国家AI健康战略（National AI Health Strategies）正在激增，然而开发方法论（methodology）在很大程度上仍未被记录，限制了集体学习。印度的医疗健康人工智能战略（Strategy for AI in Healthcare，SAHI）通过一个三阶段参与式过程（participatory process）制定，涵盖情境分析、跨四个地理区域的区域协商，以及涉及超过300名利益相关者的结构化综合。记录该过程架构以供其他国家审查和适应，是本文的方法论贡献。协商揭示了新兴AI健康生态系统中反复出现的五个系统级约束（system-level constraints），并推动了从规定性实施规划向赋能框架的根本性重构。出现了一个双重框架（dual framework），将技术先决条件与治理和实施条件分离，并将公平作为操作要求贯穿始终。基于权利的监管、市场主导的创新和国家中心控制主导了全球AI治理辩论。SAHI反映了第四种方法，将治理锚定在共享的数字公共基础设施（digital public infrastructure）而非仅规则之上，并为任何制定健康特定AI战略的国家提供了独特的参考点。
医疗健康领域的人工智能正从狭窄、任务特定的工具转向广泛用途的临床智能体，这一转变降低了可追溯性，使监管显著更加困难。随着这些系统嵌入诊断、融资和服务交付，其治理已成为卫生系统绩效和合法性的核心决定因素。这恰恰是部门特定战略至关重要的原因。横向的国家AI政策和医疗器械法规，针对静态产品和通用用途设计，很少解决临床护理特有的安全性、公平性、劳动力队伍和数据管理需求。专门的健康AI战略是一个国家决定AI将如何在其卫生系统内被验证、信任和问责的工具，并且它日益决定着数字化转型是缩小还是扩大健康不平等。
目前，国家AI健康战略在全球卫生系统中激增。迄今为止，已有八个国家发布了健康特定AI战略：芬兰、法国、爱尔兰、韩国、挪威、西班牙、美国和印度。然而，已发布的战略记录优先级远多于如何确定优先级。开发方法论，包括利益相关者参与方法、证据综合过程和共识机制，在很大程度上未被描述。这八个战略在构建方式上差异很大。韩国的过程主要依赖内部技术路线图；爱尔兰纳入了公民陪审团；西班牙协调了区域自治社区。这些过程差异是否影响了由此产生的治理优先级或公平承诺，尚未被记录。
缺乏记录的方法论在关键节点制约了集体学习。目前正在制定战略的国家必须在没有记录先例的情况下设计其过程。联邦卫生治理需要跨多个管辖层级协调。公私混合交付系统需要涉及具有竞争利益的多样化机构参与者。各区域数字基础设施成熟度不一，要求灵活的准备度评估。这些结构性特征在许多低收入和中等收入国家中常见，可能需要根本不同于为具有成熟数字生态系统的单一治理而隐含制定的战略中的参与方法。
参与式、以人为本的方法论提供了一条前进道路。当利益相关者协商被视为治理的核心而非程序合规时，该过程会揭示集中规划始终遗漏的实施约束，包括不均衡的制度能力、可变的数字准备度、一线工作流程挑战以及影响实际采用的公平障碍。有效的AI沟通和利益相关者参与也是建立采用所依赖的制度信任的先决条件。战略性地安排协商顺序很重要。从部际对齐开始，让技术专家参与，然后通过区域利益相关者进行基于实际的审议，可以创建增强合法性和可行性的反馈循环。
印度制定健康特定AI战略的追求既反映了积累的数字基础设施，也展示了大规模部署的实践。政策意图可追溯到2018年，当时NITI Aayog将AI、机器人和连接医疗设备确定为卫生系统转型的基础技术。2021年启动的Ayushman Bharat数字使命构建了AI部署所依赖的互操作基础设施，建立了全国唯一的数字健康标识符（Ayushman Bharat健康账户，ABHA），设施和提供者注册表，以及覆盖数亿公民的基于同意的健康记录交换。2024年3月获批的印度AI使命（IndiaAI Mission）投入大量国家投资，加速了跨部门应用。集成到国家结核病消除计划中的AI工具使不良结局下降了27%，证明大规模部署已在进行中。这些进展暴露了一个结构性缺口：国家AI投资和数字基础设施已超过了安全公平部署AI所需的治理和验证框架。SAHI是印度对这一缺口的回应。
