一篇最新公开的范围综述（Scoping Review）以近十年为窗口，系统梳理了 AI 在基层与农村用药安全中的证据版图。最终纳入 87 项研究，结论明确：处方复核类 AI 已在真实数据上跑通临床验证，而数据孤岛与评估碎片化仍是拖慢落地的两块短板。
如果把 87 项研究按技术路线拆开看，演化路径很清晰：先是专家系统式的规则引擎，接着是机器学习打分模型，最后是大语言模型的对话式医嘱审核。
但这三代不是替换，是叠加。
比例为「该技术路线在综述纳入研究中的出现频次」；同一研究可覆盖多条路线，合计超过 100%。条宽度只表示采用度，不代表效果优劣。
范围综述不回答「某套系统是否有用」，它回答的是另一类问题：这个领域的证据长什么样？哪些子领域已经跑通，哪些还在起步？
同样是看文献，问法不同，答案的形状完全不同。
只回答「特定系统在特定场景有没有效」，结论难以外推，也不负责告诉你隔壁赛道有多拥挤。
绘制整个领域的证据地图，识别成熟地带与证据空白——它交付的不是一个结论，而是一个坐标系。
从初检到纳入，文献量衰减超 93%——排除主因集中在「场景不在基层/农村」与「未报告用药安全结局」。检索覆盖中英文数据库，意味着不少本土部署经验也进入了证据池。
一张证据地图的价值，在于告诉你该往哪里看。87 项研究的分布里，有三个子领域反复出现。
它们分别对应基层用药安全的三道防线。
87 项研究里，AI 系统几乎都跑通了「能不能用」的技术验证。但有一批限制条件，被不同的研究者反复写进讨论部分。
这些墙，不是预测，是已经被数据撞过的墙。
高频/中频依据「研究将该项表述为限制条件的频次密度」划分——它们不是担忧清单，而是实验设计的实际约束。
值得注意：这四堵墙里，有三堵属于工程与治理问题，而不是模型能力问题。也就是说，卡住基层 AI 用药安全的，并不是「模型不够聪明」。
把 87 项研究的缺口拼在一起，会得到一张比任何单篇结论都更清楚的三步路线图。
统一药品编码与患者主索引，把处方、检验、诊断流接到同一条时间线上——这是所有 AI 复核的地基。
对照组设置为「药师常规流程」而非「无干预」。在真实门诊流水中测误报与漏报，而不是在历史数据集上测 AUC。
让 AI 处方审核成为处方流转的正式环节，并纳入基层服务质量考核——没有准入机制，工具永远只是工具。
三步顺序来自综述的限制条件分析：数据制约验证，验证不足制约准入——前一步不补，后一步无从谈起。
这篇综述最诚实的地方，是没有把任何子领域描述成「已经成功」。处方复核类 AI 的证据已足够支撑上岗尝试，但整个领域仍在用回顾性的方式，证明一件本应放到真实门诊里去检验的事。当证据主体从「技术可行性」滑向「部署就绪度」，真正决定落地速度的，不再是模型变得多聪明，而是评估规则跟不跟得上、数据地基补不补得齐。
综述全文开放获取，在 arXiv 平台检索标题《Improving Rural Medication Safety with AI: A Scoping Review》即可阅读。这是二次创作快讯，我们不提供跳转链接——保留一次亲手检索，也保留一次对原始证据的核对。
arXiv 检索：Improving Rural Medication Safety with AI: A Scoping Review