工业4.0已将制造业转变为一种新的范式。与制造业类似，医疗保健服务正处于向智能互联医疗新时代转型的开端，这一新阶段被称为医疗4.0。本文讨论了医疗1.0到4.0的历史演进，描述了医疗4.0中智能互联医疗的特征，从数据、模型、动态性及集成等方面识别了医疗4.0面临的多项研究挑战与机遇，并概述了人员、流程、系统以及健康结果方面的影响。最后，提出了以下四个方面的结论与建议：（1）多学科和多元视角的参与；（2）结合定量与定性方法的技术与方法论发展；（3）社会技术系统的闭环集成；（4）以个人为中心的系统设计，特别关注人类需求与健康公平。
关键词
：医疗4.0；工业4.0；智能互联医疗
在全球范围内，随着医疗设备、临床进展、数据分析和信息技术的快速发展，人们对于采用工程学方法来改善医疗保健服务的兴趣日益增长。数字健康技术（例如电子健康记录、健康监测和可穿戴设备）的最新突破不仅能够彻底改革护理流程，并提升医疗保健成果，如护理质量和患者安全，而且还能产生重大的社会经济影响，因为美国将近20%的GDP用于医疗支出。这些技术发展带来了众多创新机遇，同时也给医疗服务提供带来了巨大挑战，使我们有机会超越传统医疗工程的范畴，例如流程改进和技术实施。人们越来越认识到，信息技术、系统工程工具和组织创新在应对全球医疗保健系统面临的相互关联的质量和生产力危机中发挥着关键作用（Kaplan 等，2013； Cassel & Saunders，2014；Reid 等，2005）。这些技术和工具可支持医疗保健系统实现四重目标，即改善患者体验、人群健康、成本控制和临床医生满意度（Sikka 等， 2015）。医疗系统工程（HSE）领域在应对这些挑战方面具有至关重要的作用。
工业4.0已将制造业转变为一种新范式（Lasi 等， 2014；Rubmann 等，2015；Liao 等，2017）—智能化、网络化和可持续的制造时代，并在生产率、质量及客户满意度方面实现了显著改善过程、产品和服务。这种革命性变革不仅对制造业，而且对我们社会的各个方面（包括医疗保健）都将产生重大影响，而医疗保健已经开始接纳这些技术创新。与制造业类似，医疗服务正处于范式转变的黎明阶段，即将迈入一个新时代，即医疗4.0。各种诊断和治疗选择正在持续且呈指数级地被引入，大量数据被生成和报告，众多有线和无线设备、传感器及设备已被安装于医院、诊所、家庭、药店以及许多其他护理环境中。此外，计算能力已实现革命性提升，新型机器学习、统计学和人工智能（AI）算法日益普及，新的复杂建模与优化技术已被开发，认知影响正受到越来越多的关注，人因工程方法也被整合到技术创新的设计中。这些创新将显著扩展医疗服务的社会和技术能力，如果设计得当、实施良好并得到有效使用，有望提升护理质量、患者体验和结果、人群健康以及临床医生满意度；从而为社区和社会整体带来显著效益。
尽管我们在智能互联医疗方面已取得进展，但要实现医疗4.0，仍需更多的研究创新、传播和影响。本文的目的是探讨向医疗保健4.0的转型，识别其要素，并提出医疗4.0研究的机遇与挑战。
本文的其余部分结构如下：第2节和第3节分别介绍工业1.0到4.0以及医疗1.0到4.0的历史与演变。第4节阐述医疗4.0的要素，第5节总结研究面临的挑战和意义。最后，第6节提出结论。
工业1.0代表了始于十八世纪并持续到十九世纪中后期的第一次工业革命。随着蒸汽机、缝纫机、钢铁制造和铁路等新兴技术的出现，机械化革命推动了社会从农业向工业化转型。
从十九世纪末到二十世纪初，第二次工业革命（即所谓的工业2.0）由于电力的广泛应用，带来了从个体或小规模制造向大规模批量生产的范式转变。亨利·福特的装配线实现了众多操作和机器的系统化分配与高效连接，彻底改变了制造业过程。
在二十世纪的最后几十年里，电子技术、计算机和机器人技术的快速发展推动了自动化系统的广泛应用，其特点是制造业和商业过程的数字化与网络化。计算机集成和柔性制造系统、制造执行系统以及物料资源计划和企业资源计划被广泛采用，标志着第三次工业革命，即工业3.0的到来，同时也开启了第四次革命的序幕。
