背景：人工智能驱动的数字疗法正迅速成为医疗保健领域的一种变革性范式，其将机器学习、深度学习以及生成式人工智能整合到跨多种临床领域的数字干预措施中。尽管该领域发展迅速，但证据格局依然呈碎片化状态，存在研究方法异质性高、应用场景多样以及缺乏跨领域综合分析的问题。目
背景：人工智能驱动的数字疗法正迅速成为医疗保健领域的一种变革性范式，其将机器学习、深度学习以及生成式人工智能整合到跨多种临床领域的数字干预措施中。尽管该领域发展迅速，但证据格局依然呈碎片化状态，存在研究方法异质性高、应用场景多样以及缺乏跨领域综合分析的问题。目的：本叙述性综述旨在提供关于人工智能驱动的数字疗法的现有二次文献的循证叙述性综合，主要关注系统评价和荟萃分析，以识别临床与技术领域的新兴模式、跨领域趋势及未来发展方向。方法：研究人员对二次证据进行了叙述性综合，重点关注23篇涉及人工智能驱动数字疗法的系统评价、荟萃分析及相关综述文章。通过分析已确定的文献，研究人员探索了跨临床领域、技术路径及实施挑战的反复出现的主题。此外，通过选定的近期随机对照试验和转化研究，对研究结果进行了进一步的情境化分析，以提供对新兴临床应用和现实世界视角的见解。结果：在现有文献中，人工智能驱动的数字疗法在心理健康、慢性病管理、康复和行为健康领域展现出广泛且快速演进的扩展。该领域的特征是逐渐从静态、基于规则的干预措施向由机器学习、深度学习和生成式人工智能支持的更具适应性的系统转变。一个关键的新兴主题是，人工智能作为个性化、适应性调整和动态干预递送的使能层发挥作用，而非作为独立的治疗模式。心理健康是研究最广泛的领域，特别是通过对话代理和基于认知行为疗法的干预措施，而其他临床领域也正逐步扩大其转化潜力。持续存在的挑战包括方法学异质性、长期验证有限以及未能完全整合到常规临床工作流程中。讨论：当前证据表明，医疗保健正向混合人机模型转变，在该模型中，数字系统可能通过自适应和循证数据驱动的方法支持并增强临床实践。然而，该领域仍存在证据碎片化、评估方法演变中以及与标准化、验证和实际实施相关的挑战。结论：人工智能驱动的数字疗法正向着更具适应性和临床导向的医疗保健解决方案演进。未来的进展将取决于提高方法学一致性、加强长期评估，并支持负责任地将其整合到临床路径中，以确保产生安全、可扩展且有意义的临床影响。
医疗保健的数字化转型已逐渐从使用通用数字工具转向采用更具结构化、基于证据的干预措施，以直接预防、管理或治疗医疗状况。在这一演变过程中，数字疗法作为一种独特的基于软件的干预类别出现，通过临床验证的机制提供治疗结果。数字疗法是由高质量软件程序驱动的循证治疗干预，旨在预防、管理或治疗医学疾病，可独立使用或与药物及其他疗法联合使用。与包括健康应用、监测工具和一般健康技术在内的更广泛的数字健康解决方案不同，数字疗法的特征在于其明确的治疗意图、结构化的干预设计以及对临床验证的要求。科学界对数字疗法兴趣的增长反映了其在心理健康、代谢紊乱和慢性病管理等多个临床领域的应用不断扩展。然而，该领域仍存在异质性，在设计kaiyun官方框架、临床验证水平和医疗保健系统的整合方面存在变异性。当前数字疗法的实施主要受到结构和功能限制的制约，许多解决方案基于静态的、由协议驱动的设计，通常源自认知行为疗法(CBT)框架或基于规则的数字应用，缺乏适应动态需求的灵活性。人工智能(AI)已成为数字疗法演进的关键使能技术，机器学习(ML)、深度学习(DLL)和大型语言模型(LLM)为开发具备持续学习和个体化干预调整能力的系统提供了技术基础。
鉴于人工智能医疗干预的多学科和快速演进的性质，研究采用叙述性综述设计最为合适。该研究主要关注系统评价和荟萃分析等二次文献，以提供关于人工智能驱动数字疗法当前格局的循证综合。文献检索策略旨在捕获数字治疗干预和应用于以患者为中心的医疗保健情境中的人工智能方法。系统检索了PubMed和Scopus等数据库，纳入截至2026年5月的记录。纳入标准聚焦于具有明确治疗意图的数字疗法，且其中整合了机器学习、深度学习、生成式人工智能、大型语言模型或对话代理等技术。研究将证据分为四类：提供面向患者治疗行为的直接数字治疗干预；支持监测或行为改变的人工智能增强数字健康干预；支持临床决策的工作流系统；以及支持干预个性化的分析或预测方法。排除标准包括无临床意图的健康应用或缺乏医疗转化的纯技术人工智能开发。该回顾受美国饮食营养学会(ANDJ)叙述性综述清单的指导，以确保报告的透明度。
