主动医学实战5步曲之三：心血管与糖尿病用药方案（包括西药与中药）DIKWP分析

段玉聪

人工智能DIKWP测评国际标准委员会-主任

世界人工意识大会-主席

世界人工意识协会-理事长

(联系邮箱：duanyucong@hotmail.com) 

莫教授是一位患有2型糖尿病并伴有心血管风险因素的男性患者，目前采用了包含西药和中成药的综合用药方案。如何科学评估这一方案的有效性和改进方向，是实现其健康目标的关键。段玉聪教授提出的“非层级DIKWP模型” (Duan Yucong-Hainan University) (基于网状DIKWP模型的职位能力映射分析报告-段玉聪的博文 - 科学网)为认知过程提供了一个数据 (Data)、信息 (Information)、知识 (Knowledge)、智慧 (Wisdom) 和 目的 (Purpose) 交互融合的框架。与传统线性DIKW金字塔不同，DIKWP模型将这五个要素视为网状交互体系，任意两个要素间都可直接双向转换，从而形成5×5共25种认知转换路径 (基于网状DIKWP模型的职位能力映射分析报告-段玉聪的博文 - 科学网)。这一网络化模型强调以目的（意图）为导向来驱动数据到智慧的转化，使得认知过程更加灵活、透明，可用于分析复杂的医疗决策问题 (Duan Yucong-Hainan University)。本文将以非层级DIKWP模型为分析框架，对莫教授当前的健康用药方案进行深入评估。在此基础上，基于多源健康数据和患者个人诉求，检视当前治疗路径中可能存在的路径空缺与转化失衡，并探讨改进空间。最后，本文构建一个以“人-医生-AI协作”为核心的智慧健康调理建议系统架构，展示如何利用DIKWP认知模型整合数据、信息、知识、智慧与目的，来辅助段玉聪教授为莫教授提供个性化的诊疗建议。

(image)图1：非层级DIKWP网状模型示意图。该模型由数据（D）、信息（I）、知识（K）、智慧（W）、目的（P）五要素构成，每两个要素之间均存在相互作用的转换路径，共计形成25种基本路径。相比传统线性层级模型，此网状结构允许任意要素直接作用于另一要素，体现了认知过程中复杂的双向流动与反馈 (基于网状DIKWP模型的职位能力映射分析报告-段玉聪的博文 - 科学网)。在医疗情境中，目的（P）代表患者健康目标和价值观，贯穿并引导数据到智慧的各个环节，使决策更加符合个体需求。

DIKWP模型是对经典DIKW（金字塔模型）的拓展与重构。在经典DIKW中，数据经处理成为信息，信息经理解升华为知识，知识再通过实践积累成为智慧。然而，段玉聪教授指出，真实世界的认知过程并非严格的单向分层，而是充满反馈与交互 (基于网状DIKWP模型的职位能力映射分析报告-段玉聪的博文 - 科学网)。因此，在DIKW的基础上增加**“目的” (Purpose)**维度，形成了DIKWP模型，使之能够反映人类在高度不确定性情境下的意图驱动认知过程 (Duan Yucong-Hainan University)。在该模型中：