步入二十一世纪，工业4.0代表了第四次工业革命，旨在将信息物理系统与信息、过程、设备和运行技术相集成。物联网（IoT）及相关服务广泛分布，并与大数据分析和人工智能技术结合使用。通过基于互联网和云的诊断、运行、控制和维护设施、产品及业务流程，我们可以实现供应、制造业和服务之间智能、可持续且具有成本效益的连接（即集成）。
工业1.0到4.0的历史演变如图1所示。
通过观察从工业1.0到工业4.0的演变（见图2），我们发现最初的制造设备和技术较为简单，随后逐步升级为更复杂和智能的过程与技术。我们最初仅有一组单台且小型的机器和设备，之后扩展到多台机器、单元和组群，如今已发展为大规模的制造网络。起初只有一个制造设施；随后，我们扩展到多条生产线、车间、工厂，最终扩展到企业乃至更广范围，将制造商与供应商、服务提供商和客户整合成一个制造业社区。制造业中所使用的数据也从小规模数据集发展到大数据，再到具有不同体量、多样性和变化性的巨量数据集。在从工业1.0到工业4.0的这一演进过程中，越来越多的自动化组件被引入，而对工人/操作员的参与需求则逐渐减少。
医疗保健系统与制造系统有许多共同特征（Zhong等， 2017）。与制造业或其他工业领域类似，医疗服务提供经历了漫长的演变和革命历程。借鉴我们对工业1.0到4.0演进过程的理解（见上文），我们描述了类似的多个阶段，以表示从医疗1.0到医疗4.0的演进。
医疗1.0指的是基本的医患接触。在这种接触中，患者前往诊所并会见医生及医疗团队的其他成员。通过会诊、检测和诊断，临床医生（或医疗团队）为患者提供治疗疾病的药物处方、治疗计划以及随访计划（例如安排实验室检测或影像检查、转诊至专科医生）。这种模型已在医疗保健实践中沿用了数百年。
随着医疗、生命科学和生物技术的重大发展，大量的新医疗设备和设备被发明、开发和测试，并越来越多地应用于医疗服务提供中。例如，影像检查设备（如磁共振成像、超声、CT扫描）、监测设备（如脉搏血氧仪、动脉导管）以及手术和生命支持设备（如达芬奇机器人，胸腔引流管）正越来越多地用于医院和其他护理环境中，以支持诊断、治疗和监测。我们将这一发展称为医疗2.0。
上个十年以来，随着信息系统的不断发展，电子健康或病历记录（EHR或EMR）已在医疗保健组织的各个部门和科室中实施，用于管理患者护理；这些医疗信息技术对临床和运营流程产生了重大影响。许多活动在EHR中被带时间戳地记录下来，大量手动流程已实现计算机化（例如CPOE或计算机化医嘱录入）和数字化（例如电子访视后摘要（AVS））。此外，借助现有的计算机网络，远程护理和远程医疗已成为可能，电子诊疗（例如通过患者门户进行的患者与其医生之间的沟通）正开始取代部分面对面诊疗。当前的COVID‐19大流行进一步增加了对远程医疗和虚拟诊疗的需求。所有这些因素共同推动了医疗保健服务提供领域的多种革命性变革。我们将这一变革归类为医疗3.0。
第四次医疗革命正伴随着工业4.0同步兴起。在这一背景下，医疗保健服务过程演变为由物联网、射频识别（RFID）、可穿戴设备以及各类医疗设备、智能传感器、医疗机器人等装备而成的信息物理系统，并与云计算、大数据分析、人工智能和决策支持技术相集成，以实现智能化和互联的医疗服务。在这样的系统中，不仅医疗保健组织和机构（如医院、诊所和长期护理机构）相互连接，所有设备和装置以及患者的家庭和社区也均被连接在一起。患者相关信息（如用药史、诊断记录、实验室结果、治疗方案、药品续配、账单和保险理赔）可通过适当的协议实现共享。此外，通过人工智能技术，我们可以预见主动治疗、疾病预测与预防、个性化医疗以及增强的以患者为中心的护理。因此，一种普适性、智能化的互联医疗保健社区应运而生，从而形成了医疗4.0范式。从医疗1.0到4.0的转变如图3所示。
