玻尔百科数十年来，我们一直试图通过将医疗保健等复杂系统视为可预测的机器来加以改进——相信只要有正确的部件和流程，我们就能设计出更好的结果。这种机器思维后来让位于一种更具同理心的方法，即以人为本的设计 (Human-Centered Design, HCD)，它正确地将人类体验置于首位。然而，尽管取得了这些进步，持续而深刻的不平等现象依然存在。为什么我们那些出于好意的设计常常无法服务于最需要它们的人，有时甚至会扩大本应弥合的差距？本文通过引入以公平为中心的设计 (Equity-Centered Design, ECD) 来解决这一关键知识空白。ECD 是一个变革性框架，它将公正作为其不可协商的出发点。文章认为，要创建真正公平的系统，我们必须超越为“普通”用户设计，转而专注于瓦解创造不公平结果的权力结构本身。在接下来的部分中，您将发现支撑这一强大方法的基础概念。“原则与机制”一节将阐释 ECD 的核心理念，从将系统视为活的生态系统到使用相称普适主义等工具。其后的“应用与跨学科联系”一节将展示 ECD 在现实世界中的应用，连接公共卫生、人工智能、法律和经济学等领域，为全人类构建一个更健康、更公正的未来。
想象一下，当您试图理解一个系统时，它更像一个时钟还是一个花园？时钟是一台宏伟的机器。它的齿轮经过精密设计，行为可预测。如果一个齿轮坏了，你可以更换它。原因（上紧发条）和结果（指针移动）之间的关系是直接、可重复且成比例的。很长一段时间以来，我们一直试图将医疗保健设计得像一个时钟——一台线性的、可预测的机器。但医疗保健系统不是机器，它是一个花园。它是一个复杂适应性系统，由无数相互作用的行动者组成——患者、医生、社区健康工作者、管理者、决策者——他们每个人都在根据自己所处的局部环境和內心信念进行学习、适应和决策。这个系统充满了反馈回路。一项旨在改善就医途径的成功干预措施可能会导致排队时间变长，这反过来又会让沮丧的患者离开，员工筋疲力尽——这是一个抵消初始收益的平衡反馈回路。相反，一个新的同伴支持小组可能会自发形成并在社区中传播，从而放大了干预措施的益处——这是一个增强反馈回路。花园的行为是非线性的、路径依赖的，并且充满了并非由任何单一实体设计或控制的涌现现象。
将花园当作机器来对待，无异于自取失败。你不能简单地安装一个“更好的部件”就期望得到可预测的结果。你必须了解土壤、光照、水流以及生物之间错综复杂的关系。这是现代系统设计的基本原则：我们必须看清系统的本质——一个活生生的、有呼吸的生态系统。
近几十年来，一个强有力的理念深入人心：以人为本的设计 (Human-Centered Design, HCD)。这是对机器思维的革命性突破。它坚持我们必须从我们设计对象的需求和体验出发。HCD 不仅仅是制造一个更好的齿轮，而是要求我们与试图看时间的人产生共情。
这是一个极好且必要的转变。然而，在医疗保健这个复杂的花园里，一个关键问题出现了：是哪个人？如果我们为“普通”用户或最容易触及的用户进行设计，我们就有可能创造出一个对阳光下的植物来说完美运作，却让阴影中的植物枯萎的系统。如果我们的同情心和观察力仅限于最特权的群体，我们可能在无意中固化了我们希望解决的不平等问题。
这就是以公平为中心的设计 (Equity-Centered Design, ECD) 的切入点。ECD 是 HCD 的一次深刻演进。它断言，为了实现公平，我们不能保持中立。我们必须明确地从受系统性不公正伤害最深的社区的需求、经验和历史背景出发。它重新定义了设计问题。目标不仅仅是为抽象的“用户”创造一个更好的工具，而是要去分析和瓦解那些从一开始就造成不公平障碍和结果的权力体系——比如结构性种族主义或经济不平等。HCD 可能将不平等视为在主要设计完成之后需要解决的问题，而 ECD 则将公平作为其首要的、不可协商的出发点。
当花园中出现不公平时，我们有两种大的变革方法。