共有23篇系统评价和荟萃分析被纳入叙述性综合，主要研究涵盖心理健康干预、慢病管理的对话代理、AI驱动的康复技术以及数字层面的医疗转型等主题。这些文献展示了从基于规则的数字健康工具向交互式AI系统演进的明确轨迹。
通过对文献的分类，多个研究揭示了AI在不同领域的应用模式。在心理健康领域，认知行为疗法(CBT)导向的对话机器人在减少抑郁和焦虑症状方面显示出可测量的疗效。针对抑郁症的数字干预越来越多地依赖机器学习(ML)和适时适应性干预来匹配个体症状轨迹。在神经康复领域，AI辅助的数字疗法在增加治疗强度方面显示出临床效用，但存在从临床改善到日常生活功能转化的“泛化差距”。在肿瘤学中，对话代理改善了患者的生活质量，但长期依从性往往会下降。生成式人工智能在心理健康筛查中展现了扩展潜力，但在隐私、安全和算法偏见方面引发了关切。
将AI整合入数字疗法代表着从预定义工作流程向动态自适应系统的渐进演进。机器学习使得识别行为模式和风险轨迹成为可能，而大型语言模型(LLM)扩展了自然语言交互的可能。AI在此应被视为增强个性化、可扩展性和响应能力的使能层，而非独立的治疗机制。技术演进可划分为三个阶段：传统数字疗法；融合预测分析的AI增强数字疗法；以及具备对话智能和多模态交互的生成式人工智能赋能系统。
AI驱动的数字疗法正在多个领域扩展。心理健康是研究最深入的领域，AI通过对话交互和症状监测发挥核心作用。在慢性病管理和行为健康方面，AI通过自适应反馈支持用药依从性和糖尿病自我管理。AI辅助康复作为专门领域发展迅速，支持个体化康复路径。在系统层面，机器学习(ML)被用于构建数字疗法开发和评估的标准化框架。
尽管取得实质性进展，现有证据仍面临诸多挑战。首先是证据的异质性，干预特征和评估方法差异显著。其次是长期验证有限，许多心理干预仅呈现短期效果。第三是AI系统透明度、可解释性和验证难题，特别是在深度学习技术中。临床整合也是未决挑战，系统与电子病历的互操作性不足。最后，AI驱动的个性化可能因数字素养差异反而加剧健康不平等。
归纳出六项总体优先事项：(R1) 加强方法学标准化与评估框架；(R2) 改善长期验证与持续用户参与；(R3) 增强与临床工作流程及医疗基础设施的整合；(R4) 提高AI及生成式人工智能系统的透明度与可解释性；(R5) 应对伦理、隐私及公平性挑战；(R6) 通过自适应和数据驱动策略推进个性化。
现有文献表明AI正在从支持性组件转变为促成个性化与自适应干预的使能层。心理健康的AI应用最广，但受限于短随访期和异质性设计。在更广域的慢病干预中，AI主要发挥监测和决策支持功能。混合人机护理模型正在兴起，AI应被视为增强技术而非替代品。数字疗法的社会影响必须结合数字素养和公平性来考量。
近期的随机对照试验验证了次级证据的趋势。在心理健康方面，AI辅助的认知康复和AI驱动的聊天机器人改善了抑郁症状，但其实际疗效高度依赖于患者参与度和感知到的治疗同盟。在康复和慢病管理方面，机器学习(ML)支持的康复系统在脑卒中失语症中表现优异，但仅靠基因组图谱结合AI的饮食干预未能显著改变高血压的行为习惯，说明个性化未必总转化为临床优势。
跨领域证据表明，AI主要作为自适应和连续监测的使能工具，而非替代既定疗法。患者参与仍是疗效的决定因素。整合临床路径kaiyun官方的尝试不断增加，但多数应用在互操作性和长远有效性上仍处于初步阶段。
目前缺乏专为AI驱动数字疗法设计的通用框架。现有的软件医疗器械(SaMD)框架、CONSORT-AI及SPIRIT-AI等标准提供了关于安全性、透明度和临床评估的基础。然而，面对生成式人工智能的算法更新及自适应计算行为，仍需开发能捕捉其多维特征的定制化评估方法。
未来AI干预的实施必须超越以技术为中心的视角。由于数字素养和基础设施的不均，AI个性化可能加剧健康不平等。同时，AI在构建真正治疗同盟方面的能力仍存疑。文化背景影响公众对AI的信任与应用模式。因此，需制定符合跨文化验证原则与责任监管机制的综合发展战略。
本综述表明AI驱动的数字疗法正进入转化成熟期，由概念验证向临床整合的自适应解决方案过渡。机器学习(ML)和生成式人工智能正在重塑数字交互模型。然而，方法学异质性、长序验证薄弱及临床工作流融合困难等挑战依然存在。为实现安全、可规模化及具临床意义的医疗影响，必须推进更严谨的循证方法评估框架(R1)、强化系统互操作性(R3)并确保模型演进过程的透明与合乎伦理(R4, R5)。