通过研究从医疗1.0到医疗4.0的演变过程（见图4），我们观察到，医疗保健服务已从简单的药物治疗发展为更复杂和智能的疾病治疗。患者护理最初主要通过患者与单一临床医生之间的互动来实现，随后扩展到包括多位临床医生、团队和社区。起初，患者护理集中于一个机构或学科，而后扩展至多个学科、部门和组织。如今，患者护理涉及大型人员和组织网络与社区。在医疗转型初期仅使用少量数据，而如今医疗4.0中已拥有大规模和巨量数据流，其在维度、质量、格式和特征方面具有显著差异。与工业4.0的演进类似，医疗4.0也包含日益增加的自动化。工业4.0与医疗4.0之间最显著且关键的区别在于人员参与。在医疗4.0中，患者（和照护者）以及临床医生越来越多地参与其中，并共同承担监测自身健康、报告症状以及在治疗和护理计划中进行共同决策的责任。随着他们发挥越来越重要的作用，患者（和照护者）以及临床医生将成为医疗4.0的核心。
医疗4.0有两个主要要素：
1. 智能化
即利用人工智能技术改进患者、临床医生及其他利益相关方之间的诊断、治疗、协调和沟通，实现个性化和以患者为中心的智能医疗保健管理，包括以下方面：
a. 分层与分类
为了实现个体化或个性化护理，需要进一步了解患者的需求和特征，以便将患者分层到不同的类别中（例如，用于中风、癌症和谵妄的风险分层工具（心房颤动卒中风险工作组，2008；罗德里格斯等人，2012；纽曼等人，2015））。利用分层与分类工具，可以识别出与特定疾病相关的重要因素。我们不仅可以研究这种关联性，还能进一步发现患者因素与特定疾病之间的因果关系，从而帮助临床医生制定针对这些因素的患者特异性干预计划。这可以为开发满足特定个体患者需求的诊断和治疗临床决策支持提供基础。
b. 预测分析
对于每位患者，基于分层与分类，可对其疾病发展和结果进行准确预测，以提供帮助诊断和预后（例如，预测住院再入院、心血管疾病以及COVID‐19感染诊断（Kansagara等，2011； Damen等，2016；Wynants等，2020））。此类模型不仅应提供预测的风险值，还应对显著影响预测的因素进行排序和解释。可以进一步研究相关因素的排序重要性以及因果因素的潜在影响，从而为医疗决策提供推荐意见和指导建议。
c. 预防性和主动性医疗护理
预测分析的输出结果可用于制定预防性和主动性治疗计划（Vlaeyen 等，2017； Struckmann 等，2018；Hendry 等，2019）。除了预防或延缓疾病发展外，我们还能更好地解决如何防止用药错误并提高患者安全（Wetterneck 等，2011； Carayon 等，2015）。对影响患者预后和治疗反应的关键因素进行研究，可为制定治疗计划提供建议。
d. 监测、干预与最佳治疗
为了改善患者结果，需要对生命体征及其他患者特定的关键因素进行密切监测（例如Zois，2016；Shah 等，2016；Correll 等，2018），并且需要对患者状态进行持续分析和预测，以动态更新护理干预措施和治疗方案，并支持针对每位患者的最优医疗决策。无线传感器、可穿戴设备、边缘计算以及患者门户为自我监测或远程监测提供了可能。高级数据分析和优化模型有助于制定合适的个体化干预和治疗方案。
e. 闭环
医疗4.0中的所有要素都在一个闭环中动态连接。换句话说，药物治疗和治疗决策的结果需要反馈到预测分析模型中，以及时动态更新预测结果、关键因素以及治疗和干预计划。
自然语言处理、深度学习和统计推断、虚拟现实和增强现实、建模和优化技术在构建智能医疗系统中发挥着关键作用。与工业4.0类似，信息物理系统中的物联网、射频识别、可穿戴设备、机器人技术和区块链技术建立了数据收集、监测、分析、干预和反馈的机制。将这些技术与个性化医疗相结合，有助于实施基于基因的诊断和治疗方法，并提高患者治疗的有效性。
智能医疗保健的一个示例性说明如图5所示，其中个性化医疗针对不同的患者群体，并将结果反馈回去以迭代地重新评估和设计智能护理。
2. 互联互通
即通过连接以下系统要素，整合医疗保健的各个方面，构建高效的信息网络：
a. 患者、照护者和其他医疗团队成员之间的互动
