公共衛(wèi)生領(lǐng)域算法治理的實現(xiàn)途徑及法律保障

文/唐林垚

監(jiān)管部門長期以來面臨的主要矛盾，是日益增長的監(jiān)管對象和監(jiān)管資源不平衡不充分之間的矛盾；公共衛(wèi)生領(lǐng)域尤其如此。既然不能無節(jié)制地擴充編制和規(guī)模，監(jiān)管部門只能竭盡所能，將有限的資源利用到極致。伴隨著新公共治理理論的崛起，風險評估先行的監(jiān)管路徑應運而生：監(jiān)管部門一改過去“出現(xiàn)問題—解決問題—因解決問題造成新問題”的被動路徑依賴，通過“減輕或豁免對低風險對象的監(jiān)管，將更多的資源和注意力用于對高風險對象的監(jiān)管”，在更有效遏制風險發(fā)生的同時卻不額外加重監(jiān)管部門和低風險對象的負擔。

2020年新冠肺炎疫情發(fā)生后，習近平總書記在統(tǒng)籌推進新型冠狀病毒（以下簡稱“新冠”）肺炎疫情防控和經(jīng)濟社會發(fā)展工作部署會議上提出了“科學防治、精準施策”的工作要求，足見風險評估先行的監(jiān)管路徑在重大公共衛(wèi)生突發(fā)事件中的應對意義。兼具授權(quán)性規(guī)則和義務(wù)性規(guī)則的雙重意味，帕洛夫斯基將評審定義為“以比較式的類型構(gòu)建取得法的認識”，那么，從法詮釋學和類型構(gòu)造的角度出發(fā)，公共衛(wèi)生領(lǐng)域的算法治理應如何構(gòu)建？公共衛(wèi)生領(lǐng)域的科技進步，關(guān)乎民生、關(guān)乎產(chǎn)業(yè)發(fā)展、關(guān)乎國家安全和社會穩(wěn)定，是國家治理體系和治理能力現(xiàn)代化的重要組成部分。技術(shù)普惠既需要宏觀層面的產(chǎn)業(yè)政策作為支撐，也需要中觀層面的法律法規(guī)確立價值導向，更需要微觀層面的規(guī)范指引矯正實踐偏誤。在“支撐、引導和矯正”的語境下，本文著重探討公共衛(wèi)生領(lǐng)域算法治理不可或缺的法律保障，以期為智慧醫(yī)療、數(shù)字抗疫之實現(xiàn)明確途徑。

醫(yī)院評審制度的法律沿革與算法治理的先行實踐

在漫長的實踐過程中，為實現(xiàn)風險評估先行的監(jiān)管路徑，公共管理部門大致演化出了三種對衛(wèi)生法律關(guān)系主體進行評價或?qū)彶榈穆窂剑蛇h及近分別為基于既定規(guī)則的等級評審、基于統(tǒng)計回歸的專家排序，以及基于機器學習的算法治理。

醫(yī)院分級評審的初衷，在于優(yōu)化醫(yī)療資源配置：通過促進醫(yī)院間的病理分流和多向轉(zhuǎn)診，讓區(qū)域病疫風險“可防可控”。然而，無論是基于既定規(guī)則的等級評審，還是基于統(tǒng)計回歸的專家排序，顯然在效果上背離了上述初衷。在指標選取方面，基于統(tǒng)計回歸的專家排序和基于既定規(guī)則的等級評審相差無幾，兩種路徑都充斥著大量僅憑直覺或約定俗成的先驗指標：對醫(yī)院的硬件規(guī)模和科研實力過于重視，卻長期忽略患者的真實就醫(yī)體驗。如果我國下一輪醫(yī)院評審只是在形式上實現(xiàn)了從政府向第三方機構(gòu)“放管服”，只是在方法論上完成了從基于既定規(guī)則的等級評審向基于統(tǒng)計回歸的專家排序的轉(zhuǎn)變，將無助于“推進衛(wèi)生健康基本公共服務(wù)均等化、普惠化、便捷化和公共資源向基層延伸”，更不能在實質(zhì)上提升監(jiān)管部門應對“突發(fā)公共衛(wèi)生事件”的能力。說到底，若評審不科學，則結(jié)果無意義——迄今為止的各種努力，最終都陷入了“形式主義”和“唯方法論”的倫理窘境。

