用更聪明的AI帮老百姓更快买到救命药

本文针对低收入和中等收入国家医疗系统面临的核心难题——如何在资源极度有限的情况下，公平且高效地分配基本药品——提出了一种创新的“决策感知型”机器学习框架。传统数据驱动方法常因高质量数据匮乏而难以应用，本研究通过多任务学习提升小样本下的模型效率，并引入‘催化先验’（catalytic priors）机制，主动保障偏远或弱势地区获得足量药品，从而推动分配公平。研究团队与塞拉利昂国家政府合作，在全国范围内分阶段部署该系统作为基层卫生决策支持工具。基于严谨的计量经济学评估发现：实施该系统的地区，所分配药品的实际使用量平均提高19%，显著改善了基本药品可及性。此后，该工具已扩展至全国，覆盖约200万名妇女及5岁以下儿童。整个方案成本极低，却大幅提升了全球卫生资源受限环境下的运行效率，为人工智能赋能基层公共卫生提供了可复制、可推广的实践范例。