第一种方法类似于质量改进 (Quality Improvement, QI)。在一个典型的 QI 公平倡议中，我们识别一个现有的流程——比如一个诊所的预约排程系统——然后测量其表现。我们对数据进行分层，发现某个群体的失约率远高于另一个群体。然后，我们“修剪”这个流程，使用像“计划-执行-研究-行动”(Plan-Do-Study-Act, PDSA) 循环这样的方法进行小的、迭代的改变，试图弥合那个可测量的差距。这项工作至关重要。它改善了现有花园的表现。
然而，ECD 促成了第二种更根本的变革模式：重塑景观。ECD 不仅仅是试图修复那个损坏的排程流程，它会问为什么这个流程存在，以及它最初是为谁服务的。它质疑系统的基本假设。也许问题不在于排程系统本身，而在于诊所只在标准工作时间开放，这对轮班工人来说是不可能的。QI 方法可能会优化提醒电话；而 ECD 方法可能会促使创建一个移动诊所或全新的夜间门诊时间。ECD 不仅仅是优化现有流程；它是关于从零开始，在公正的基础上重新构想和重新设计服务和系统。
要进行这项重塑景观的工作，我们需要一套超越传统设计的特殊工具和原则。
社会政策中一个常见的争论是普适性项目（对所有人开放）与针对性项目（仅针对特定群体）之争。ECD 提供了一种强有力的综合方案：相称普适主义。其理念是设计普适可及的服务，但同时为面临最大劣势的人提供更强度的支持。
想象一下在诊所入口建造一个坡道。这个坡道是通用设计的一种形式；它使每个人都能进入诊所。但相比能走楼梯的人，它为坐轮椅的人提供了不成比例的巨大益处。通过系统性地降低结构性和信息性障碍，通用设计为每个人增加了“赋能资源”，但对于那些起点障碍最高的人来说，收益是最大的。来自诊所的数据显示，实施多语言标识、可调节检查床和低带宽远程医疗选项等功能，可以显著减少失约率方面的差异，这正是因为它们解决了边缘化群体面临的特定障碍。
这个原则可以通过一个简单而深刻的模型来理解。一项干预措施的成功不仅在于其潜在益处，它更是该益处与用户有意义地获取和参与该措施的能力的乘积。锁在保险库里的完美药物是无用的。因此，我们不仅要投资于我们“支持单元”（药物、疗法）的质量，还要投资于增加可及性和文化可接受性的“设计特性”——即那些能打开保险库的东西。一个以公平为中心的设计流程会将其有限的预算分配给这两者，并且通常会为参与率最低的群体在减少障碍方面投入更多。
系统思维最重要的教训之一是，善意的干预可能会产生反常的、意想不到的后果。考虑一个按绩效付费 (Pay-for-Performance, P4P) 项目，一个卫生系统为达到癌症筛查目标（比如筛查 80% 的患者）的诊所提供奖金。这似乎公平而直接。
然而，想象一下两个诊所。A 诊所服务于高收入人群，初始筛查率为 70%。对他们来说，达到 80% 相对便宜和容易。B 诊所服务于面临众多障碍（交通、误工、不信任）的低收入人群，初始筛查率为 40%。对他们来说，即使达到一个较低的 60% 目标，成本也极其高昂，而奖金不足以覆盖成本。
理性的结果是什么？A 诊所投资，达到目标，并获得奖金。B 诊所什么也不做，因为那样会亏钱。结果是：总体筛查率上升了，但贫富人群之间的医疗差距扩大了。“公平”的、统一的激励结构实际上加剧了不平等。一个以公平为中心的方法会重新设计激励措施本身，也许通过奖励相对改进而非绝对目标，或者通过使用公平权重，使处于更不利地位的诊所取得的进步更有价值。
为了避免这些陷阱并有效引导，我们需要一个指南针。我们如何衡量公平？仅仅说存在差异是不够的；我们需要理解这种差异的性质。在这里，我们可以求助于经济学中强大的量化工具。
基尼系数衡量单一变量（如收入或医疗就诊次数）的总体不平等。但集中指数的作用更为微妙和强大：它衡量与社会经济地位排名具体相关的不平等。它将一个健康变量（如就诊次数）的累积份额与按最贫穷到最富裕排序的人口累积份额绘制成图。得出的指数不仅有量值，还有符号。正指数表示“亲富”分布（富人获得不成比例的医疗份额），而负指数表示“亲贫”分布。