近年來，大數(shù)據(jù)和人工智能等技術(shù)的發(fā)展，為公共治理領(lǐng)域的監(jiān)管提供了獨樹一幟的解決方案。算法治理的核心在于，從對規(guī)整對象既存狀態(tài)的分級評審，轉(zhuǎn)化為根據(jù)文本片段和規(guī)范數(shù)據(jù)進行的動態(tài)評價計算，目的是將主觀與客觀因素、偶然與必然結(jié)果之間的蓋然性一覽無余，促進監(jiān)管部門的正面價值取向和技術(shù)規(guī)制的中立精神相互增益。與此同時，其思維本質(zhì)從決定論向概率論的跳躍，將使算法治理內(nèi)在的解釋與商談，從“利益主導話語權(quán)”的批判法學主張，向“各方互動合力”的、具有民主色彩的實驗主義法學邁進。機器學習模型不會拘泥于主觀價值判斷，甚至不會受制于過往經(jīng)驗與事實造就的充滿內(nèi)在矛盾和主觀間性的現(xiàn)有評價體系，而是在海量的大數(shù)據(jù)和文本中篩選出最能顯示風險特征的維度或論題，對其進行邏輯嵌套與循環(huán)遞歸以尋求建立全新共識的種種可能性。這種評價的自創(chuàng)生實屬破壞性創(chuàng)新，目的是要掙脫既定規(guī)則的相互掣肘，也或多或少具有彭加樂“約定主義”的特征，主張經(jīng)驗中出現(xiàn)的事實可以被融會到無限不同假設(shè)構(gòu)造中的任何一種。

公共衛(wèi)生領(lǐng)域風險評估方式的嬗變，印證了“以缺陷為代價的解決方案不能長久”的法倫理，在謹慎樂觀的同時，我們不得不心生警惕，以公共目標為導向的算法治理是否存在邊界？算法治理固然不可能完美無瑕，究竟遵循怎樣的信息化程序，才能更好兌現(xiàn)公共衛(wèi)生領(lǐng)域風險評估先行的監(jiān)管承諾？

公共衛(wèi)生領(lǐng)域算法治理的規(guī)范性分析及實現(xiàn)路徑

本質(zhì)上，風險指標的選取是一個關(guān)涉“規(guī)范內(nèi)涵和事實結(jié)構(gòu)”的法律命題，從未跳出“價值判斷標準客觀化”的藩籬。就像法官在尋求案件適用的法律規(guī)范時，需要通過準確無誤的判斷和聯(lián)想找到適當?shù)囊?guī)范稟賦那般，我們期望機器學習模型在將大量規(guī)范、解釋和事實都納入運算范圍之后，通過對數(shù)據(jù)和文本的交互參考來模擬自然人的理性判斷，逐步篩選出（甚至創(chuàng)造出）可以被解釋的規(guī)范所涵攝的各項指標。這正是算法治理的智能所在：它不依賴于既定的經(jīng)驗和知識，而是在機器學習過程中形成對底層數(shù)據(jù)的獨特理解，它順從又超越法律概念涵攝和類型歸屬進行拉倫茨所稱的“一種為獲得知識而進行的，有計劃的活動”——法律續(xù)造。

只要傳統(tǒng)醫(yī)院分級評審方式的指標選取具有顯著缺陷，通過算法選擇更優(yōu)指標的行為就具有合理性，更何況，機器學習模型還能通過對大數(shù)據(jù)的挖掘識別出一般人根本不會注意到的隱性規(guī)律和模式。算法治理優(yōu)于自然人評價的可能之處，就在于能夠跳出既有標準的重疊指涉，擺脫“感覺主義和先驗的唯理主義強加的負擔”，根據(jù)要“履行的操作以及由這些操作的結(jié)果對觀念有效性的檢驗”，顛覆現(xiàn)有的評價體系。在這個意義上，人們對算法治理抱有的普遍期待是，機器學習模型能夠在海量大數(shù)據(jù)中“眼光往返流轉(zhuǎn)”，不受既有規(guī)則的遮蔽，忽視重復細節(jié)對結(jié)果處理的現(xiàn)實意義，通過高頻次的擬合甚至仿生嘗試，求解出堪稱圓滿的整體性規(guī)則。這種續(xù)造規(guī)則的圓滿性，以之前規(guī)則——各項傳統(tǒng)風險指標——已被證明的重疊指涉性為合法依據(jù)。

