[1]李颖婷,夏苏迪,张心雨,等.省级层面医疗人工智能政策量化评价与优化建议[J].卫生经济研究,2026,43(08):11-16.
　LI Yingting,XIA Sudi,ZHANG Xinyu,et al.Quantitative Evaluation and Optimization Suggestions for Provincial-Level Medical Artificial Intelligence Policies[J].Journal Press of Health Economics Research,2026,43(08):11-16.
点击复制

省级层面医疗人工智能政策量化评价与优化建议

卫生经济研究[ISSN:1004-7778/CN:33-1056/F]

卷:
43
期数:
2026年08期
页码:
11-16
栏目:
数智健康
出版日期:
2026-07-30

文章信息/Info

Title:
Quantitative Evaluation and Optimization Suggestions for Provincial-Level Medical Artificial Intelligence Policies
作者:
李颖婷1; 夏苏迪1; 张心雨1; 谢 靖1
1.南京中医药大学卫生经济管理学院，江苏 南京 210046
Author(s):
LI Yingting;  XIA Sudi;  ZHANG Xinyu;  XIE Jing
School of Health Economics and Management, Nanjing University of Chinese Medicine, Nanjing Jiangsu 210046, China
关键词:
医疗人工智能; 政策量化评价; 主题挖掘; PMC指数模型
Keywords:
medical artificial intelligence;  policy quantitative evaluation;  topic mining;  PMC index model
分类号:
R19
文献标志码:
A
摘要:
目的：对省级层面的医疗人工智能政策进行量化评价，为政策优化提供参考。方法：收集2016—2025年省级层面的医疗人工智能政策文件，通过BERTopic主题挖掘与PMC指数模型，对政策进行量化分析。结果：医疗人工智能政策的核心主题集中在数据治理、产业发展和临床应用等方面，对公共卫生、科研支撑、监管制度的关注不足；12份典型政策的PMC指数得分为6.54，整体表现良好，但在时效安排、监管体系、激励措施等方面存在不足。结论：省级层面的医疗人工智能政策经历了由起步探索到体系化推进的过程；未来应优化政策主题布局、完善政策实效安排、健全政策监管体系、丰富政策激励措施、强化政策地域借鉴，推动医疗人工智能高质量发展。
Abstract:
Objective To quantitatively evaluate provincial-level medical artificial intelligence(AI) policies and provide references for policy optimization. Methods Policy documents on medical AI at the provincial level from 2016 to 2025 were collected. The BERTopic model was used for topic clustering, and the PMC index model was applied for quantitative policy analysis. Results The core themes of medical AI policies were found to be concentrated in data governance, industrial development, and clinical applications, while insufficient attention was paid to public health, research support, and regulatory systems. The average PMC index score of 12 representative policies was 6.54, indicating overall good performance, but deficiencies were observed in timeliness arrangements, regulatory systems, and incentive measures. Conclusion Provincial-level medical AI policies have evolved from initial exploration to systematic advancement. Future efforts should optimize policy theme layout, improve policy timeliness arrangements, establish a sound policy regulatory system, enrich policy incentive measures, and strengthen regional policy referencing to promote high-quality development of medical AI.

参考文献/References:

[1] 王义博，缪露.人工智能在医学实践中的伦理问题及应对策略[J].卫生法学，2025，33（05）：137-145.
[2] 杜方华，崔世君.我国医疗人工智能风险分级制度研究——以欧盟《人工智能法案》为借鉴[J].卫生经济研究，2025，42（09）：24-28.
[3] 李国瑜，姚强，刘小君，等.我国“互联网+”医疗服务医保支付政策研究[J].卫生经济研究，2023，40（05）：43-46.
[4] 李妍君，魏来，周丽.我国智慧医疗政策文本量化分析[J].卫生经济研究，2025，42（07）：68-71.
[5] 吕倩鹏，刘智勇.基于PMC指数模型的我国数字健康政策量化评价[J].中国卫生政策研究，2024，17（10）：59-67.
[6] 夏苏迪，谢靖，是沁，等.基于BERTopic模型的我国中医药老年康养政策量化研究[J].医学信息学杂志，2025，46（06）：43-49.
[7] Ruiz Estrada M A. Policy modeling: Definition, classification and evaluation[J]. Journal of Policy Modeling, 2011, 33(04): 523-536.
[8] 张永安，耿喆.我国区域科技创新政策的量化评价——基于PMC指数模型[J].科技管理研究，2015，35（14）：26-31.
[9] 田秀杰，张佳琦，鹿传磊.“振兴东北”目标下健康产业政策制定效能评价[J].卫生经济研究，2022，39（07）：5-9，14.
[10] 吴建，左一博，蒋帅，等.基于PMC指数模型的临床专科建设政策质量评价研究[J].中国卫生政策研究，2023，16（12）：17-25.
[11] 李敏，王鹤霖，武兴毅，等.基于BERTopic与PMC模型的智慧城市公共文化服务政策量化分析评价[J].图书馆学研究，2025（07）：26-38.
[12] 宋冠澎，王启帆.医疗人工智能算法决策的伦理风险及规制策略[J].中国医学伦理学，2024，37（09）：1080-1086.
[13] 袁方，夏宇轩，周香琴，等.人工智能在医院医疗风险管理中的应用研究[J].卫生经济研究，2024，41（08）：79-82，86.
[14] 王海旭，陈艳萍，赵凯.中国人工智能医疗产业发展的现状及国际经验借鉴[J].卫生经济研究，2020，37（09）：9-11，15.

相似文献/References:

[1]许 洛,赵 锐,王晓君.医疗人工智能技术的付费机制探析[J].卫生经济研究,2025,42(07):76.
　XU Luo,ZHAO Rui,WANG Xiaojun.Study on Payment Mechanism of Artificial Intelligence Technology in Healthcare Service Scenarios[J].Journal Press of Health Economics Research,2025,42(08):76.
[2]许 洛,王晓君.医疗人工智能应用：分类逻辑及风险治理[J].卫生经济研究,2026,43(01):81.
　XU Luo,WANG Xiaojun.Healthcare Artificial Intelligence Applications: Classification Logic and Risk Governance[J].Journal Press of Health Economics Research,2026,43(08):81.

更新日期/Last Update: 2026-07-30