1 引言 人民健康是社会主义现代化的重要标志，习近平总书记在“建设健康中国”论述中强调“始终把人民群众生命安全和身体健康放在第一位，实施健康优先发展战略，为人民群众提供全方位全周期健康服务。”当前随着数字技术的快速发展，医疗服务领域从理论到实践都经历系统性变革。以大数据、云计算和人工智能为核心的数字化基础设施和智能决策方法，使医疗服务资源突破传统医疗服务的机构与空间限制，实现跨组织、跨区域、跨场景的资源整合与协作，形成了智能化的跨域协同医疗服务生态。在医疗领域，数字化医疗处方、电子病历、智慧医疗设备及多模态传感器数据的广泛应用，极大丰富了医疗数据资源，为医疗服务资源跨组织、跨区域、跨场景的互联互通与协同合作提供坚实数据基础。同时，面对人口老龄化和慢性病年轻化趋势，传统孤立的医疗服务模式难以满足不断增长的医疗需求。以通用人工智能技术为代表的新兴工具，通过智能算法建模与数据驱动决策，有效支撑了医疗服务资源在跨组织、跨区域和跨场景中的精准配置和协同应用。例如，人机协同系统的出现使医生、AI与患者在时空和不同场景中形成有效互动，在复杂疾病筛查、精准预测和临床决策方面提供了智能化辅助，显著提升了诊疗效率与质量[1，2]。 数字化医疗服务资源跨域协同依托医疗行为数据和数字化智能化方法，聚焦医疗效率、医疗质量以及医疗公平性，推动医疗健康服务体系在组织和空间上向智能化、协同化和个性化方向发展。数字化医疗服务资源跨域协同内涵在于运用云计算、物联网、人工智能、大数据、区块链和5G等新一代信息技术，通过“人-数据-场景-服务”全链条的数字化、网络化与智能化协同，实现跨组织、跨区域、跨场景的资源整合与协作。这种协同模式能广泛应用于疾病预防、诊断、治疗、康复、慢病管理及公共卫生治理等多个医疗环节。具体而言，通过跨域感知和动态通信，推动医疗数据共享与互通协作，使算法能够高效处理多元数据，实现精准化诊疗决策和资源动态调度，从而在患者、医疗人员、政府部门以及相关企业间形成高效的协同联动。 数字化医疗服务资源跨域协同服务和传统医疗健康服务本质存在显著差异。首先，服务主体从医生医院主导转向患者主导。传统医疗体系中，医院及医生作为主要决策者，患者在出现健康问题后被动前往医院就诊或被动随访。数字化医疗服务资源跨域协同集预防、诊断、治疗、康复及慢病管理为一体，患者通过可穿戴设备、移动App及远程健康监测等手段，实现对自身健康和医疗数据的主动管理，从而主导其全生命周期医疗服务。其次，服务手段从经验导向转向数据与智能导向。传统医疗依赖医生个人经验和固定指南，而数字化跨域协同利用数据驱动和智能算法，依据患者健康状态判断、资源如设备人员等的使用状态，构建同时考虑多因素影响、多目标系统协同，面向长期健康而非短期改善，综合运用多源/异质知识资源的动态决策支持系统。通过共享的跨域数据资源，结合AI等智能分析技术，实现生命体征远程监测、疾病早期诊断、手术有效评估和患者个性化诊疗。最后，服务资源从空间壁垒到协同共享重塑。传统医疗资源配置受限于区域、组织和场景，往往资源不均衡与服务效率低下。数字化医疗服务资源跨域协同通过智能算法优化实现医疗资源的跨域协同共享，提升资源使用效率。此外，通过平台化协同机制，使优质医疗资源有效下沉，改善基层与偏远地区的医疗服务质量与公平性，显著缩小城乡医疗差距。 本研究面向数字化医疗服务资源的跨域协同问题，对国内外相关研究进行综述。首先，引入数字化医疗服务资源的跨域协同概念和内涵。其次，综述数字化医疗服务资源的跨域协同研究进展。最后，从管理科学的视角提出了数字化医疗服务资源的跨域协同的未来研究方向。 2 医疗服务资源跨域协同的相关研究 已有医疗服务资源跨域协同相关的研究可以从服务主体、服务载体和服务资源三个方向解析。因此本章从医疗人机协同行为与人工智能智慧实现（服务主体层面），疾病的智能预测与个性化决策（服务载体层面）和基于智能服务的医疗资源优化配置（服务资源层面）三个方面进行研究现状分析。 2.1 医疗人机协同行为与人工智能智慧实现 当前，随着数字孪生、智能机器人与生成式AI的广泛应用，医疗服务逐步转向由医护人员、AI智能体与患者三方共同参与的协同式服务模式。尽管AI展现出强大的技术潜力[3，4]，其在实际医疗流程中的落地与采纳仍面临认知、制度与流程等多维挑战。下面从智能服务系统的应用阻力、采纳行为机制、协同流程设计以及组织层面的系统性影响等方面展开探讨。 2.1.1 AI在智能服务系统应用难点 AI等智能服务系统在实际医疗场景中面临阻力。首先，医疗AI常需要嵌入复杂的临床交互中，患者异质性高、不确定情境等限制了其稳定部署与广泛应用[5]。其次，医生的使用意愿受到法律责任与声誉风险影响[6-9]。即使AI能提升诊断准确率，医生仍然因为潜在责任倾向于规避使用[9]。此外，医护人员因为受限反馈和验证偏差难以理解智能服务决策，往往处于半信半疑、时用时弃的状态[10]。只有当系统同时具备高智能度与高透明度时，AI助手才会被及早引入并保持长期黏性，否则其采纳率与黏性均显著下降[11]。最后，虽然反偏见责任机制旨在提升公平性，但其引发的责任压力可能导致医生在面对弱势群体患者时主动避免使用AI，从而进一步加剧健康不平等；强制实现算法公平虽具一定积极意义，但也可能削弱患者整体福利[12]。总体来看，伴随AI等智能系统逐步融入医疗服务流程，责任分配正在由审慎使用向忽视即过失转变，医疗机构需通过风险共担协议、可解释性支持和透明化决策日志等机制，重塑智能服务的责任与信任体系[13，14]。 2.1.2 人机协同心理机制与流程设计 相较以往聚焦于模型性能的研究，智能化医疗服务系统更加强调人机协同行为背后的心理机制与流程设计。Yin等[15]发现，AI建议的呈现时机对医生决策行为具有显著影响，其中“事后建议”较“事前建议”更能促进采纳并提升诊断质量。在中国语境下，Liang等[16]指出面子观等文化因素显著影响医生对决策支持系统的接受度，呼吁在设计中增强本地化适配与文化敏感性。Garcia等[17]进一步揭示了可解释性与策略性能之间的权衡，指出可解释但非最优的建议更容易获得医生信任与持续使用。AI忽视个体的独特性显著增强用户抵触心理，通过强化个性化支持或强调AI作为决策辅助者，可有效缓解该认知阻力[18]。