这使我们能够将核心伦理原则形式化。横向公平指需求相同的人应得到相同的待遇。纵向公平指需求不同的人应得到适当不同的待遇。利用我们的指南针，我们现在可以分析一个系统。假设我们的数据显示，最贫穷的五分之一人口疾病负担最重（需求），但初级保健就诊次数最少（使用），且就诊次数的集中指数为正。这是一个清晰、可量化的纵向不公平的标志。该系统未能通过其基础伦理测试，而这些指标为我们指明了重新设计的重点：为低收入、高需求的群体增加可及性和资源。
即使有正确的目标和正确的指南针，干预措施也可能以令人费解的方式失败。在一个社区取得惊人成功的方法，到下一个社区可能完全失败。这就是现实主义评估框架提供关键视角的地方。它反对“黑箱”思维，后者只问“干预是否有效？”并着眼于平均效应。
现实主义提出，干预本身不起任何作用。它仅仅是一种资源。这种资源只有在触发正确的机制 (Mechanism, M)——即人们推理或反应的变化——时，才会产生结果 (Outcome, O)，而这种机制只有在正确的情境 (Context, C) 下才会“触发”。其核心启发式是情境 + 机制 = 结果 (CMO)。
考虑一个社区健康工作者 (Community Health Worker, CHW) 项目。CHW 就是资源。在社区信任度高、住房稳定的情境下，CHW 可能会触发“减轻行政负担和增强患者自我效能”的机制，从而带来更好的血压控制这一结果。但在信任度低、住房不稳定和工作不灵活的情境下，同一个 CHW 的努力可能不足以触发该机制。患者的反应可能是怀疑，或者结构性障碍可能大到无法克服。该项目在两种情境下的平均效果可能很小，掩盖了它在一个群体中效果显著而在另一个群体中完全无效的事实。ECD 在现实主义视角的指导下，不寻求灵丹妙药。它旨在理解这些 CMO 配置，以便更好地根据具体情境定制干预措施，通过弄清楚什么有效、对谁有效以及在什么情况下有效来促进公平。
设计师如何将所有这些原则付诸实践？像实施研究综合框架 (Consolidated Framework for Implementation Research, CFIR) 这样的框架提供了一个系统的路线图。例如，要设计一个公平的远程监控项目，团队必须超越技术本身。
通过系统地解决这些领域中的每一个问题，团队可以从一个善意的想法走向一个真正以公平为中心的现实。
探索以公平为中心的设计之旅，揭示了一个极其复杂，却又具有深刻之美和连贯性的世界。它要求我们不将医疗保健视为一台待优化的机器，而是一个需要用关爱、智慧和对正义不懈的专注来精心管理的生态系统。
然而，这项工作本身也浮现出一个最终的、深层次的张力。要诊断和修复不平等，我们必须能够看到它。我们需要关于不同种族、民族和社会群体结果的精细数据。但这些相同的数据可能很敏感。在我们的公平指标的精确度与我们所服务个体的隐私之间，存在一个根本的、数学上的权衡。使用差分隐私等技术，我们可以在数据中添加经过仔细校准的统计噪声来保护个人。然而，这种噪声使得检测真实的差异变得更加困难，尤其是在较小的子群体中。要为一个公平指标（比如两组间不良事件率的差异）达到期望的精确度水平，需要一个最小的子群体人口规模。如果群体太小，隐私噪声可能会淹没实际的信号。
这个困境没有简单的解决方案。它提醒我们，以公平为中心的设计不是一个待完成的清单，而是一个持续的实践，需要深思熟虑、合乎伦理、并谦逊地参与人类生活的复杂性。这是一位耐心园丁的工作，学习如何照料一个系统，使其所有居民都有机会茁壮成长。
在我们探索了以公平为中心的设计的核心原则之后，我们可能会得到一幅激动人心但或许有些抽象的画面。然而，任何理念的真正考验不在于其纸面上的优雅，而在于其解决我们所处这个混乱复杂世界中问题的能力。俗话说，关键在于实践，那么它在何处落地生根呢？
您会欣喜地发现，以公平为中心的设计并非一个孤立的学科，而是一个充满活力的十字路口，人类探究的许多伟大领域在此交汇。它是一面锐化我们焦点的透镜，无论我们是通过生物统计学的显微镜、公共政策的广角镜，还是新兴技术的前瞻望远镜来观察世界。它是一门技艺，其工具借鉴自流行病学家、工程师、教育家、经济学家和法学家。现在，让我们来探索这片繁华的应用图景，看看这些原则是如何焕发生机的。