印度在2025年8月至2026年2月期间通过一个三阶段过程开发了SAHI，结合了证据综合、多利益相关者协商和结构化共识构建。第一阶段进行了五个领域的结构化情境分析——政策与治理、数据与互操作性、劳动力队伍能力、创新生态系统和采用路径。此外，进行了两次多利益相关者专家协商以提供框架指导。战略的第一阶段为制定战略零草案奠定了基础，锚定于在医疗健康中启用AI的五个基本支柱。在第二阶段，草案战略用于通过区域利益相关者协商获取反馈，这些协商在该国不同地理区域进行。每次区域协商提供了多样化的视角，指导了战略特定部分（包括国家监管、问责框架、同意和操作设计）的强化。在第三阶段，起草团队综合了现场笔记、讨论记录和报告，对协商中获得的反馈进行三角验证，并将其纳入草案战略。可行性和一致性由多利益相关者工作组验证，并由起草委员会和最终部际协商确认。
情境分析识别了五个可能约束安全AI部署并在不解决时放大不平等的系统级约束。治理碎片化，缺乏统一的全程监管方法，且算法性能和安全性问责不明确。数据基础设施受限于有限的互操作性和标准采用不均匀，导致数据集孤立，阻碍模型开发和外部验证。劳动力队伍准备度滞后，反映在AI素养有限、课程整合极少以及变革管理所需制度能力不足。创新路径受翻译缺口约束，临床验证、采购和融资机制薄弱，阻止了从原型到常规服务的进展。采用仍以试点为主，工作流程整合有限且人群层面监测不足。
这五个约束并非印度独有。在比较分析新兴AI健康生态系统时，治理碎片化、数据基础设施薄弱、劳动力队伍滞后、创新翻译不足以及试点主导的采用持续出现。已发布的八个战略各自通过不同的方法论重点解决了这些约束；该表是说明性的，无意比较或排名国家。综合来看，已发布的战略表明协商架构和战略框架共同变化。围绕内部技术路线图组织的过程往往强调创新和竞争力，而那些纳入审慎公众参与（公民陪审团、公开公众咨询或联邦国家-区域协调）的过程更常强调信任、公平和以人为本。这些过程选择是否导致观察到的治理优先级差异，无法仅从已发布文件中确定，这加强了在战略激增时前瞻性记录开发方法论的理由。
所有三个阶段的综合确认了一个反复出现的失败模式。国家AI健康战略优先考虑应用而非可信数据交换和监测的赋能基础设施，并未充分说明大规模采用所需的治理和劳动力队伍条件。通过起草战略的过程，出现了一个双重框架，将两个维度分开：使AI系统在真实世界护理中可靠的技术先决条件，以及决定这些系统能否安全、公平和可持续部署的赋能条件。技术栈（technology stack）描述了使AI作为临床级系统（而非孤立原型）运行的分层技术条件，包括物理基础设施、健康数字公共基础设施、健康数据交换机制、模型开发和监测能力以及AI驱动的健康应用。监控指标（sentinel indicators）操作化该栈。可衡量目标包括：通过国家认可互操作标准交换核心临床数据的优先设施比例，以及部署后监测漂移和不良事件的已部署AI系统比例。
AI辅助结核病筛查说明了这些层在实践中如何运作。一个地区级筛查工具利用ABHA关联的患者身份和安全连接作为基础，标准化胸部影像记录可在设施间交换作为数据层，以及在临床部署前跨地理和人口亚组进行外部验证的模型性能。该工具的监控指标将衡量参与设施通过国家认可标准交换影像数据的比例，以及部署后监测是否捕捉到高负担和低负担地区之间的性能差异。另一方面，赋能栈（enabling stack）直接建立在SAHI所依赖的五个支柱上，形成支持AI在医疗健康中实施所需的最低行动，前提是技术栈存在。总体而言，虽然技术栈是AI应用的分层最低要求集，但赋能条件更具相互依赖性，补充技术栈。通过定义此框架，为在制定国家AI健康战略（以及可能的其他领域）时提供了模块化且可转移的指导。
