数字疗法DTx是什么？AI、生成式AI与Digital Therapeutics临床应用完整解析

数字疗法（Digital Therapeutics，DTx）正在成为数字医疗里一个越来越重要的方向，但它并不是普通健康App换了一个名字。真正意义上的DTx需要围绕明确的治疗目标，通过经过设计和验证的软件干预参与疾病预防、管理或治疗。随着人工智能、机器学习、深度学习以及生成式AI进入医疗场景，数字疗法也开始从固定流程和规则驱动系统，逐渐走向个体化预测、实时反馈、自适应治疗和自然语言交互。本文系统整理AI驱动Digital Therapeutics的发展逻辑，并结合心理健康、抑郁焦虑、慢病管理、糖尿病、肿瘤支持、康复、用药依从性和AI聊天机器人等实际应用，进一步讨论LLM、个性化治疗、临床验证、数据隐私、算法偏差、SaMD、医疗系统整合以及未来研究重点。对于正在做医学人工智能、数字健康、医疗信息学或相关方向SCI论文发表的研究者，这类课题尤其值得关注，因为真正决定论文质量的并不只是AI模型有多复杂，而是技术创新能不能形成可靠、可验证并具有临床意义的治疗路径。

1. Digital Therapeutics到底是什么？它和普通健康App有什么区别？

过去十几年，医疗数字化经历了一个很明显的变化。

最早大量使用的是比较通用的digital tools，例如健康记录、运动追踪、远程监测以及各种wellness applications。

而Digital Therapeutics，也就是通常所说的数字疗法（DTx），开始强调一个更严格的概念：

DTx是一类通过高质量软件程序提供循证治疗干预，用于预防、管理或治疗某种医学疾病或障碍的数字化治疗形式。

它可以单独使用，也可以与药物、心理治疗、康复以及其他医疗方式结合。

所以，普通健康App和Digital Therapeutics最重要的区别，不是界面做得更专业，而是：

• 有没有明确的therapeutic intent；

• 有没有结构化intervention design；

• 有没有clinical validation；

• 能不能真正进入患者治疗路径。

这也是为什么DTx越来越被看作digital health下面相对独立的一个治疗类别，而不是单纯的wellness technology。

2. 为什么传统DTx开始遇到瓶颈？

传统数字疗法并不是没有效果。

比如基于CBT的数字干预、行为训练程序、慢病提醒系统，在很多controlled setting中已经表现出一定clinical utility。

问题是，很多早期系统仍然基于：

• 固定protocol；

• 预先设定好的content；

• Rule-based decision tree；

• 静态branching logic。

换句话说，患者A和患者B可能获得稍有不同的路径，但这种“个性化”很多时候仍然是：

如果A发生 → 进入路径1；如果B发生 → 进入路径2。

这种系统真正面对真实患者时，很容易遇到两个问题。

2.1 Patient Engagement不足

数字健康领域一个非常现实的问题就是：

患者下载安装并不代表会长期使用。

很多digital intervention在刚开始几周互动比较积极，但随着时间推移，使用率和adherence逐渐下降。

如果一个治疗程序在临床试验里理论效果很好，但真实患者两个月以后已经不再打开App，那么实际治疗价值会明显打折。

2.2 Static Personalization不够

患者状态本身是动态的。

抑郁症患者今天的症状、睡眠和压力状态可能与一个月以后完全不同。

糖尿病患者的血糖、饮食、运动和用药依从性也在持续变化。

传统DTx往往无法真正根据这些longitudinal signals实时修改治疗内容。

这正是AI开始进入Digital Therapeutics的原因。

3. AI为什么可能成为下一代Digital Therapeutics的关键？

Artificial Intelligence给DTx带来的最大改变，并不是简单增加一个聊天机器人。

更重要的是，它让数字疗法第一次有可能同时具备：

• Continuous learning；

• Predictive modelling；

• Dynamic personalization；

• Adaptive intervention；

• Natural-language interaction。

机器学习可以通过历史数据识别患者behavioral patterns以及risk trajectory。

深度学习可以处理更加复杂的多模态数据。

Large Language Models和Generative AI则进一步改变患者与数字疗法的交互方式。

过去用户只能点击预先设置好的按钮。

现在患者可以用自然语言描述：

“我今天特别焦虑，昨天几乎没有睡觉。”