患者与医疗团队之间的沟通对于医疗质量和患者安全至关重要（Rodin 等，2009；Thompson & McCabe，2012；Kelley 等，2014）。不仅应向患者传达诊断结果、治疗方案和临床结果，还应让患者及其照护者参与治疗和护理过程成为常态。因此，患者将能够更好地了解实施其治疗计划所需的内容，并更积极地参与治疗过程。当患者患有慢性病和复杂疾病时，这种参与尤为重要。合理开发、实施和使用信息技术、患者门户、电话通话、视频会议和应用程序等，有助于促进患者（及护理人员）的沟通与参与，尤其是在大流行期间或远程环境中。
b. 专业护理团队内部的沟通
所有参与患者护理的卫生专业人员应进行高效且有效的沟通与协调（Hewett 等， 2009；Wu 等，2012；Nguyen 等，2015）。碎片化护理会延迟护理的提供，并导致大量浪费和患者伤害。先进的信息技术以及新设备或设备有望促进团队沟通和护理协调。特别是，协调式患者中心可通过支持医疗团队所有成员之间的信息共享和沟通，有助于实现有效且高效的协调。这将在很大程度上支持医疗团队内的共享心智模型和意识，这对患者护理的质量和安全至关重要（Schultz 等， 2007）。
c. 设备与设备
复杂智能设备的广泛应用以及众多可穿戴设备、传感器、物联网和各种连接功能（例如 Scanaill 等，2006；Patel 等，2012；Vegesna 等，2017）有助于持续且全面地收集患者护理相关信息，无论护理地点如何。云计算和边缘计算功能使这些设备能够本地和全球范围内提供额外的分析、诊断和预测能力。
d. 机构与社区
所有医疗保健机构和社区利益相关方，包括个体执业者、小型团体诊所、诊所、医院、药店、社区健康中心、长期护理机构、个人、区域及公共卫生系统，以及广大社区，都将实现互联。护理质量改进需要广泛的协作。在所有这些医疗机构与更广泛的社区之间。每个实体可获取的信息需要通过适当的协议和过程，供其他实体访问。
e. 保险、账单和成本
利用先进的医疗信息技术和管理工具，可以更好地协调报销实践、监管框架和预期结果，以消除障碍并降低成本。通过保险选择和覆盖范围的连接，简化编码、账单和报销流程，并结合计费系统中医疗信息技术的进步，具有重要意义。
f. 跨越时间和空间的护理过渡
护理过渡存在于患者’一生的不同阶段，例如儿科、成人和老年护理，或跨越不同空间，例如门诊、住院、家庭或长期护理。每个护理阶段或场所都有其独特的特征以及普遍性特点。除了应对各个阶段或场所内的特定问题外，我们还需密切关注各护理阶段和场所之间的过渡（Naylor 和 Keating 2008；Peter 等，2009；Gabriel 等，2017）。特别是在信息传递和一致性、患者安全、慢性病管理以及护理连续性方面的问题，在医疗4.0中具有重要意义，亟需解决。
g. 闭环
同样，所有连接的实体都通过多个相互交织的闭环实现动态连接。在患者旅程中，可将群体、群体和个体层面的信息与所有其他系统元素进行整合并有效对齐。我们不仅需要在各个层面实现信息连接，还需要在整个患者旅程的各个阶段实现信息的集成。利益相关方之间的安全且经授权的信息共享可带来医疗保健服务的显著改善。利益相关方之间的信息流贯穿于患者旅程，即“患者与多个护理环境在时间上的时空分布互动”（Carayon & Wooldridge，2020）。在患者旅程中，患者可能会访问多个健康护理机构，包括初级保健诊所、专科医生、医院、急诊室、康复机构和长期护理（Carayon 等，2020）。医疗4.0旨在开发支持患者旅程中各利益相关方之间信息流和协调的技术。图6 提供了这种互联医疗的一个示例，其中患者是整个网络的中心。
总之，智能互联的医疗保健系统代表了医疗4.0中未来医疗保健服务的新范式。实现医疗4.0需要多个研究领域和学科的协同，包括信息物理系统、信息技术、人工智能、机器人技术、计算、安全、建模与优化，以及健康科学（如医学、护理学、药学）、医疗信息学、生物信息学和人因工程与系统工程。此外，在复杂的社会技术系统中，人（患者、照护者、临床医生）与机器（设备、技术）之间的相互作用也极为重要。患者应成为智能互联医疗保健系统的中心，并由所有其他系统元素、交互和活动提供支持。
要实现医疗4.0所描绘的智能互联医疗保健愿景，我们需要应对哪些挑战？从技术发展的角度来看，存在诸多挑战：
5.1. 数据