在規(guī)則圓滿性無法驗證的情況下，基于機器學習的算法治理就只能從監(jiān)管目的及監(jiān)管效果中尋求正當性根源。從過往經(jīng)驗來看，無論是基于既定規(guī)則的等級評審，還是基于統(tǒng)計回歸的專家排序，在結(jié)果上均不能清晰而準確地反映公共衛(wèi)生領(lǐng)域的資源失衡狀況和潛在風險指數(shù)，全然無助于風險評估先行的監(jiān)管實踐。本來旨在優(yōu)化醫(yī)療資源配置的評審工作反而導致了醫(yī)療機構(gòu)的盲目擴張和重復建設(shè)，本來有望促進監(jiān)管部門進行分級管理的醫(yī)院排序最終淪為廣大病患的聲譽參考，其準確性和客觀性還有待進一步考證。因此，只有在結(jié)果上成為監(jiān)管部門風險評估先行監(jiān)管路徑的“最優(yōu)解”，或至少成為相對于基于既定規(guī)則的等級評審和基于統(tǒng)計回歸的專家排序的“更優(yōu)解”，基于機器學習的算法治理才具有正當性。

在求解指標的運算過程中，機器學習模型并非將既存一般性規(guī)范局限到特定指標，而是在給定范圍的區(qū)間內(nèi)，創(chuàng)造出具有一般性規(guī)范特征的全新指標。在這個意義上，機器學習模型的獨特價值在于實現(xiàn)自然人力所不逮的“溫故而知新”——在看似毫無關(guān)聯(lián)的海量數(shù)據(jù)和文本中，挖掘出具有重大意義的內(nèi)在規(guī)律，以人機共同作業(yè)的方式來構(gòu)筑成文法體制下邏輯法學式的推理和演繹，并在此基礎(chǔ)上適度創(chuàng)新。由此可見，較之于“判別式學習”構(gòu)架，“生成式學習”構(gòu)架不僅能在既有資源下窮盡一切指標搭配組合，還能通過“眼光往返流轉(zhuǎn)”的過程真正實現(xiàn)“知識創(chuàng)造”，更能夠滿足公共衛(wèi)生領(lǐng)域的算法治理所需。

考慮到算法治理的正當性源于能夠更好地促進風險評估先行監(jiān)管實踐，而公共衛(wèi)生領(lǐng)域風險評估的規(guī)整意向、計劃及其內(nèi)含目的拘束已經(jīng)為機器學習模型的“法律續(xù)造”劃定了邊界，各類風險指標的求解和生成，務(wù)必要回歸醫(yī)院分級評審的“初心”，以科學性、規(guī)范性和中立性的彼此調(diào)和為其“實踐理性”；法律和算法之間的互動從中可以窺見一斑。從基于既定規(guī)則的等級評審到基于統(tǒng)計回歸的專家排序，再到基于機器學習算法治理，風險指標的選取由自然人向自動化機器過渡，但所有的風險指標“依其位階衡量輕重”的評估邏輯，始終沒有發(fā)生改變。算法治理的構(gòu)建路徑不一而足，但其本質(zhì)是經(jīng)由多個彼此之間相互“卷積”的機器學習模型——其函數(shù)聯(lián)結(jié)和指標生成滿足起碼的、可被檢驗的一致性和規(guī)范性要求——所構(gòu)成的治理體系。需要關(guān)注的是，算法治理在理論上的可以實現(xiàn)，并不等同于現(xiàn)實意義上的有效實現(xiàn)。“操作方式”需與“法律保障”相輔相成，才能逐級克服算法治理的潛在缺陷，最大化風險評估先行治理路徑可能帶來的社會效益。