· 数据 (D)：指原始的客观事实或观测值，如患者的血糖读数、实验室检验结果、可穿戴设备记录等。

· 信息 (I)：指对数据进行处理、组织和赋予语义后的内容，例如根据血糖读数绘制的日间波动曲线，或将多个生理指标综合得到的健康状态评估。

· 知识 (K)：指由信息凝练出的可泛化规律或经验，例如医学指南中关于降糖和心血管药物使用的原理，医生多年临床经验形成的用药策略等。

· 智慧 (W)：指在特定情境下明智的决策和行为，它结合了相关知识并考虑个体特殊性与环境因素，例如针对莫教授具体病情做出的用药方案调整，就是一种智慧的体现。

· 目的 (P)：指认知行为所要实现的目标或意图，代表高层次的导向力量，如莫教授希望“稳定血糖同时避免心血管事件发生且提升生活质量”的健康目标。

非层级DIKWP模型强调这五要素之间并非线性递进，而是全连接的网状交互关系。每两个要素之间都存在双向的转换路径（如D→I和I→D、I→K和K→I等），包括必要时要素自身内部的循环（如W→W反映智慧自我优化）。这样一来，共形成了25种基本路径，覆盖了从数据到目的之间所有可能的认知转换过程 (基于网状DIKWP模型的职位能力映射分析报告-段玉聪的博文 - 科学网)。这些路径确保在认知分析中不遗漏关键环节：例如数据可以直接用于指导智慧决策 (D→W)，目的也可以直接影响信息的获取 (P→I) 等。在医疗决策情境下，DIKWP模型有助于明确每一项诊疗措施（如用药）的认知定位，以及它如何在患者-医生交互过程中发挥作用。下面，我们将把莫教授当前使用的各项药物映射到DIKWP模型的相关路径上，分析其作用机制及在认知路径中的定位与局限。

莫教授目前的用药方案包含了多种西药与中成药，旨在同时控制糖尿病和心血管风险。主要的西药包括：阿司匹林肠溶片（抗血小板）、瑞舒伐他汀钙片（他汀类降脂药）、单硝酸异山梨酯片（长效硝酸酯抗心绞痛药）。中成药方面，包括复方丹参滴丸和银杏叶提取物等，用于改善循环和心血管功能。运用DIKWP网状模型的25条路径，我们可以将每种药物的作用映射到相应的认知转换模块中，分析它们在患者-医生认知过程中的角色。表1总结了每种药物的作用机制、主要对应的DIKWP路径，以及在认知链路中的定位和局限性。

表1：莫教授所用主要药物的作用机制与DIKWP路径映射

上述分析表明，每种药物在DIKWP认知网络中扮演着不同角色：西药多基于知识→智慧路径，将循证知识应用于实践决策，直接改变患者的生物学数据；中成药则更多体现智慧→目的或目的→知识路径，凭借经验智慧服务于患者整体调理的目标。西药定量足、作用直接，但可能忽视患者主观感受；中成药循证不足、起效渐进，但顺应患者偏好，在提高生活质量方面有潜力。理解各药物的认知路径有助于医生在制定方案时平衡速效与长远、客观指标与主观感受，从而构建更全面的治疗策略。

要评估莫教授当前治疗路径的充分性和优化空间，必须结合他的个人健康数据和体验反馈，从DIKWP网络的角度进行全面审视。莫教授的健康数据包括：长期糖尿病病史及血糖日间波动记录、多项实验室指标（如AST、HBDH）的异常、可穿戴设备（手环）监测数据，以及他对药物副作用的主观反应和诉求。这些数据和信息对应着DIKWP模型中的不同要素，反映了当前治疗方案在认知路径上的实际运行情况。下面我们将具体分析这些要素间的转换路径是否存在空缺、失衡现象，并评估改进潜力。

首先，从数据 (D)层面看，莫教授积累了大量原始健康数据：每天多次血糖监测值、运动和睡眠记录（通过手环）、定期化验的肝酶和心肌酶指标等。这些数据通过记录表得以呈现，并部分转换为了医疗信息 (I)：例如，根据3月份的自测血糖日记，可以绘制出他血糖的日间波动曲线和高低峰时间。记录显示他血糖波动较大：3月15日餐后血糖高达19.9 mmol/L，并注射了10单位胰岛素但血糖仍无明显反应；而3月16日清晨血糖降至5.0 mmol/L，即使食用了巧克力补救，仍出现了低血糖反应。这些数据经过解释，就成为对疗效的信息：如**“现有胰岛素方案难以平稳控制血糖”、“存在低血糖风险”等判断。这表明数据→信息 (D→I)路径在当前方案中部分发挥了作用——患者客观监测数据被转化为了医生对血糖控制质量的认知。但是，由于缺乏连续动态血糖监测（CGM）等更精细的数据，信息提取可能不充分。例如，无法详细了解夜间未监测时段的血糖变化，这在DIKWP网络中表现为数据收集的盲区**。此外，莫教授手环的运动和心率数据是否被充分利用也是疑问。如果这些数据未被整合分析，那么关于他日常活动对血糖和心脏症状影响的潜在信息就未被挖掘，形成了另一个D→I路径空缺。

