众包AI再入院预测方案：医疗监管沙盒试点

medRxiv 预印本 · 2026-10-01 · 预印本

• 一句话结论：该预印本报告欧洲数字创新中心EDIH-AI4Health.Cro组织的「再入院挑战」众包活动，认为此类众包创新挑战可作为数字医疗生态建设的有效工具，产出基于真实世界证据的预测模型原型并试行EHDS二次数据使用原则。证据档位为C，属经验性提示，未报告模型性能指标。
• 研究设计与做法：研究为众包挑战/黑客松的案例描述与过程评估，材料未报告样本量、随机化、对照与随访时长。做法包括：组建临时竞争团队，围绕构建AI再入院预测模型及其可解释支持与可行商业模式展开；组织方承担数据匿名化、提供安全处理环境，并对提交方案进行综合评估；文中详述从问题提出到执行与评估的挑战结构。
• 主要结果：主要结果为多层次定性产出：（i）基于真实证据数据的定制方案，可作为后续落地实践的基准或原型；（ii）对EHDS原则的沙盒化试行，以支持二次数据使用；（iii）作为生态建设活动，形成临时协作团队与跨学科参与式学习体验。材料未报告预测模型的AUC、灵敏度、特异度或再入院发生率等数字。
• 机制或解释：作者的解释是：数字与AI技术在医疗领域采纳较慢，原因包括法规复杂、敏感医疗数据二次使用缺乏常规流程、各利益相关方教育与激励不足，导致临床工作流整合困难及干预效用评估需多学科协作；众包挑战被视为克服上述障碍的共创活动与工具。
• 局限与边界：局限与边界：材料未报告参与团队数量、数据来源机构与人群特征、单中心或多中心、随访时长、利益冲突与资助信息；作为试点性活动，其结论基于单一挑战的组织经验，材料未报告对照或量化效果评估，外部可推广性有限。
• 可否落地：可否落地：对数字医疗创新生态与监管沙盒实践，该工作提示众包挑战可作为早期原型生成与数据治理试行的路径，属「提示」档位；材料未报告模型临床效用与部署后效果，不足以支持将其作为再入院预测的临床决策工具，需后续前瞻性评估。

🔗 打开原文

Keber, M., Bagic, M., Kulikovskikh, I. 等

本文摘自《每日前沿研究简报 · 2026-10-03》「医学与健康」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。