系统的智能化程度取决于数据。除了众所周知的数据可用性和隐私问题外，由于医疗保健实体使用具有不同格式的数据库，数据兼容性变得至关重要：如何统一这些数据以实现兼容和互通并不容易。在医疗保健系统中，尽管已经收集了大量数据，但疾病和人类的基本特性仍然未知；因此，尚不清楚每个系统中最关键的数据或组件是什么。这必然会影响数据采集和后续分析。此外，当前的人工智能和机器学习技术依赖于大规模数据集以及明确标注或确定性规则。但许多医疗问题具有与特定疾病、个人或环境相关的独特特征，这意味着只能获得小数据集。控制过程或人类行为的规则或机制（或“物理规律”）尚不明确。而且，健康差异、不平等和人类行为可能影响先进技术的可及性和使用，从而导致不同群体之间的数据不平衡。如何利用这些数据量小且不完整的数据集，在有限领域知识的情况下做出准确而有意义的预测和后续分析，仍然是亟待解决的挑战。
5.2. 模型
为每个医疗问题、过程或系统构建模型时，应考虑不同层次的细节和复杂性。细节不足可能导致对模型的信心降低，也可能导致不足结果。此外，高层级过程模型依赖于低层级模型的详细配置，并与其他过程或系统模型相耦合。例如，初级保健诊所单元模型中医助数量或候诊时间的变化将导致患者流模型中的服务时间发生变化，进而影响预约安排和临床医生工作流模型的更新，并进一步影响诊所对患者群体的可及性。另一方面，过于详细的模型可能由于计算和实施问题而在实践中不可行。此外，由差异、不平等和行为引起的数据不平衡可能导致模型输入不足。智能互联医疗的研究需要系统且有效地应对过程复杂性与方法可行性之间的权衡，这极具挑战性。
5.3. 动态性
许多现有的模型和方法都针对静态或长期行为。然而，时间动态性在医疗保健系统中至关重要，特别是对于患者安全而言，例如在患者抢救、感染预防和外科手术过程中的瞬态行为（Vincent & Amalberti 2016）。此外，许多当前分析侧重于高概率发生的问题。但具有极小概率的医疗事件可能产生重大影响。如何支持实时决策，以应对小概率的动态行为，同时仍实现长期整体性能的良好结果，是一项挑战。
5.4. 集成
成功的系统连接性依赖于数据、模型和方法的集成。每个连接元素都有其自身的模型，具有各自的重点、目标和优先级，这些可能不同，有时甚至相互冲突。这些模型和方法可以是定量的（例如随机分析与优化，Brandeau 等，2004； Denton，2013；Hall，2013；Li 等，2017），定性的（例如人因工程方法，Holden 等，2013；Carayon，2016； Carayon 等，2020a, b），或实证的（例如 Worthington，2004； Irving 等，2009）以及实验性方法（如医学模拟，例如 Gaba，2004；McGaghie 等，2010）。如何将它们与适当的数据集集成，并如何利用其互补性（即发挥各自优势，同时减轻其弱点），以实现向患者护理目标的趋同，同时仍满足各个目标，这无疑具有挑战性。在此类集成过程中，必须解决健康差异和不平等等根本问题。我们需要将健康公平置于技术发展和研究努力的核心位置。例如，应重点关注脆弱患者群体，包括社会经济处于不利地位和技术获取受限的人群。图7 展示了一个此类集成的示例，其中不同的方法、手段、数据和结果被集成形成一个闭环研究。
图7所示的集成可以从一个整体概念框架中受益，例如 SEIPS（患者安全系统工程倡议）模型（Carayon 等， 2006，2014）。根据 SEIPS 模型，患者安全或医疗保健质量等患者结果取决于工作系统各个要素的“适当”设计及其在护理流程中的集成。我们需要进一步了解如何对工作系统要素及其相互作用进行定性和定量分析；这将需要获取具有代表性且高质量的数据，用于开发分析和预测模型 （参见第5.1节）。在图7 的集成研究示例中，可以利用 SEIPS 模型确保实证研究提供有关所有工作系统要素的数据，无论这些数据是观察性的、客观的、主观的、定量的还是定性的。这些输入随后用于开发定性模型（例如技术界面的认知模型）和定量模型（例如过程性能的随机模型）。定性模型和定量模型随后可以混合并集成。例如，在开发可在护理环境中实施前进行实验性测试的技术或流程原型时，就可能发生这种集成。SEIPS 模型以人为中心，包括患者、照护者和临床医生。鉴于人在医疗4.0中的关键作用（见上文），这种以人为本的强调至关重要，并有助于实现患者和临床医生的最佳结果（参见下文对四重目标的讨论）。
