综述提出AI（人工智能）移动医疗四域框架，主张部署前须做亚组公平审计
一篇发表于《Frontiers in Digital Health》（Frontiers 出版的数字健康期刊）的叙述性综述，把人工智能（AI）移动医疗拆为感知、推断、干预、治理四域，指出上游缺陷会自动传导至下游，而纠偏需主动的制度设计。
作者提出从技术就绪到规模化问责的四阶段路线，并把亚组公平审计列为部署条件。 本文仅为摘要，应视为框架性主张而非效果验证。
研究原始来源可核对
事实与证据边界
该综述检索 PubMed/MEDLINE 与 Web of Science 核心合集 2015 年 10 月至 2026 年 9 月的文献，按感知、推断、干预、治理四域评估证据。 摘要称，腕戴式光电容积脉搏波（PPG）在静息状态下未显示与肤色相关的稳定误差，但在较高运动强度下，深肤色人群误差超过浅肤色人群四倍以上；
推断模型改善了风险分层，但缺乏支撑临床问责所需可解释性，设备端模型压缩对不同亚组的性能下降并不均衡； 即时自适应干预改善了近期反应，但效果持久性在不同微随机试验间存在差异，远程心衰管理尚未显示出一致的再入院影响。 算法偏见、数字鸿沟、数据治理与网络安全不足、人工监督有限、监管滞后被描述为相互强化的风险系统。
作者提出四阶段路线，并将亚组公平审计列为部署条件。
分析判断
该文的价值不在单一指标，而在把总体准确率与特定亚组可靠性区分开：设备端压缩、肤色差异与可解释性不足，都可能让最需要干预的人群先受损。 把公平审计写成部署前置条件，意味着评测口径需从平均值转向亚组分层报告。 需注意这是摘要级证据，路线图为作者主张，未经实施验证。
后续观察信号
- 检索该综述全文以核对各域证据强度
- 查找关于PPG（光电容积脉搏波）肤色误差的原始对照研究
- 了解亚组公平审计在监管中的现有实践