從價值秩序到法律保障：公共衛(wèi)生領(lǐng)域的多元共治體系

法律關(guān)系的根本性重塑呼吁“構(gòu)建一體融合的法律體系，探索新型的代碼規(guī)制方式，塑造高度自主的精細化治理秩序”，這也是公共衛(wèi)生領(lǐng)域算法治理所必需的基本法律保障。概而論之，利用算法實現(xiàn)風險評估先行的監(jiān)管路徑，所面臨的法律挑戰(zhàn)不僅僅是“更復雜的技術(shù)”以及“更多的數(shù)據(jù)”對個人權(quán)利的侵蝕乃至剝奪，更是在監(jiān)管職能和數(shù)據(jù)歸屬日趨分散的背景下，構(gòu)建適當?shù)姆芍贫葋肀苊馑惴ㄍ獠啃缘膹浬⒑筒缓侠磙D(zhuǎn)嫁。

公共衛(wèi)生領(lǐng)域算法治理的實現(xiàn)，必須以規(guī)模足夠龐大的醫(yī)療數(shù)據(jù)庫以及分布相對均勻的病患樣本作為基礎(chǔ)，必須依靠完整的、實時的、多渠道的數(shù)據(jù)信息鏈才能獲得可靠的風險評估結(jié)果。尤其是，醫(yī)療服務(wù)中的諸多細枝末節(jié)也必須要包括在內(nèi)，例如一次完整的就診過程中各個時間節(jié)點的評價與互動、歷次預防保健工作中已經(jīng)司空見慣的臨床流行病學調(diào)查結(jié)果等，否則機器學習模型的潛力將無法完全發(fā)揮。但是，符合國家統(tǒng)一標準、超大型數(shù)據(jù)庫的建立以及在相當長一段時間內(nèi)合格患者的樣本采集，定然是一項任重而道遠的社會工程，需要強有力的政策、法律和國家財政支持。

作為化危機為契機的重要手段，算法治理必然帶來政府職能的結(jié)構(gòu)性轉(zhuǎn)變。雖說“政府主導”，但國務(wù)院《關(guān)于取消一批行政許可事項的決定》等文件中的“簡政放權(quán)”精神依然應當?shù)靡载瀼睾吐鋵崳涸诨诩榷ㄒ?guī)則的等級評審中是“政府主導評審”，在基于機器學習的算法治理中就應當轉(zhuǎn)變?yōu)椤罢鲗Х龀帧薄Ｋ惴ㄖ卫硇枰蠓秶⒍嗖块T、眾行業(yè)的數(shù)據(jù)共享，以便更完整地覆蓋同公共衛(wèi)生相關(guān)的活動、業(yè)務(wù)和流程。新冠病毒的高變異性、強傳染性和深度潛伏性使得2020年新冠肺炎疫情超越了一般健康事件的范疇上升至“公共道德事件”，以行政手段帶來的“社會共律”是對社會個體普遍自律不足的必要補充。

從規(guī)則形成的角度來看，所有公共衛(wèi)生領(lǐng)域的風險評估方式，無論是基于既定規(guī)則的等級評審，還是基于統(tǒng)計回歸的專家排序，甚至是基于機器學習的算法治理，均是人們在繁復又未必令人滿意的價值導向的思考之上，生發(fā)出價值判斷形成的契機，又通過監(jiān)管部門的采納和批復，成為具有指導意義的風險評估方式。在實現(xiàn)風險評估先行的監(jiān)管路徑的首要價值取向之外，監(jiān)管部門也同時追尋并維護著現(xiàn)行有效的價值規(guī)范。這些價值規(guī)范彼此之間有著與時俱進的階層秩序，多數(shù)時候完全取決于政策制定者的偏好，但它們決定了機器學習模型的規(guī)范續(xù)造邊界，是算法程序設(shè)計和運行必須遵守的元規(guī)則。雖然在不同時期各有側(cè)重，但這些價值規(guī)范體現(xiàn)出的對指標合理性、目的明確性、評價中立性、審查科學性、標準一貫性以及將臨床和預防結(jié)合的追求，反映了各國監(jiān)管部門基于公共衛(wèi)生領(lǐng)域內(nèi)在秩序不斷將外部實踐所得真理融合成一致價值規(guī)范的孜孜不倦的努力。