系统理论上可以结合患者过去的症状变化、睡眠记录以及当前context，生成更加针对性的反馈。

但这里有一点必须说清楚：

AI不应该被简单理解成一种独立治疗本身。

从目前研究来看，它更适合作为Digital Therapeutics中的enabling layer，用来增强个性化、预测、互动、扩展性以及临床工作流连接能力。

4. 这篇研究采用了什么方法？

由于AI与Digital Therapeutics的发展非常快，而且不同研究使用的术语和技术并不统一，因此这项研究没有采用传统meta-analysis，而是设计成evidence-informed narrative review。

主要原因是AI-driven DTx横跨：

• Medicine；

• Psychology；

• Digital Health；

• Clinical Informatics；

• Artificial Intelligence；

• Behavioral Science。

不同领域的evidence maturity差别很大，很难用单一统计模型完全整合。

4.1 Literature Search

文献主要通过PubMed和Scopus检索。

搜索覆盖时间一直延伸到2026年5月。

检索词被分成两个核心concept groups：

第一组：Digital Therapeutics相关词。

例如digital therapeutics、digital intervention、therapeutic app、software-based intervention、digital treatment、DTx以及相关mobile health treatment concepts。

第二组：Artificial Intelligence相关词。

包括artificial intelligence、machine learning、deep learning、generative AI、large language models、neural networks、predictive modelling等。

SaMD、CONSORT-AI和SPIRIT-AI没有作为强制检索条件，因为这些更接近监管、研究报告和implementation framework，而不是定义DTx本身的核心关键词。

4.2 Inclusion Criteria

纳入研究需要满足一个核心条件：

Digital intervention必须具有明确therapeutic或patient-centered clinical intent，同时AI必须与治疗、管理或个性化存在实际联系。

重点研究类型是systematic reviews和meta-analyses。

同时，如果某些integrative review、focused review或者conceptual framework能够提供AI、临床、伦理、监管或implementation方面的重要信息，也会纳入。