其次，在信息→知识 (I→K)转换方面，当前治疗方案主要依据的是标准医学知识和既往经验，而对莫教授自身数据所蕴含的新知识发掘不足。譬如，他的AST和HBDH化验结果异常这一信息提示可能存在肝脏代谢负担增加或心肌应激损伤，但目前尚未上升为明确的新知识点：AST升高可能与他汀相关肝毒性或脂肪肝有关，HBDH（α-羟丁酸脱氢酶）升高可能提示心肌损伤或糖尿病控制不佳。如果医生团队未将这一信息进一步调查（如复查肝功能、心肌标志物或调整药物剂量），那么I→K路径就是不完整的，潜在的重要知识（他汀剂量需调整？心肌缺血加重？）未被生成。再如，莫教授在3月19日夜间出现了多处心区疼痛，3月22日前往医院输液治疗 ，随后3月23日重启了心脏药物和降脂药物 。这些事件提供了丰富的信息：例如“仅用中成药不能完全替代西药来预防心绞痛”、“患者可能因副作用曾自行停用部分西药，但症状恶化后又不得不恢复”等。这些信息如果被系统总结，就能上升为对治疗策略的重要知识：平衡疗效与副作用、维持西药依从性是该患者管理中的关键课题。但目前来看，这部分知识更多是停留在零散的信息层面，并未形成一个清晰的知识表述传递给所有参与决策者（包括患者自己）。因此，当前方案的I→K转换略显不足：对患者特有模式（如擅自停药倾向、对副作用敏感）的知识提炼不够，治疗仍主要依赖一般知识（指南要求坚持服药等），这可能导致方案难以个性化优化。

莫教授对西药的一些负面反应和个人诉求提供了关键的认知输入，涉及**目的 (P)和信息 (I)两个层面。他多次在日记中提到“全身没劲！！” ——这很可能是低血糖、小剂量硝酸酯扩血管或多药联合产生的疲乏副作用的主观描述。这一主观感受本身是一条重要的信息(I)，反映了当前方案在提升患者生活质量方面可能存在不足。更重要的是，它蕴含了患者的目的(P)**信息：即莫教授希望在控制疾病的同时保持精力和生活质量，不希望因治疗而长期感到疲惫。他的这一目的在目前方案中是否得到充分响应，值得探讨。

从DIKWP角度看，患者的目的应当对治疗方案起到指导作用（P→I、P→K路径）。理想情况下，莫教授的抱怨会促使医生获取更多相关信息(P→I)，如询问疲乏出现的时段与用药或低血糖的关系，或使用可穿戴设备记录日间活动能力的变化。同时，患者的目标诉求也应推动知识调整(P→K)，如考虑调整降糖方案以减小血糖波动、采用副作用更小的替代药物等。然而，目前的记录仅显示了事件本身，尚不清楚在既往随访中这些主观诉求是否被充分讨论并纳入决策。如果患者的声音没有在医疗决策中得到足够重视，则意味着**目的→信息/知识 (P→I/K)**路径存在不足——患者目的没有有效传递并影响治疗知识体系。

另一方面，莫教授使用中成药（如丹参滴丸、银杏提取物）本身也可以被视为他对治疗的一种诉求表达：相较纯西药方案，他可能寻求一种更平和、整体调理的方式，寄望中医药来缓解症状、减少副作用。这可以理解为患者目的驱动下的路径转换：目的→知识 (P→K)，即患者的健康哲学和偏好促使医疗方案引入中医药知识，以期更好地实现整体健康目标。同样地，**目的→智慧 (P→W)**也在发挥作用：因为最终的用药组合（西药+中药）正是为了契合他个人的目标而做出的智慧决策折中。然而，这种折中是否达到了平衡还需要评估——从他仍然出现较严重的心绞痛发作来看，仅靠中成药替代部分西药的策略在智慧层面可能未达预期（凸显出该决策的局限，需要进一步迭代完善）。

