健康是“涌现”，不是“叠加”中国科学报

近日，由北京大学牵头，联合华中科技大学、上海交通大学医学院、北京大学第三医院共同提出"健康要素"框架。它既不是对既有健康决定因素模型的替代，也不是对数据驱动方法的盲从，而是在数字化与AI深度嵌入健康系统的时代，为医学研究提供了一种整合性、过程取向、伦理嵌入的科学架构，标志着中国学者在健康研究范式创新层面提出具有国际原创性的理论贡献。相关研究成果发表于Health Data Science。

斯坦福大学医学院流行病学与人群健康系教授Michelle A. Williams 同期撰写专题述评。她认为该框架在社会决定因素传统之上做出了两个关键拓展：一是将技术要素作为结构上独立的领域而非中性工具加以处理；二是将核心研究问题从"哪些因素重要"转向"这些因素如何相互作用、在何种条件下、跨越何种时间尺度"。

Williams认为，该框架为理解数字化转型时代的健康产生机制，提供了一种兼具理论穿透力与方法学严谨性的整合性思考路径。

据悉，北京大学教授张路霞、华中科技大学教授周迎、上海交通大学医学院研究员李岩及北京大学第三医院教授董尔丹为论文共同通讯作者，北京大学助理教授李鹏飞为论文第一作者。

从"健康决定因素"到"健康要素"

健康从来不是单一因素的产物。世界卫生组织早在七十余年前便提出，健康是生理、心理与社会层面完整幸福状态的统一。

然而，随着人口老龄化、慢性非传染性疾病负担激增、气候与环境压力加剧、全球流动性增加，以及社会与健康不平等长期存在，传统以"单一危险因素"或"下游临床事件"为核心的研究范式，已难以充分刻画当代健康问题的复杂性。

“更为深刻的变化来自数字化转型本身。”张路霞表示，算法系统正在重塑健康行为与信念，数字平台日益成为医疗服务的中介，可穿戴设备与环境传感器持续产生海量健康相关数据。人工智能与数据科学的跨越式发展，使得跨电子病历、多组学、可穿戴、环境监测与行政数据的整合分析成为可能，也对既有概念框架提出了新的挑战。

基于此背景，研究团队提出了"健康要素"（Health Elements）这一理论框架。

健康并非各类因素简单相加

"健康要素"框架的核心命题在于：健康并非各类决定因素的简单线性加总，而是一种"涌现性"（emergence）属性——它源于生物、行为、社会、环境与技术五大领域之间动态、非线性、具有反馈结构的相互作用。

张路霞表示，这一框架与既有的"健康社会决定因素"（SDH）模型有传承，也有重要拓展。SDH框架在确立非医学因素对人群健康的根本性作用方面具有里程碑意义，但其形成于低频数据采集、跨领域链接有限、数字化程度较低的时代，倾向于将各类决定因素视为相对静态的背景条件。

而"健康要素"框架则从过程取向出发，系统追问：多个要素如何相互作用？在何种条件下相互作用？跨越何种时间尺度相互作用？

更具突破性的是，该框架首次将"技术要素"作为与生物、行为、社会、环境并列的一级独立领域纳入理论架构。

研究团队论证指出，技术要素在当代健康体系中具有三重独特性：其一，引入了前数字时代框架中没有功能类比的全新作用机制——如算法决策、平台中介的行为环境、AI辅助诊断、实时数据反馈回路；其二，具有独特的跨领域调节能力——技术不仅是新增的暴露因素，更主动重塑生物、行为、社会与环境要素的运行方式与规模；其三，在现代健康系统中扮演双重角色——技术既是健康结果的决定因素，又是测量、解释与回应其他决定因素的基础设施本身。

同时，研究团队特别强调，技术要素并不等同于先进数字基础设施。在中低收入国家与资源受限地区，技术领域可能更多地由"匮乏"或"不足"所定义——监测能力薄弱、健康记录互不互通、数字健康素养低下，这些本身即是塑造健康结果的技术环境特征。

为说明框架的实际应用价值，研究团队以慢性肾脏病（CKD）为典型案例。来自中国肾脏疾病数据网络（CK-NET）的研究证据显示，2011年以来糖尿病已超越肾小球疾病成为我国CKD的首要病因。这一转变无法仅以生物学因素解释——它折射出快速城镇化（社会）、生活方式转型（行为）、糖尿病与高血压流行（生物）、长期PM2.5暴露与热应激（环境），以及大规模电子病历网络等多领域要素的共同演化。

此外，在数字基础设施相对不足的中美洲、南亚等地区出现的不明病因慢性肾脏病（CKDu），则展示了另一种"涌现"形态：遗传易感性、职业性高温暴露、脱水、农药与水源污染、行为适应性反应彼此交织，构成单一领域模型无法解释的疾病群。

系统科学与因果推断的融合

为了推动"健康要素"框架从概念走向可操作的科学研究，研究论文系统阐述了其方法学原则。首先，分析范围需要明确界定——不必试图同时纳入所有要素，而应根据具体研究问题，模块化地选择最相关的要素子集，以避免概念稀释与方法学失稳。其次，跨领域测量存在显著的不均衡性：生物与行为数据往往高频、精细，而社会、环境与技术要素则多依赖问卷、行政记录或地理空间数据等代理指标。

研究团队特别提醒，高频数据不应天然主导推断——分辨率更高并不等于因果上更重要，需要引入敏感性分析、领域加权策略与不确定性量化加以平衡。

在方法选择上，论文强调"互动"的本质不同于传统统计学意义上的交互项，而是涉及反馈回路、非线性与跨时间尺度的结构性依赖。

为此，研究团队主张引入系统动力学模型、基于个体的仿真模型（Agent-based modeling）与网络分析方法，刻画跨领域的反馈结构与涌现性，并将其与因果推断框架（如目标试验仿真、因果图、反事实推理等）有机结合。

研究团队强调，仅有预测能力是不够的——AI方法须与因果推断框架结合，方能区分结构性反馈与单纯相关，并支持可干预的临床与政策决策。

此外，论文还强调时间动力学的显式处理：生物、行为、社会与环境要素分别运行于不同的时间尺度——从小时、天，到月、年，乃至全生命周期。研究需要采用多分辨率时间序列建模、滞后效应分析与生命历程方法，方能刻画"慢变量塑造快变量脆弱性"的跨时间互动机制。

研究团队还指出了经验性边界设定的重要性：整合方法必须经过与简化模型的实证对比，证明其在预测、解释或公平性上确有增益，方能避免方法学膨胀，使"健康要素"始终作为一种有学术纪律的研究框架而非无所不包的概念外壳。

从框架走向证据

需要提醒的是，伦理、健康公平与治理问题并非"健康要素"框架的外围议题，而是其科学与社会合法性的内在构成。数字鸿沟可能导致弱势群体在行为与技术要素维度被系统性低估；算法偏差可能在多领域整合模型中以更隐蔽的方式放大结构性不平等；多模态数据链接也带来了再识别与滥用的新型风险。

为此，研究者呼吁建立参与式、包容性的治理机制，将患者、社区与利益相关方的声音纳入数据使用与AI部署决策，避免技术创新沦为"技术官僚式的优化工具。

谈到未来研究规划，研究人员表示，将围绕大规模数字队列研究、跨领域整合模型的实证检验、以及AI与因果推断方法的融合，持续推动"健康要素"框架从概念走向证据，从证据走向干预与政策。