4.3 四种AI医疗功能类别

5. 最终纳入了多少研究？

主体narrative synthesis最终纳入23篇reviews。

其中大部分是systematic review和meta-analysis。

这些研究覆盖的领域并不局限于一个疾病，而是形成几个比较明确的clinical clusters：

• Mental health；

• Depression and anxiety；

• CBT chatbot；

• Suicide prevention；

• Chronic disease management；

• Diabetes；

• Cancer supportive care；

• Rehabilitation；

• Medication adherence；

• Public health；

• Generative AI and LLM healthcare applications。

6. Mental Health为什么成为AI数字疗法最成熟的方向之一？

从现有研究数量来看，mental health仍然是AI-driven Digital Therapeutics研究最集中的领域。

比较常见的应用包括：

• Depression；

• Anxiety；

• Insomnia；

• Suicide prevention；

• CBT-oriented digital interventions；

• Conversational agents。

这个领域特别适合数字疗法，有一个非常现实的原因。

心理治疗本身大量依赖：

对话、行为训练、情绪记录、认知重构、持续反馈。

这些内容天然比较容易数字化。

6.1 CBT Chatbot

很多mental health chatbot仍然建立在Cognitive Behavioral Therapy框架上。

它们可以承担：

• Daily mood check；

• 行为练习；

• CBT psychoeducation；

• Symptom monitoring；

• Medication或therapy reminder。

现有研究普遍显示，这类系统在depression和anxiety方面具有一定改善潜力，同时能够提高accessibility。

但问题同样明显：

很多研究follow-up较短。

用户前几周愿意和chatbot互动，并不代表半年以后仍然坚持。

7. Generative AI和LLM给Mental Health带来了什么？

Large Language Models最大的变化，是让human–computer conversation明显更加自然。

传统rule-based chatbot往往只能处理固定模板。

LLM则可以根据context生成开放式response。

因此它们开始被探索用于：

• Mental-health screening；

• Conversational support；

• Patient education；

• Clinical decision assistance。

但是语言表现自然，并不等于临床可靠。

在patient-facing medical application中，必须进一步考虑：

• Hallucination；

• Clinical reliability；

• Privacy；

• Algorithmic bias；

• Explainability；

• Human oversight。

所以现有证据更支持一个相对谨慎的定位：

LLM可以augment临床和治疗交互，而不是简单替代医生或心理治疗师。

8. 什么是Digital Therapeutic Alliance？

传统心理治疗里有一个非常重要的概念：

Therapeutic Alliance。

它通常涉及trust、empathy、collaboration以及患者与therapist之间的关系。

随着AI进入therapy interaction，一些研究开始提出：

Digital Therapeutic Alliance。

问题是：

AI可以表现出类似empathy的语言。

也可以根据患者回应及时反馈。

但这到底意味着建立了真正therapeutic relationship，还是只是模拟了某些关系特征？

目前仍然是open question。

所以更合理的说法是：

AI可以replicate部分alliance-related behaviors，但不能简单认为它和human therapeutic relationship完全等价。

9. 慢病管理是另一个重要DTx应用方向

Digital Therapeutics并不只是心理健康。

AI-enabled systems也越来越多地进入：

• Diabetes；

• Cancer care；

• Inflammatory bowel disease；

• Tuberculosis；

• Perinatal health；

• Dietary behavior；

• Medication adherence。

这类应用的核心通常不是“AI诊断疾病”，而是：

帮助患者长期管理疾病。

9.1 Diabetes Self-Management

糖尿病特别适合continuous digital management。

患者每天都需要面对：

• 饮食；

• 血糖；

• 运动；

• 用药；

• 生活习惯。

AI chatbot或者adaptive intervention可以提供持续feedback和education。

现有证据显示可能改善部分metabolic control和self-management outcome，但整体evidence quality仍然比较heterogeneous。