综合上述数据、信息、知识、目的等要素，可从DIKWP网络全局出发评估莫教授当前治疗路径，找出路径空缺、转化失衡以及提升空间。

路径空缺：主要表现在数据收集与利用以及目的传导两个方面。首先，在数据→信息路径上，当前方案对传统关键数据（血糖、血脂等）较为重视，但对新的数据源（连续血糖监测、运动睡眠数据）利用不足。例如，没有使用CGM导致夜间高血糖未被察觉、运动对血糖的影响未量化等，这是D→I路径的空缺。另外，可穿戴设备的心率、活动量等数据尚未进入医生视野，错失了丰富的生理数据支持决策的机会。其次，在目的→信息/知识路径上存在空缺。患者个人生活质量目标、对疗法偏好的信息未被结构化收集。在医患沟通中，如果缺少专门环节获取患者价值观和生活目标（如是否更看重避免低血糖还是避免心梗，日常最困扰症状是什么），那么治疗决策缺乏了一个重要导向。此类P→I空缺会导致后续知识运用与智慧决策难以及时对准患者真正关切。

转化失衡：当前治疗路径在不同DIKWP要素转换上用力不均。具体而言，数据/信息驱动较强，但目的/智慧驱动不足。医生非常关注客观指标（血糖、血脂等），通过D→I→K→W的路径制定了较完善的药物方案，这是数据和知识驱动决策的体现。然而，在目的→智慧方面有所欠缺：患者反映的疲乏、担忧等（目的层信息）未充分反映在方案调整上。例如，他多次低血糖反应和乏力感提示当前降糖强度可能过高，但方案并未明显体现对这一目的（避免低血糖、保持精力）的回应，胰岛素调整仅基于血糖数值而非症状综合考量。这说明智慧←→目的的反馈环节较弱，存在治疗“为指标而指标”的倾向，未完全实现以患者为中心的平衡。同样，知识→智慧和智慧→目的间也有失衡：医生应用医学知识制定方案（K→W）很到位，但可能忽略了在智慧层面对患者整体生活目标的审视（W未充分反馈到P）。此外，中西医知识融合的失衡也值得注意：方案中加入了中成药，却缺乏客观信息支撑其效果，导致信息→知识路径在中医药部分断裂，仅靠经验智慧在起作用。这种“不透明”的部分可能让医生难以及时判断方案优劣，医患对中药的预期也可能失衡（患者或许寄予较高期望，但医生缺少反馈数据）。

提升空间：鉴于以上空缺和失衡，当前方案在DIKWP网络中存在显著的优化潜力。首先，在数据层，可以引入更多元、实时的数据源以丰富D→I转换。例如使用CGM设备连续监测血糖，结合手环记录，将散点的血糖测量扩展为24小时曲线，使数据更全面。这将显著增强信息提取，使医生能发现规律（如凌晨血糖飙升“黎明现象”或运动后低血糖），从而产生新的知识(K)。其次，应当加强目的层在决策中的地位，具体举措包括建立患者目标档案和满意度反馈机制。每次随访明确询问莫教授目前最希望改善的问题（如最近是否更在意降低药物剂量、副作用？还是更加担心某次胸痛？），并记录这些目标。让这些目的(P)经由结构化信息进入医生的知识基座(I→K)，从而可能触发方案调整（如如果患者强烈希望减少疲劳，就考虑降低胰岛素剂量或分次给药以减少低血糖发生）。再次，在知识融合方面，有提升空间将人工智能决策支持引入，帮助整合多源信息、文献知识，从而在I→K、K→W路径上助力。AI可以挖掘他的个体数据与庞大医学知识库的关联，例如根据他的低血糖频率建议调整胰岛素算法，或提示他汀换用剂量更低但等效的其他他汀类药。这种知识融合将减轻医生负担，避免因信息复杂而知识应用不及时。最后，智慧层面的提升在于建立动态反馈闭环：将治疗结果（数据和患者感受）及时反馈（D→I）并由AI和医生联合评估（I→W），使方案能快速迭代逼近最优。这意味着转化过程需要更加敏捷和灵活，例如一旦监测到连续几天夜间低血糖事件，系统立即提醒并调整晚间药物剂量，而不是等下次门诊才处理。总之，充分利用新技术和强化以患者目的为中心的理念，可填补当前DIKWP路径中的空白，纠正失衡，提高各要素转化的效率和协调性，最终在目的层面实现莫教授健康状态和生活质量的双优化。

