新加坡国家级预防保健计划中基于多智能体AI的个性化健康管理方案开发：一项试点研究
为应对因人口老龄化导致的医疗资源短缺，实现从被动治疗到主动预防的医疗模式转型，研究人员在新加坡国家预防保健计划框架下，开展了基于多智能体（multi-agent）框架AI数字助手开发个性化健康管理方案的试点研究。该研究招募20位居民和7位临床医生参与测试，结果显示用户接受度良好。多数参与者认可方案的个性化程度、详细程度，并对推荐计划没有表达重大担忧。超过50%的反馈在个性化饮食、个性化锻炼及通用功能方面呈积极评价。此项工作凸显了AI驱动数字助手在支持预防保健计划中的潜力。
在全球范围内，人口结构的老龄化趋势对医疗体系构成了严峻挑战。这不仅意味着慢性病患者数量的增加，也预示着对医疗服务需求的指数级增长。传统的、以治疗反应为主的医疗模式在面对这一“银色浪潮”时显得捉襟见肘，医疗人力资源的短缺问题日益凸显。如何从“治已病”转向“治未病”，将有限的医疗资源更有效地前移到预防阶段，成为公共卫生领域亟待解决的关键问题。新加坡，作为发达经济体和面临显著人口老龄化压力的国家，其国家预防保健计划正是这一转型的典型代表。正是在这样的背景下，生成式人工智能（Generative AI）的兴起为破解这一难题提供了全新的思路。研究人员设想，能否利用人工智能代理的协同与推理能力，为每个人量身定制动态、可执行的健康管理方案，从而大规模、低成本地提供个性化预防保健指导？为了回答这个问题，一项探索性的试点研究应运而生。
这项发表在《npj Digital Medicine》的研究，其核心是构建并测试一个由多智能体（multi-agent）框架驱动的数字助手。这个AI系统的核心功能是，通过与用户交互，生成并迭代优化针对个人的健康计划。研究者们没有深入描述具体的技术架构细节，但明确其采用了基于多智能体（multi-agent）的方法。为了验证这一设想的可行性，他们设计并实施了一项试点研究。该研究招募了一个小型队列，包括20位新加坡居民和7位临床医生，共同参与对AI数字助手及其生成的个性化健康计划的测试与评估。
研究人员开展这项研究主要运用了几个关键技术方法。首先，是设计和实现了一个基于多智能体（multi-agent）框架的AI系统，该系统能根据用户输入（如健康数据、偏好、目标）生成初步的健康计划，并通过进一步的交互对话对计划进行细化和调整，即实现了“生成与迭代优化”的核心流程。其次，是严格的人体试点研究设计与执行。研究团队在特定人群（本研究为新加坡居民）中招募了包含居民和临床医生在内的双重视角用户队列，其中居民作为终端使用者，临床医生作为专业评估者。最后，是系统性的评估与数据分析方法。研究采用了定量的成功度量指标，并通过统计学方法（如计算
值）来分析用户满意度调查结果，同时也对收集到的文本反馈进行了情感分析，以综合评价用户接受度、方案的个性化程度、详细程度等多个维度。
对20位居民和7位临床医生的调查结果显示，该AI驱动的数字助手获得了积极的用户接受。两组参与者对四项成功度量指标的评分均显著高于中立满意度水平（所有
值 0.05）。这表明，无论是普通居民还是专业医护人员，都初步认可了这一工具的价值。
针对居民用户的深入分析揭示了更具体的发现。绝大多数居民高度重视健康计划的个性化属性，统计结果显示这种重视具有高度显著性（
= 0.003）。同时，居民们也欣赏方案所提供的细致程度（granularity），其
值达到0.0003，表明对这一特性的积极评价极为显著。值得注意的是，居民们对AI推荐的健康计划本身并未表达出普遍的严重担忧（
= 0.941），这在一定程度上缓解了对于AI建议安全性或可接受性的疑虑。
对收集到的用户文本反馈进行的情感分析进一步支撑了上述结论。超过50%的反馈在针对个性化饮食建议、个性化运动方案以及数字助手的通用功能（general features）方面，都表达了积极的情感。其中，对个性化运动（
）的积极情感具有统计学显著性。尽管对个性化饮食的积极情感趋势未达到常规显著性阈值（
本项试点研究成功地开发并初步验证了一个基于多智能体AI框架的数字助手，用于在新加坡国家预防保健计划中生成个性化健康管理方案。研究核心结论表明，这种AI驱动的干预方式在目标用户群体（包括居民和临床医生）中获得了良好的接受度。用户不仅认可方案的个性化和详细程度，而且对AI推荐的内容没有表现出广泛的抵触或担忧，这在推广新技术应用时是一个积极的信号。
这项研究的意义在于，它为利用前沿人工智能技术应对人口老龄化带来的预防保健挑战提供了一个可行的、以用户为中心的技术路径原型。研究表明，智能体（agent）协同的AI系统有能力处理复杂的个性化健康需求，并以一种被目标用户认可的方式输出指导。这为未来大规模、低成本部署个性化预防保健服务提供了概念验证和实践经验。尽管这仅是一项小规模的试点研究，但其结果鼓舞人心，指明了AI在赋能公共卫生、实现医疗模式从“被动治疗”转向“主动预防”这一战略转型中的巨大潜力。未来的工作需要在更大人群、更长时间跨度内进行验证，并进一步将AI建议与临床结局（clinical outcomes）相关联，以评估其长期健康影响。