9.2 Cancer Supportive Care

肿瘤患者使用conversational agent，主要不是让AI直接治疗cancer，而是帮助处理supportive care。

例如：

• Physical activity；

• Pain management；

• Anxiety；

• Quality of life。

一些研究观察到改善，但对depression和psychological distress的效果并不始终一致。

长期engagement同样容易下降。

10. Medication Adherence为什么特别适合数字疗法？

很多慢病治疗失败并不是药物本身无效，而是患者没有持续按照治疗方案服药。

AI-based adherence tool可以结合：

• Reminder；

• 实时反馈；

• 行为数据；

• 互动式沟通；

• Risk prediction。

现有证据显示，这种技术在提高adherence和减少部分self-medication errors方面具有潜力。

但这里同样存在明显context dependence。

技术可行，不代表所有患者都会使用。

11. Tuberculosis Digital Adherence给了我们什么提醒？

结核病数字依从性技术是一个很好的反例。

Sensor、digital pillbox和mobile reporting技术理论上都能提高medication monitoring能力。

但不同国家和医疗环境中的效果差异很明显。

这说明：

Technology capability ≠ Clinical effectiveness。

Digital literacy、基础设施、患者习惯和healthcare environment都会决定最后效果。

12. AI数字疗法在康复领域怎么用？

Rehabilitation是另一个正在快速发展的方向。

比较典型的是：

• Post-stroke rehabilitation；

• Aphasia rehabilitation；

• Physiotherapy；

• AI-assisted training。

AI能够增加therapy intensity、动态调整训练难度、监测动作或者语言恢复过程。

例如post-stroke aphasia rehabilitation中，数字疗法可以帮助患者进行更多重复语言训练。

但这里有一个很重要的问题：

Generalization Gap。

患者在训练软件里的performance变好了，不代表现实生活中的communication ability一定等比例改善。

这也是医学AI论文中特别容易被忽略的问题。

13. AI-driven DTx经历了三个发展阶段

需要注意的是，这不是三个互相取代的系统。

现实医疗中往往会混合使用。

安全关键部分可能仍使用固定validated algorithm，而自然语言互动层使用LLM。

这种hybrid architecture反而可能更符合临床实际。

14. Personalization为什么成为AI数字疗法最重要的关键词之一？

Personalized Medicine本身并不是AI出现以后才有。

但AI让数字疗法第一次有机会把个性化做到更动态。

传统personalization可能只是：

年龄不同 → 不同内容。

病情不同 → 不同路径。

AI-driven personalization则可以进一步结合：

• Symptom trajectory；

• Behavioral pattern；

• Ecological sensing；

• Medication behavior；

• Interaction history；

• Real-time response。

理论上，系统能够不断重新估计：

患者现在最需要什么干预？

15. Just-in-Time Adaptive Intervention是什么？

JITAI，也就是Just-in-Time Adaptive Intervention，是数字疗法中一个很值得关注的方向。

它并不是每天固定上午9点推送一次提醒。

而是希望系统判断：

患者什么时候最需要干预？什么内容最合适？

比如通过手机行为、睡眠数据和mood trajectory判断一个抑郁患者今天状态正在恶化，那么系统可以在风险上升阶段提供更加及时的support。

这类方法正是Machine Learning和Digital Therapeutics结合后比较有价值的研究问题。

16. AI算法越复杂，临床效果一定越好吗？

答案并不一定。

从这篇综述和近年clinical studies的综合结果来看，一个非常重要的结论是：

Patient engagement和patient heterogeneity有时候比algorithm sophistication更能决定最终clinical outcome。

一个非常复杂的模型，如果患者根本不用，效果仍然有限。

反过来，一个相对简单但能长期坚持使用、和clinical workflow配合良好的系统，实际价值可能更高。

17. 真实临床研究给出了什么结果？

除了23篇secondary reviews以外，研究还选择了近三年的一些primary clinical studies和randomized controlled trials。