亟待解決的問題是，當下對算法可解釋性的硬性要求，雖使得機器模型的求解過程看似可審查，卻不足以確保算法將重要的自然人價值規(guī)范一以貫之；相關(guān)的法律規(guī)定只是迫使監(jiān)管部門加大尋求正當化算法治理的理由而已。對算法可解釋性的法律規(guī)定進行補強的解決方案之一，是以成文法的方式，強行要求在機器學習模型環(huán)節(jié)引入同行評議，由外部同行對模型和算法構(gòu)建進行審查。具體而言，同行評議應對算法求得的風險指標進行有目的的審查，一是“向上”回溯機器學習模型的求解路徑是否具體化了特定的社會價值理念，二是“向下”檢視各風險指標的加權(quán)與賦值是否與實證的具體結(jié)論大致相符。除了應具備規(guī)范性、滿足一定程度的社會實效性之外，機器模型試圖構(gòu)建的風險評估先行的算法監(jiān)管路徑，還應當反映出在倫理方面最低程度的正當化努力。

機器學習模型不以實物或現(xiàn)象所有的構(gòu)成部分及其組合或排列而成的豐盈具象來把握自然人通過感官和思維來認識的客體，易言之，不是將其作為獨一無二的整體來進行理解和對待，而是透過對數(shù)據(jù)和文本的深度挖掘以掌握其中個別特征或要素，并借助這些個別特征或要素去理解其他的特征或要素，以及他們之間可能存在的線性關(guān)聯(lián)。這種“升格推演”的求解路徑?jīng)Q定了，相較于基于既定規(guī)則的等級評審和基于統(tǒng)計回歸的專家排序，基于機器學習的算法治理在受評醫(yī)院的歧視方面，有過之而無不及：法學家們稱為算法的“自反性現(xiàn)象”或“諾米克博弈”。由此引出的重要問題是，在醫(yī)療保健機構(gòu)的風險評估方面，如何才能跳出傳統(tǒng)評價體系導致受評醫(yī)院“強者恒強、弱者恒弱”的自反性悖論呢。規(guī)范法學給我們的教義是，根據(jù)擬衡量的要求或標準所具有的準則性和拘束性探求規(guī)則的規(guī)范性效力——邏輯上的統(tǒng)一來自系統(tǒng)化，而系統(tǒng)化的前提是對知識進行聯(lián)結(jié)化處理。

在權(quán)益保護方面，微觀層面的操作規(guī)則比國家層面的政策和中觀層面的法律更加有效，因為基層公共部門能更貼近事物的本質(zhì)，實現(xiàn)“適當?shù)囊?guī)整”，同時還能站在相關(guān)人的角度兼顧各項規(guī)則可能引發(fā)的信賴利益。簡政放權(quán)下沉到基層的自由裁量權(quán)，或?qū)⒂兄谝痪€公務(wù)員對國家宏觀政策不折不扣地落實以及同中觀價值譜系嚴絲合縫地銜接，這著實意味深遠。

法律的終極原因是社會福利，技術(shù)亦然。后疫情時代，公共衛(wèi)生領(lǐng)域算法治理的“成與不成”，取決于三重假設(shè)的交互：其一，程式設(shè)計者能在多大程度上將妥當?shù)目剂拷Y(jié)構(gòu)性轉(zhuǎn)化為機器模型可執(zhí)行的問題和任務(wù)，并有足夠的數(shù)據(jù)樣本和試錯余地作為支撐；其二，行業(yè)監(jiān)管部門有多大能力確保算法程序嚴守價值規(guī)范秩序，且輔之以必要的技術(shù)人力資源；其三，立法者有多大智慧平衡社會公共利益和個人隱私保護，在不犧牲政策透明度的情況下取得“多數(shù)人同意”。良法得到普遍遵從乃法治，技術(shù)壁壘或?qū)⑷找婕哟笏惴山忉屝缘镍櫆希热裟軐⒎ㄖ嗡季S貫穿于算法治理的各個流程，那便是以看得見的方式實現(xiàn)了以個人健康促進社會健康的最大正義。