从研究角度来看，以下影响具有重要意义：
-
需要关注人
：例如患者、照护者和医疗专业人员。在比较工业1.0到4.0与医疗1.0到4.0的演进过程时，我们发现，在这两个领域中，新技术、设备和数据都在不断发展和应用。在工业4.0中，随着日益增加的自动化，人的参与变得越来越不重要。然而，在医疗4.0中，随着更多自动化和技术的使用，人的参与和重要性实际上变得更加关键。不仅包括患者、临床医生以及支持及相关工作人员被纳入系统，但他们的责任也在不断增加。例如，患者将越来越多地通过可穿戴设备和在线信息提供的反馈，主动监测和调整自身健康状况。医疗机构的工作不再局限于办公室或常规工作时间，而是需要持续分析并定期响应患者的需求。从医疗技术专业人员的角度来看，在其产品设计和服务中应考虑患者和临床医生的个体化特征和需求。我们为医疗4.0设计系统和流程的方式，将对患者、照护者和医护人员的行为产生关键影响。 -
需要关注系统与流程
：团队、团队的团队、照护网络、跨越组织边界的流程、社区的参与。医疗保健服务是关于“团队”协作的工作。即使是标准的门诊就诊也涉及许多不同的团队成员：患者、有时包括照护者，以及多位临床医生和医护人员，例如医生、护士、医助、药剂师、实验室技术人员等。同时可能涉及多个过程，如患者就诊流程、照护者工作流程、信息管理过程、文件和账单过程等。当系统规模扩大时，这些团队和过程会迅速扩展，从而涵盖与其他机构、社区、各种社交网络的联系，并拓展系统的物理边界。不仅医疗社区，社会其他部分及各个行业（如制造业、服务业、交通运输业、金融业）都将参与到医疗4.0中来。例如，新冠肺炎大流行影响了每个人以及所有企业、行业和社区。 -
需要确保我们关注关键的医疗保健结果：四重目标（4）
。四重目标旨在通过（1）彻底改善患者体验，（2）提升人群健康，（3）控制医疗成本，以及（4）提高临床医生满意度，来设计和优化医疗保健系统绩效。这四个目标相互关联，为智能互联医疗系统的发展方向提供了指引。医疗4.0需要聚焦这些关键结果，以平衡各项目标之间的正负依赖关系，并对其进行系统性整合。
医疗4.0为医疗系统工程提供了众多机遇与挑战。为了充分利用这些机遇并应对挑战，实现智能互联医疗，我们提出以下建议：
首先，许多利益相关方需要参与进来，包括工程学、健康科学和教育、医疗保健服务改进以及健康和医疗保健技术等各个领域。这些不同的专业领域涉及多个方面医疗保健系统各自的观点；他们的不同看法和目标需要汇聚一致，以实现普遍的愿景和四重目标。这需要各学科和观点之间进行大量的相互协作、沟通、协调和妥协。
其次，需要引入多种技术和方法。除了使用建模、模拟、计算和优化技术等定量方法外，还应采用调查、以人为本的设计、评估和实地观察等定性方法。应优先考虑定量与定性方法的结合以及多种方法和数据的混合。此外，实证研究和实验项目（如医学模拟、虚拟现实和试点研究）是对建模的重要补充，特别是在新实践实施前、实施中和实施后阶段。这将有助于对护理流程和结果进行持续学习和改进。
第三，硬件（医疗设备、设备和工具）和软件（建模、计算、评估等）应在闭环中实现连接。在所提出的社技术方法中，人机或人与技术之间的交互对于确保智能技术的有效连接和安全实施至关重要。
最后，人类（包括患者、照护者和医护人员）应处于智能互联医疗的研究与实践的核心位置。在设计和实施智能互联医疗时，必须考虑他们的特征、需求、能力及限制。解决差异和不平等问题至关重要，应确保医疗4.0的设计能够缓解并减少此类不平等，使所有个体都能获得高质量、安全的医疗保健服务。此外，还需关注技术对社会技术系统可能产生的负面影响，例如数字鸿沟问题，这可能需要公共卫生部门的努力，并加强对健康的社会决定因素作用的认识。