经过上述评估，可以看出当前方案虽覆盖了控制糖尿病和预防心血管风险的主要方面，但在认知网络的衔接上仍有改进余地。下一步，我们将基于这些发现，设计一个“人-医生-AI协作”的智慧健康调理建议系统架构，旨在利用DIKWP模型更好地整合多源数据、交互知识和患者目标，为莫教授这样的患者提供动态优化的健康管理方案。

针对莫教授当前治疗路径中发现的问题，我们提出构建一个以**“人-医生-AI协作”**为核心的智慧健康调理建议系统。该系统以DIKWP模型为认知架构基础，整合多源数据(Data)，通过交互式对话将信息转化为知识乃至智慧 (I→K→W)，并以患者目标(Purpose)为导向驱动信息获取和知识应用 (P→I、P→K)，从而为个体提供目标驱动的个性化健康建议。这一系统将作为段玉聪教授未来辅助诊疗莫教授的框架，以下从架构和功能模块两方面进行阐述。

该智慧调理系统的架构可以用DIKWP模型来描述：它包含数据层、信息层、知识层、智慧层和目的层的有机协作，每一层的功能由人（患者）、医生和人工智能(AI)共同完成。总体而言，系统运行遵循以下循环流程：

数据获取与多源整合（Data）：患者通过各种渠道向系统提供数据，包括医疗设备与传感器自动采集的数据（如连续血糖监测仪、智能手环记录的心率、睡眠、运动量等），定期检查结果（血脂、肝肾功能、心电图等），以及患者自主输入的症状日记和主观感受（如每日疲劳程度、饮食情况）。系统建立数据湖将上述数据汇聚，并通过标准化和预处理（例如清洗异常值、时间同步）形成可用的数据集。通过这种方式，碎片化的数据被整合成为有意义的整体，为后续的信息提取打下基础 (Ginkgo biloba Information | Mount Sinai - New York)。

信息处理与状态洞察（Information）：AI模块对收集的数据进行分析，提取出健康状态信息和风险警报。例如，根据连续血糖数据计算日间血糖曲线特征（峰值、谷值出现时间，平均波动幅度），标记出高风险时段；根据心率和活动数据评估心肺耐力和自主神经功能的变化趋势；将定期化验结果与历史记录和标准范围比对，提取“AST持续高出正常上限20%”等信息。这一步相当于D→I的自动化实现：将原始数据转化为具有语义的健康信息。AI还能生成易于理解的可视化图表和简单摘要供医生和患者查看，例如“本周有3次夜间血糖低于4mmol/L”“过去一个月总胆固醇下降了10%”等信息。

交互式对话与知识获取（I→K）：系统配备智能对话接口，与患者进行日常交流，收集主观信息并解答疑问。例如，每晚系统可能询问：“您今天感觉如何？有没有胸部不适或特别疲劳的时刻？”患者的反馈（如“下午运动后有点头晕”）作为新信息进入系统。AI对这些对话内容通过自然语言处理进行分析，结合已有的客观信息，在知识库中检索相关内容，或向医生提出需要关注的问题。这实现了信息→知识的转换：一方面，患者的语言描述被结构化为医学知识条目（例如“运动后头晕”提示可能存在运动诱发低血糖的知识），另一方面，AI根据症状去匹配医学文献和指南（例如检索“糖尿病患者运动后低血糖预防措施”），将外部知识引入系统。与此同时，医生也参与交互，对AI提炼的信息进行审核和补充。医生可通过医生端界面看到AI整理的患者每日概况，并提出自己的问题或者指导AI进一步分析（例如医生可能询问AI：“最近疲劳感是否与新加用的银杏叶提取物有关？”）。这种人机协作的交互不断丰富系统知识库，实现了知识的双向进阶：从患者特有信息出发，融合医学一般知识，形成对患者情况的深入认识 (K)。