这些研究不是为了组成一个新的systematic review，而是作为clinical translation layer，用来验证前面总结出来的趋势。

综合这些临床研究后，可以看到几个共同特点：

• Personalization开始得到更多真实临床验证；

• Patient engagement仍然高度影响outcome；

• Clinical integration越来越重要；

• 单纯baseline feature prediction的generalizability仍然有限；

• 真实世界数据、longitudinal data和multimodal data更值得继续研究。

18. AI-driven DTx最终更像“Augmentation Technology”

这是原研究一个非常重要的结论。

从目前证据来看，AI数字疗法更合理的位置不是：

AI替代医生。

而是：

AI增强治疗流程。

它可以承担：

• Continuous monitoring；

• Personalized feedback；

• Patient education；

• Low-intensity support；

• Decision assistance；

• Early risk detection。

而医生继续承担：

• 复杂临床判断；

• 诊断；

• 治疗方案责任；

• 高风险决策；

• Human relationship。

这就是现在越来越常见的Hybrid Human–AI Care Model。

19. AI数字疗法面临的第一个大问题：Evidence Heterogeneity

目前Digital Therapeutics研究最大的困难之一，是不同研究几乎很难直接比较。

差异可能来自：

• Patient population；

• Disease area；

• Intervention duration；

• Technology architecture；

• Outcome measure；

• Degree of automation。

例如两个都叫mental-health chatbot的系统，一个可能只是CBT rule-based assistant，另一个已经接入LLM。

把它们简单归为同一个“AI chatbot”进行meta comparison，可能会掩盖大量methodological difference。

20. 第二个核心问题：缺乏Long-Term Validation

很多数字疗法研究有一个共同特点：

Short-term result比较漂亮，long-term evidence不够。

患者治疗4周以后depression score下降，并不能直接说明：

6个月以后仍然有效。

也不能说明患者仍然继续使用。

因此future study应该更关注：

• Long-term effectiveness；

• Sustained engagement；

• Retention；

• Real-world implementation。

21. 第三个问题：AI Explainability与Clinical Reliability

当AI只是提醒患者喝水时，可解释性的要求可能没那么高。

但如果AI开始决定：

一个抑郁患者是否需要升级干预。

一个糖尿病患者是否存在风险。

一个患者的治疗内容下一步如何调整。

那么问题就变得非常不同。

Clinical AI需要面对：

• 为什么给出这个recommendation？

• 模型confidence是多少？

• 哪些data影响了decision？

• Distribution shift以后还能可靠吗？

• 发生错误以后谁负责？

因此AI-driven DTx不能只验证模型accuracy，还必须验证clinical relevance、robustness和safety。

22. 第四个问题：Clinical Workflow Integration

很多Digital Therapeutics现在仍然是一个相对独立的App。

患者在App里使用。

医生在医院系统里工作。

两边的数据并不真正连接。

这会带来很明显的问题：

• EHR integration不足；

• 医生看不到患者DTx长期数据；

• Digital intervention无法获得最新clinical context；

• Workflow出现重复录入。

如果未来DTx想真正成为treatment pathway的一部分，interoperability会变得非常关键。

23. 第五个问题：Privacy与Data Governance

AI数字疗法往往需要大量patient data。

包括：

• Medical records；

• Behavioral data；

• Conversation history；

• Sensor data；

• Location或activity information。

越个性化，就意味着需要越多数据。

这形成一个天然trade-off：

Personalization vs Privacy。

因此AI-driven DTx在进入真实医疗系统以后，数据使用边界、storage、consent和governance都会成为核心问题。

24. 第六个问题：Algorithmic Bias与Health Equity

AI个性化有可能提高医疗可及性。

例如资源不足地区的患者，可以通过数字疗法获得基础心理支持。

但AI同样有可能扩大health inequality。

原因并不一定来自算法本身。

患者可能：

• 没有合适设备；

• 网络条件不好；

• Digital literacy有限；

• 语言与系统不匹配；

• 不信任AI医疗。

所以未来clinical evaluation不能只看：

“平均效果是多少？”

还应该看：

• Accessibility；

• Acceptability；

• Inclusiveness；

• Usability；

• Fairness。

25. Cultural Adaptation同样不能忽略

Mental health尤其受到文化背景影响。

同一句supportive response，在不同国家和语言环境里可能完全不是同样的感受。

因此，在美国开发有效的AI therapeutic system，并不意味着直接翻译成中文、西班牙语或者阿拉伯语就能得到相同clinical outcome。

未来研究需要：

• Culturally sensitive design；

• Cross-cultural validation；

• Language adaptation；

• Local clinical context evaluation。

26. 监管：Digital Therapeutics是不是SaMD？

AI-driven DTx正在进入一个比较复杂的监管区域。

部分Digital Therapeutics可能具有Software as a Medical Device，也就是SaMD属性。

但AI-driven DTx又比传统medical software更加复杂，因为它可能具有：

• Continuous data collection；

• Adaptive algorithms；

• Personalization；

• Conversational AI；

• Potentially continuous learning。

目前还不存在一个全球统一、完整覆盖AI-driven Digital Therapeutics整个lifecycle的监管体系。

更多时候是组合使用AI governance、SaMD、clinical research以及digital health technology assessment等框架。

