥領域的應用潛力。
中醫藥具有整體性強、干預模式復雜、辨證論治個體化等特點，長期以來在循證研究中存在證據整合困難、量化評價體系不完善等問題。

i-EBM提供了一種新的思路：

• 通過AI的模式識別和因果推斷功能，探索辨證論治與疾病表型之間的潛在規律；
• 借助數據整合與知識圖譜方法，揭示中醫藥多成分、多靶點的作用網絡；
• 在復雜干預評價中引入智能算法，促進中醫藥證據體系的現代化與國際化。

這些探索仍處于早期階段，但展示了AI與傳統醫學結合的可能方向，也為跨學科合作提供了新的契機。

AI與循證醫學的協同前景

人工智能的發展為循證研究提供了強大的技術支撐，但同時也帶來了方法學和倫理上的新挑戰。
作者在文中指出，i-EBM的理念并不意味著完全依賴技術，而是強調人機協同：

• 人類專家負責把握科學邏輯與臨床判斷；
• AI系統承擔數據處理與模式識別等繁重任務；
• 雙方的合作使證據生成更加高效、透明與可追溯。

這種協同關系有助于構建一個動態更新的循證生態，使醫學證據從靜態積累走向持續演化，更貼近臨床實際與個體需求。

數智循證醫學的提出，是作者團隊基于循證醫學核心理念的一次探索性延伸。它希望在保持EBM科學內核的同時，吸納人工智能、大數據等新技術的優勢，推動循證研究與實踐更好地適應現代醫學的發展需求。

這一概念的提出并非對傳統體系的顛覆，而是一種建設性的思考——如何讓技術服務于科學，如何讓智能賦能于決策。

正如作者在文中所強調的，i-EBM仍處于理論探索階段，未來的發展有賴于跨學科的合作、方法學的驗證以及倫理框架的完善。
但無論如何，它代表了一種值得關注的努力：在數智時代的浪潮中，以循證思維為核心，以科技創新為動力，持續探索更加科學、開放與個體化的醫學證據體系。

文章信息

賴鴻皓，馬寧，趙威龍，等. 數智循證醫學：AI時代循證研究與實踐新方向. 科學通報, 2025

https://doi.org/10.1360/CSB-2025-5395

轉載、投稿請留言

| 關注科學通報 | 了解科學前沿