决策支持与智慧决策生成（K→W）：在拥有充分数据和知识的基础上，系统进入智慧决策阶段。AI根据综合的知识图谱，运用推理引擎生成初步的调理建议，包括药物调整方案、生活方式干预建议等。例如，AI可能建议：“由于近两周多次夜间低血糖，建议将晚间胰岛素剂量从6单位降低至4单位” ；“鉴于持续AST升高，建议肝功能复查并与主治医生讨论他汀剂量调整”；“患者主观疲劳与硝酸酯使用时间相关，建议改为睡前而非晨起服用以减少日间低血压症状”等。这些建议是AI基于知识的推理产物，也是知识→智慧 (K→W)转换的体现。与此同时，系统将患者健康目标 (P)纳入决策过程，例如如果莫教授明确表示“更愿意稍高血糖也不想再有低血糖反应”，AI会在推荐中偏向保守降糖策略(体现P→W对智慧决策的校准)。生成的决策建议随后提交给医生。医生作为经验丰富的智慧主体，对AI的建议进行评估、修改和确认。这一步确保最终的决策考虑了AI难以量化的因素（如患者意愿微妙变化、临床经验判断等），实现人机共智的决策输出。最终确认的方案通过系统反馈给患者，并进入执行环节。

目标对齐的行动与反馈（W→P & P→I）：经过医生审核的智慧决策一旦付诸实施，患者的新行为和治疗调整就产生了新的数据，循环再次开始。系统在这里特别关注目的的实现程度（W→P路径）：通过设定的关键结果指标和患者报告结果，评估健康目标是否更接近达成。例如目标是“减少心绞痛发作”，那么在实施新方案后，系统跟踪记录胸痛发生频率的数据，以确定目的达成的程度。这些结果作为新的信息 (I) 反馈进入循环。同时，患者的主观感受（例如“我觉得精力有所好转”或“降脂药减量后安心了”）也通过对话被采集，进一步完善系统对于目的达成的了解 (P→I)。如此形成一个闭环：若目标未达到，系统将识别差距，触发新一轮的知识搜寻和决策优化；若目标达成或部分达成，也会记录有效措施以强化未来类似情况下的决策信心。整个过程确保了治疗路径始终围绕患者的**目的(P)**不断校准优化。

通过上述架构描述可以看到，人（患者）、医生和AI各自在DIKWP模型的不同环节发挥作用：患者提供数据和目的，医生贡献知识和智慧，AI负责信息处理和部分知识推理，中间通过频繁的交互对话将三者紧密连接。这种架构真正体现了以患者为中心的**“三元协作”**：患者参与不仅是被动提供数据，还主动表达目的和反馈信息；医生不再孤立决策，而是与AI一起分析大量信息；AI则起到桥梁和赋能作用，使数据和知识充分流动却始终服务于人类的目的。

在该系统的实现上，可以划分出若干关键功能模块，每个模块对应DIKWP模型中的一部分功能：

多源数据整合模块 (D)：负责采集并整合来自医疗设备、实验室信息系统、可穿戴设备以及患者手动输入的数据。采用标准格式存储，并建立患者个人健康数据档案。关键技术包括物联网数据接入、FHIR医疗数据标准、数据清洗与时间序列数据库等。通过这一模块，原始数据被持续、高质量地汇聚，为信息分析提供“燃料”。