该框架是可转移的，因为其模块化、基于成熟度的设计支持三种不同应用：约束性约束的诊断评估、基础投资排序以及异构环境中的治理问责。对于中等收入国家，该框架使基础设施投资在制度能力和数字准备度发展不均时变得清晰，解决了当前战略指导中的盲点。
印度的方法不仅因其构建方式而重要，也因其嵌入的内容。全球AI治理辩论由三种范式主导：欧盟的基于权利监管、美国的市场主导创新和中国的国家中心控制。SAHI反映了独特的第四种方法，其中治理主要通过共享数字公共基础设施的公共监管来实现——开放互操作标准、公共提供的数据和计算资源以及基于同意的交换——而非仅通过规则和执行。透明度、问责和公平被构建到AI部署的轨道上，降低了可信创新的障碍，同时保留了公共监督。对于寻求将AI与全民健康覆盖对齐的国家，这种基础设施锚定模型是印度方法论中最广泛相关的特征：它展示了战略如何将治理编码到系统设计中，而非作为下游法规附加。
印度过程的三项方法论见解具有更广泛的关联性。首先，治理模式应与卫生系统结构匹配。联邦系统受益于分布式区域协商，而集中式系统可能优先考虑部际协调。其次，协商顺序影响战略质量。从部际对齐开始，然后进行技术审议，再基于区域进行实际考虑，能揭示国家政策叙事中常被掩盖的实际约束，包括可变的国家能力、不均衡的数字准备度和一线工作流程现实。第三，战略框架本身就是一个治理决策。安全优先方法能建立制度信任但可能减缓部署。创新优先方法加速采用但需要从一开始就嵌入更强有力的保障措施。
这些教训不仅限于低收入和中等收入环境。高收入系统也面临碎片化记录、专有平台和供应商锁定削弱公共监督的问题，仅靠法规已被证明不足以解决这些结构性依赖。基础设施锚定方法涉及平台权力和数字主权，与资源约束一样重要，这就是为什么为印度联邦混合交付系统开发的方法论具有远超其设计背景的关联性。
SAHI过程的一个关键见解值得特别关注。战略架构本身通过协商演变而来。初始草案指定了详细的交付成果和问责框架。区域协商揭示，规定性做法会限制适应性。向赋能框架的重构不是稀释，而是反映联邦混合交付系统中适应性要求的刻意治理选择。国家战略的形式（而不仅是内容）是一个重要的设计决策，具有治理含义。
正在制定战略的国家应将利益相关者代表视为刻意的治理决策，使用按地理、干部和部门的结构化招募，确保一线工作者、地区级实施者和面临持续获取障碍的社区在场，而非附加。公平需要从一开始就通过按地理和人口组分解的性能监测、多语言环境下的语言公平要求以及次国家级准备度评估分层来操作化。双重框架中的监控指标为可跟踪的实施指标提供了现成的起点。同时发布战略的国家应将其过程视为自然比较实验，前瞻性记录协商模式和治理选择，以建立该领域的证据基础。
若干局限性值得承认。协商过程存在过度代表城市和具有技术背景参与者的风险。参与者通过有目的抽样选择，涵盖来自四个地理区域的临床医生、一线工作者、政策制定者、学术界和行业团体。通过现有数字健康网络招募可能引入了对更具技术知识视角的参与偏差。未来迭代应优先考虑一线卫生工作者、地区实施者和面临持续获取障碍的社区。协商出席记录未按性别系统分解，因此无法评估这些变量对所呈现视角的影响；未来协商轮次将按照SAGER指南捕获并报告按性别分解的参与情况。SAHI于2026年2月发布，实施数据尚不可用。持续影响取决于资金连续性和机构监测能力。随着生成式AI加速发展，治理必须超越模型性能，解决内容可靠性和人机交互问责问题。
很少有国家发布了健康特定AI战略，每个记录的过程通过展示优先级如何确定（而不仅是优先考虑了什么）为该领域做出贡献。对于研究人员，这一新兴的已记录战略群体创造了自然比较问题：哪些协商模式提高了优先级确定质量？哪些治理框架预测了实施忠诚度？发布战略的国家可以开始前瞻性追踪这些关系。对于政策制定者，信息是直接的。过程与内容同样重要，记录过程是对仍在建设证据基础的领域的贡献。Pg电子