范围综述：23个数字行为改变干预用AI（人工智能）影响真实健康行为，证据积极但难证因果
一篇发表于 Mayo Clinic Proceedings: Digital Health 的范围综述梳理已投入实际使用的数字行为改变干预（DBCI），其中23个用机器学习（ML）或人工智能（AI）影响患者或消费者的真实健康行为。
作者总结现有证据总体偏积极，但存在无法判断因果、推广性低、随访时长不足等局限，并提出统一术语是当前的关键机会。
研究论文原始来源可核对
事实与证据边界
综述检索 EMBASE、PsycInfo、PsycNet、PubMed 和 Web of Science，纳入32篇文章，检索与研究工作于2023年10月9日至2024年1月20日进行。 23个DBCI使用AI（人工智能）影响真实世界健康行为，最常见领域为心脏代谢健康（n=5，21.7%）和生活方式干预（n=4，17.4%）。
使用最多的技术类型为经典机器学习算法（n=10，43.5%）、强化学习（n=8，34.8%）、自然语言理解（n=8，34.8%）和对话式AI（n=5，21.7%）。 作者指出证据普遍积极，但存在无法检测因果、推广性低、研究时长不足以理解长期结局等局限，并认为机会在于统一术语、提升对ML与AI是什么的理解。
分析判断
这篇综述的价值在于把“AI+行为干预”从概念讨论拉到已上线产品的清单层面：真正落地的多为基础机器学习与强化学习，对话式AI（人工智能）只占少数，说明当前应用更偏后端建模与个性化推送，而非以聊天为主要形态。 作者对因果与长期结局的谨慎表述，提示行业不应把短期行为改善直接表述为健康效果。 术语不统一会妨碍跨研究比较与监管评估。
后续观察信号
- 检索该综述纳入的23个DBCI具体产品名单
- 追踪作者提出的术语标准化进展
- 关注对话式AI（人工智能）在行为干预中评估方法的后续研究