健康状态分析模块 (I)：应用大数据分析与机器学习，对整合的数据进行实时处理，提取健康状态信息和事件。包括指标趋势分析、异常检测、模式识别等子功能。例如利用机器学习模型预测当日低血糖发生风险，根据历史趋势提示可能的肝功能恶化。这一模块将大量数据压缩为少量有意义的信息，供医生和患者高效浏览。它也可根据需要生成报告或警报，实现信息的直观呈现。

知识库与推理引擎模块 (K)：由医学指南、临床文献、中医药典籍和个性化经验库组成多层次知识库。AI对话获取的新信息也不断丰富此知识库（如记录该患者对特定药物反应独特经验）。推理引擎包括基于规则的系统和基于概率的模型，能够将信息与知识关联，推导出新的结论或建议。例如，当检测到“夜间频繁低血糖”信息时，推理引擎结合知识库规则（如“若夜间低血糖>3次/周，应考虑减小长效胰岛素剂量”）生成候选建议。该模块实现I→K和K→W的重要转换，它赋予系统“思考”能力。值得一提的是，知识库应包含多学科知识，既有西医循证条目，又纳入中医药及生活方式相关知识，以便系统能提出综合调理建议（如饮食、运动、中药调理等方面的知识应用）。

对话与解释模块 (I↔P)：这是系统与人交互的窗口。一方面通过自然语言与患者沟通，获取主观信息并提供解释和指导；另一方面通过可视化界面与医生互动，展示分析结果和推荐，并接受医生修改指令。该模块采用大语言模型（如医疗定制的GPT模型）来实现对患者提问的理解和回答，达到类似家庭医生的沟通效果。对于患者，它不仅采集信息，也充当健康教育和心理支持角色，解释系统建议的依据，提高患者的理解和依从性（例如解释“为什么要减少晚间胰岛素剂量”：展示其血糖曲线和低血糖记录来说服）。对于医生，系统提供可解释的建议理由（如关联的知识规则、文献来源）以便医生信任AI的输出。这模块横跨信息和目的层：在患者一侧，它努力理解和满足患者的健康目标 (P)，在医生一侧，它将患者的目的转换为医疗信息供决策参考 (P→I)，并将决策及其理由反馈给患者以调整其期望 (W→P)。

个性化推荐与决策支持模块 (W)：该模块综合各方输入，生成最终的健康调理方案建议，包括用药调整、检查计划、生活方式建议等，并对每条建议进行评分排序。推荐过程充分考虑患者的目标偏好。例如，如果患者明确表示拒绝某药物副作用，则系统会优先寻找替代方案。模块采用多目标优化算法，在疗效最大化与副作用最小化、患者满意度等目标间寻求平衡，输出折衷方案。同时，它具备情境识别能力，确保紧急情况优先处理（如发现心肌缺血指标急剧恶化时，立即建议就医而非等待常规调整）。输出的方案提供给医生确认修改，最终形成施行计划。确认后的计划通过对话模块告知患者，并发送至相关执行系统（如处方系统、随访计划日历等），进入下一循环。这一模块实际就是智慧决策层的实现，将知识转化为具体行动方案，努力实现目的→智慧的一致性：即确保建议的每一步都导向患者的终极健康目的。

为了更直观地理解人-医生-AI协作在本系统中的运行情况，下面以莫教授为例，展示一个简化的日常工作流程：

晨间：莫教授醒后，测量空腹血糖8.8 mmol/L，智能设备自动将数据上传。系统数据层记录该数据并更新血糖曲线。健康状态分析模块将“空腹血糖8.8，高于目标值”标记为信息。AI对话模块适时发出问候并询问昨夜睡眠与今晨状态。莫教授回复“睡得还行，但是口干渴”。AI将“晨起口渴”作为信息记录并结合8.8的血糖，推断可能的夜间高血糖现象，调取知识库相关内容。

