由于偏见和投资不足，女性健康长期以来一直未得到医疗体系的充分关注。
人工智能有望通过减少数据荒漠、偏见和数据缺口，帮助缩小女性健康差距。
要取得实质性进展，必须从性别特异性的视角分析数据，以减少而非加剧不平等。
忽视女性健康的代价极其沉重，既包括人类苦难，也包括经济潜力的流失。
长期投资不足和偏见使女性在医疗体系中一直未获充分服务，造成公共卫生问题，也形成了价值数万亿美元的盲区。世界经济论坛估计，到2040年，缩小女性健康差距每年可为全球经济产出至少增加1万亿美元。
每项统计数据背后都是个人的挣扎。出现心脏病发作症状的女性，被误诊的可能性高出50% ，并因此被送回家。另一名女性可能忍受近 十年的疼痛，之后才被诊断出患有子宫内膜异位症。这些后果并非偶然，而是一个未能正视女性独特生理特征和健康经历的体系所导致的必然结果。
人工智能（AI）改变了局面。凭借分析海量复杂数据集的能力，它提供了有力工具，能够揭示女性健康领域长期存在的缺口和盲区。
与过去渐进式的改进不同，人工智能有望从根本上重塑我们对女性生理特征的认识，提供更精准、更公平的医疗服务，为未来世代带来更好的健康结果。
数据荒漠与偏颇的蓝图
女性健康创新的一大障碍，是缺乏可靠且具代表性的数据。从历史上看，女性在临床研究中一直代表性不足，男性身体往往被视为默认标准。
数据集往往以男性生理特征和疾病模式为默认标准，给探索发现设置了无形上限。这种偏见造成的实际后果显而易见：对于主要影响女性的疾病，它可能导致误诊概率上升和诊断延误。
基于此类不完整或有偏数据训练的人工智能系统，可能会延续而非解决不平等。
为了解这些缺口，我们采用FemHealth 框架，将女性健康状况分为“仅发生于女性”“主要发生于女性”和“在女性身上表现不同”三类。
数据荒漠——“仅发生于女性”的危机：在生理上仅女性会患的疾病，例如子宫内膜异位症和更年期相关状况，往往缺乏高质量数据集。一个例外是不孕症，数十年来的系统化数据收集为其研究提供了支持，例如通过欧洲和美国的国家登记系统收集数据。
数据缺口——“主要发生于女性”的谜题：偏头痛和自身免疫性疾病等状况会影响两性，但对女性的影响尤为突出。数据通常未按性别细分，掩盖了关键差异。缺少这些细节，人工智能就会错过女性特有的模式。
数据偏差——“在女性身上表现不同”的隐患：心脏病和糖尿病等疾病会影响两性，但历史上主要以男性标准进行校准。基于此类偏斜数据训练的人工智能可能会强化这些盲区，加剧而非消除不平等。2007年，女性特有风险迟迟才被发现后，该药物Zelnorm 被撤出市场，这是一个鲜明的警示。
跨越过往，迎头赶上
人工智能带来了一个独特机遇，让我们如今就能实现跨越式发展。女性健康领域受传统系统束缚较少，具备独特优势，可以从一开始就采用尖端人工智能工具。
仅发生于女性：发掘数据宝藏
当下：不孕症为人工智能应用提供了良好起点，相关数据丰富且结构化。基于生育登记数据训练的人工智能模型已能更准确地预测个体对治疗的反应，从而提高体外受精（IVF）的成功率。
展望未来：对于临床数据有限的疾病，人工智能生成的合成数据 可以帮助填补关键缺口，弥补真实世界数据匮乏的问题。此外，利用患者生成的数据，并对临床记录进行高级文本挖掘，即使缺少正式研究，也能发现其中的模式。
主要发生于女性：关注隐形的多数群体
当下：许多对女性影响尤为突出的疾病（如偏头痛）数据丰富，却未得到充分利用。人工智能可以整合月经周期、睡眠模式和压力水平等数据，预测发作，以便及时预防。
展望未来：最大的潜力在于从症状管理转向基于疾病机制的洞见。通过结合真实世界数据、基因组学和数字工具，先进的人工智能可以帮助发现疾病亚型，并识别女性特异性生物标志物。
在女性身上表现不同：揭示性别相关差异
当下：分析心血管疾病等状况时，往往没有考虑性别特异性差异。人工智能提供了重要机遇，让我们能够从纳入性别因素的视角重新审视现有数据集。
展望未来：研究和人工智能系统必须将生理性别视为一项基础变量。妊娠史、激素周期和更年期如今往往被排除在外，却是预测心血管疾病和哮喘风险的重要因素。未来的方向是整理平衡的数据集，并按性别分别验证算法。
缩小女性健康差距
将人工智能的分析能力与有针对性、考虑性别差异的数据相结合，可以改变女性健康领域。然而，单靠技术并不足够。最大的障碍在于结构性问题：研究以男性标准为默认，资金忽视性别特异性数据，监管则接受不区分性别的临床试验。
人工智能既可能放大这些盲区，也可能消除它们；我们将迎来怎样的未来，取决于当下的行动：
资助方可以要求其支持的研究提供按性别细分的数据，并将资金投向仅发生于女性的疾病及其他优先级较低的健康问题。
研究人员应设计将生理性别视为首要变量的人工智能模型，并分别验证针对女性和男性的研究结果。
业界可以调整临床试验设计，更充分地代表女性，并利用来自真实世界证据及其他来源的按性别细分数据，发现性别特异性模式。
政策制定者和监管机构可以通过制定财政激励措施、明确的人工智能指南和加快审批的途径，推动女性健康创新，确保新疗法对所有患者都有效。
问题已不再是人工智能能否重塑医疗，而是我们能否足够迅速地协调数据、激励措施和标准，释放其造福人类一半人口的潜力——这部分人群的需求往往被忽视。机遇清晰可见，责任在我们肩上。