27. CONSORT-AI与SPIRIT-AI有什么意义？

对于AI医疗SCI论文而言，这两个词非常重要。

CONSORT-AI主要帮助规范AI intervention clinical trial的报告。

SPIRIT-AI更多关注AI clinical trial protocol应该怎样设计和披露。

它们的价值并不是告诉研究人员“用什么算法”。

而是让一个AI clinical study更透明地说明：

• AI intervention到底做了什么；

• 输入数据来自哪里；

• Human–AI interaction怎么发生；

• 系统错误怎么处理；

• Clinical workflow中如何使用。

28. 未来AI数字疗法的6个研究重点

29. 为什么未来研究不能只增加一个更大的LLM？

从目前证据来看，AI数字疗法真正的瓶颈已经不只是model capability。

就算明天出现一个更强的LLM，下面这些问题依然不会自动消失：

• 患者会不会长期使用？

• 真实世界效果如何？

• 不同国家能不能适用？

• 医生是否愿意整合进workflow？

• 出现错误怎么处理？

• 敏感数据怎么保护？

• 监管怎样评估不断变化的模型？

所以未来更值得做的是：

Technology + Clinical Evidence + Human Factors + Governance。

30. AI数字疗法现在处于什么发展阶段？

根据这篇综述，目前更准确的描述不是“DTx已经进入成熟AI医疗时代”。

而是：

AI-driven Digital Therapeutics正在进入Clinical Translation和Translational Maturity阶段。

也就是说，它正在从：

Proof-of-concept → Clinical validation → Healthcare integration。

一些领域已经拥有RCT和较多secondary evidence。

另一些应用仍停留在feasibility或者pilot stage。

不同疾病方向的maturity差别很大。

31. Conclusion：AI-driven Digital Therapeutics未来真正决定成败的是什么？

Digital Therapeutics正在从静态、protocol-driven digital intervention逐渐发展成更加adaptive、data-driven和AI-enabled的therapeutic model。

AI在其中最明显的价值主要体现在：

• Personalization；

• Prediction；

• Continuous monitoring；

• Adaptive feedback；

• Conversational interaction；

• Clinical workflow support。

Mental health目前是研究最丰富的方向之一。

同时AI-driven DTx正在进一步进入neurorehabilitation、chronic disease management、oncology rehabilitation、medication adherence以及behavioral medicine。

但现阶段不能只看短期symptom improvement。

Patient engagement和long-term adherence仍然决定真实治疗效果。

Methodological heterogeneity、clinical validation、interoperability、explainability、privacy、bias以及equity同样是影响大规模落地的核心因素。

未来真正成功的AI数字疗法，很可能不是一个完全自动的“AI医生”，而是一个被clinical workflow真正接受、拥有明确治疗机制、能够持续评估疗效并与医疗专业人员形成合理协作关系的adaptive system。

32. 从这篇Digital Therapeutics综述看，医学AI方向SCI论文应该怎么做？

AI+医疗方向论文一个非常常见的问题，是把算法效果等同于clinical contribution。

例如：

“我们模型AUC达到0.94，因此能够改善患者治疗。”

中间其实缺了一大段证据。

对于Digital Therapeutics或者AI医疗方向SCI论文发表，更完整的研究链应该是：

33. Digital Therapeutics方向有哪些比较适合继续做的SCI选题？

如果研究生或者医生准备做DTx、医学AI、数字医疗相关论文，我反而不太建议直接使用“Artificial Intelligence in Digital Therapeutics”这种过大的题目。

可以进一步缩小到：

• AI-based personalization in digital therapeutics；

• LLM-supported mental-health interventions；

• JITAI for depression or anxiety；

• AI chatbot for diabetes self-management；

• Machine learning prediction of DTx adherence；

• Digital therapeutic alliance；

• Generative AI safety in patient-facing DTx；

• Multimodal personalization in Digital Therapeutics；

• AI-driven DTx and health equity；

• Clinical validation framework for adaptive DTx。

这些题目更容易形成明确的research Question和publication logic。

34. SCI发表辅导与Digital Health论文投稿支持

医学人工智能、Digital Therapeutics、数字健康、医疗信息学这些论文和普通计算机论文有一个比较明显的区别：

单纯证明“模型效果更高”往往不够。

稿件还要解释clinical significance、patient population、validation strategy、ethics、data governance以及real-world implementation。