医生查房/远程查看：医生上午通过界面查看莫教授昨夜的数据和对话摘要。系统提示：“疑似黎明现象：夜间血糖上升，建议调整胰岛素。”医生点击建议细节，看到AI根据CGM推算他凌晨血糖一度达到11 mmol/L，并引用指南建议。医生同意这一判断，在系统中确认将晚间胰岛素剂量增加2单位。同时注意到AST仍偏高但稳定，决定暂不调整他汀，仅嘱多喝水保肝。医生在系统中输入这些决定并备注原因。

系统执行：决策支持模块更新用药方案，将新的胰岛素剂量计划发送提醒给患者。对话模块向莫教授解释：“由于您清晨血糖偏高，医生建议略微增加晚间胰岛素剂量，以控制夜间血糖高峰。”莫教授提问：“会不会更容易低血糖？” 系统通过知识库回答：“医生考虑到您最近夜间低血糖不多，此次调整幅度很小且会密切监测，风险可控。如您仍有担忧，可在睡前加一份牛奶以保障。”这缓解了患者顾虑。

日间：莫教授按照新方案执行并记录饮食运动。下午AI检测到他运动后血糖降至5.5，低于平日平均水平，于是通过手环提醒他补充一点点心。这种实时微调体现了AI对数据的快速反应。

晚间：系统与患者例行交流，询问有无胸闷等症状。莫教授反馈“今天精力不错，没什么不适”。这是目的达成度的积极信号。系统记录“患者主观状态良好”，并加强对当天调整的正面评价，以巩固患者依从性。

上述流程体现了本系统高频、小步快跑的特点：每天甚至实时根据数据反馈进行细微调整，避免问题积累恶化。同时，患者始终参与沟通，了解为什么做调整，感觉到自身目标被关注，增强了信任。医生通过系统高效掌握了全面信息，将专业判断用于关键决策点，无需耗费大量时间在繁琐数据处理上。这真正体现了人-医生-AI各展所长的协同：患者提供体验和遵从方案，AI负责数据驱动的即时反馈调优，医生把关重要策略和安全边界。在DIKWP模型框架下，各要素环环相扣又流转顺畅，最终目的（患者健康和满意）得以最大程度实现。

利用段玉聪教授提出的非层级DIKWP模型，我们对莫教授的健康用药方案进行了系统剖析。通过将各药物映射到DIKWP网状交互模型的25条路径，我们厘清了西药和中成药各自在认知链条中的作用机制：西药基于循证知识直接作用于生理数据，强调知识向智慧的转换，其局限在于需兼顾患者主观目的；中成药汲取经验智慧服务于整体健康目标，体现智慧指引目的的路径，其不足在于客观信息链的薄弱支撑。这种多维度的分析揭示了当前方案在认知网络中的优势与短板。结合莫教授的多源健康数据和个体诉求，我们发现当前治疗路径在DIKWP网络中存在数据利用不充分和目的引导不足的路径空缺，以及偏重客观指标控制而忽视主观感受的转化失衡。然而，这些也为优化提供了空间：通过引入连续监测等新数据源、强化医患沟通以汲取患者目的、融合AI决策支持以丰富知识运用，可以填补空白、平衡失衡，提升整体疗效。为此，本文提出了一个“人-医生-AI协作”的智慧健康调理建议系统框架。该系统以DIKWP为认知骨架，将多源数据整合 (D)、交互式对话生成 (I→K→W)、目标驱动推荐 (P→I、P→K) 等功能模块有机结合，实现对患者健康的动态、个性化管理。展望未来，在该框架的辅助下，临床医生能够更全面地理解和回应患者需求，人工智能能够提供强有力的数据分析和知识推理支持，患者也能更积极地参与到自身健康决策中来。三者协同运作，将使治疗方案在客观指标与主观感受、短期控制与长期目的之间达到更佳的平衡。最终，正如DIKWP模型所强调的，那些以目的为导向、融合数据到智慧的路径将得到充分拓展和利用，莫教授的健康管理将迈向一个更智慧、更以人为本的新阶段。

转载本文请联系原作者获取授权，同时请注明本文来自段玉聪科学网博客。

链接地址：https://wap.sciencenet.cn/blog-3429562-1479259.html?mobile=1

收藏

分享