对于已经有研究方向、数据、实验结果或者论文初稿的作者，我们提供SCI发表辅导，可以围绕选题收缩、research gap、文章结构、实验逻辑、临床结果解释、英文修改、图表整理、目标期刊匹配以及审稿意见处理等环节进行持续协助。

医学AI和Digital Health稿件尤其需要注意“技术贡献”和“临床贡献”之间是否真正建立联系。如果是Review文章，还需要进一步检查search strategy、evidence classification和future research framework有没有清晰的方法学逻辑。

根据论文实际阶段，也可以咨询SCI论文写作、深度修改、英文语言优化、选刊和投稿流程相关支持。商业服务部分并不需要在技术正文中反复出现，真正重要的是让读者先从文章里获得有价值的信息。

对于希望持续跟进投稿流程的项目，我们同时提供投稿无限期服务直到见刊，在约定服务范围内持续协助期刊匹配、投稿材料准备、审稿意见分析、返修以及必要情况下重新匹配期刊等工作。具体审稿周期和录用结果仍需要结合研究方向、稿件质量、目标期刊和实际审稿流程判断。

FAQ：Digital Therapeutics、AI医疗与SCI论文常见问题

Q1：Digital Therapeutics是什么意思？

Digital Therapeutics简称DTx，通常指通过循证的软件程序提供治疗干预，用于预防、管理或治疗疾病。它与普通健康App最大的区别，是具有明确治疗目的并强调clinical validation。

Q2：Digital Health和Digital Therapeutics是同一个概念吗？

不是。Digital Health范围更广，包括健康记录、监测工具、wellness app等。Digital Therapeutics属于其中治疗目的更明确的一类。

Q3：AI在数字疗法中主要有什么作用？

目前主要用于personalization、prediction、adaptive intervention、continuous monitoring、conversational interaction以及clinical decision support，并不意味着AI本身自动成为一种完整治疗。

Q4：ChatGPT或者其他LLM可以直接作为Digital Therapeutics吗？

不能简单这样理解。LLM可以成为DTx中的conversation或personalization layer，但真正的Digital Therapeutics还涉及治疗机制、临床验证、安全性、监管和真实医疗流程等要求。

Q5：AI数字疗法目前应用最多的领域是什么？

现有研究中mental health相对丰富，包括抑郁、焦虑、失眠、CBT chatbot和suicide prevention。另外也已经扩展到糖尿病、癌症支持、康复、用药依从性和慢病管理。

Q6：AI数字疗法最大的研究问题是什么？

目前比较突出的问题包括evidence heterogeneity、long-term validation、patient engagement、clinical integration、AI explainability、data privacy、algorithmic bias和health equity。

Q7：Digital Therapeutics适合做SCI论文吗？

适合，而且属于医学、人工智能和数字健康交叉方向。建议进一步缩小到具体疾病、患者群体或者AI功能，例如AI个性化、mental-health chatbot、DTx adherence prediction或者LLM safety。

Q8：医学AI论文为什么不能只报告AUC？

因为算法性能只是clinical translation的一部分。医疗论文还需要关注patient outcome、generalizability、safety、engagement、clinical utility以及真实工作流中的实际价值。

Q9：SCI发表辅导一般可以处理哪些部分？

可以根据稿件阶段协助research gap、结构设计、实验呈现、临床结果解释、英文表达、期刊筛选、投稿材料以及审稿意见返修等环节。

Q10：投稿无限期服务直到见刊是什么意思？

主要表示在约定服务范围内持续跟进期刊筛选、投稿、审稿意见处理、返修以及必要情况下重新匹配期刊，而不是只完成首次投稿后结束服务。