我们无法修复我们看不见的东西，也无法管理我们无法测量的东西。以公平为中心的思维的第一个也是最根本的应用，在于对差异进行严格的、量化的评估。这是一门让无形变有形的科学。
假设我们在一个医院系统中引入一个提供专业语言口译员的项目。我们的目标是确保英语水平有限 (Limited English Proficiency, LEP) 的患者能获得与其他所有人同等质量的护理。这是一个崇高的目标，但我们如何知道它是否有效？我们是否真的在缩小结果上的差距？这不是一个靠猜测的问题，而是一个关乎因果推断的问题。使用统计框架，我们可以根据患者是否为 LEP、是否接受了语言服务 (Language Access Services, LAS)，以及最关键的，两者之间的交互作用，来模拟良好临床结果的概率。我们可以计算出诸如特定分层的风险差异 () 和差异变化 () 等精确指标，来准确量化干预措施在多大程度上减少了健康差距。这使我们能够从希望我们的干预措施有效，转向证明它们确实有效，以及效果有多大。
但如果我们用于观察的工具本身就有缺陷呢？想象一个卫生部试图评估儿童免疫接种覆盖率。它可能会进行一项全国性调查，但如果该调查只是从总人口中随机抽样，它可能只捕捉到很少来自较小的、边缘化群体的个体，比如生活在偏远农村地区或城市贫民窟的人。这样得到的画面恰恰在我们最需要清晰度的地方变得模糊。在这里，调查设计科学成为了一种实现公平的工具。通过使用分层抽样等技术并刻意对较小群体进行过抽样，我们可以确保拥有足够的数据，为每个社区获得清晰、可靠的覆盖率估计。当然，当我们将数据合并以获得全国平均值时，我们必须使用抽样权重（，即某分层中真实人口规模与样本规模的比率）来纠正这种过抽样，从而产生无偏估计。正是这种审慎、刻意的方法论，使我们能够自信地识别和追踪公平差距，例如城市贫民窟与非贫民窟地区之间覆盖率的差异 。测量不是一种被动的行为，它是一种主动的选择，旨在清晰、公正地看待世界。
一旦我们能够清晰地看到问题，我们便面临设计师的挑战：我们究竟应该做什么？以公平为中心的设计不是把解决方案扔到墙上看看哪个能奏效。它是要构建一个变革的蓝图，利用跨学科的工具箱来精心打造不仅有效而且赋权的干预措施。
考虑一个医疗系统试图改善老年女性中一种常见病的非手术治疗的可及性。他们注意到英语水平有限的女性开始和持续治疗的可能性要小得多。该系统有几个选择：社区外展、专业语言服务或对初级保健提供者进行培训。哪种组合最好？我们可以建立简单的数学模型来描绘患者的旅程——从最初的接受到长期的保持——并估计每个干预组件可能会如何改变每一步的概率。通过比较不同策略的预期结果，我们可以做出数据驱动的决策，决定哪种干预措施组合能最有效地缩小差异差距，从而最有效地利用有限的资源。
这种设计工作比数字和模型更深入。它深入到人类行为的核心。想象一下，试图帮助一个低收入成年人社区使用数字患者门户。一种简单化的方法可能只是给他们一本小册子。但以公平为中心的方法认识到这是一个关乎心理学、教育和信任的问题。我们必须借鉴关于成人如何学习（成人教育学）、人们如何建立信心（社会认知理论和自我效能）以及如何使复杂任务变得易于管理（认知负荷理论）的理论。一个成功的设计不会是一场讲座，而是一个由值得信赖的同伴导航员领导的、共同设计的、实践性的工作坊。它会通过让人们在自己的设备上练习来提供掌控体验，通过看到同伴成功来创造替代学习，并通过提供数据券或设备支持来解决结构性障碍。这就是给予某人一个工具和教他们如何成为一名能工巧匠之间的区别。由此带来的门户使用率的增加，也许是现实的 个百分点，并非奇迹；它是一个深植于人文科学的设计所带来的可预测结果。
一份漂亮的蓝图并非一栋建筑。任何设计的最终考验是其在现实世界中的表现。这需要评估科学——一个致力于理解什么有效、对谁有效以及为何有效的领域。
当我们推出一个新项目时，比如在儿科诊所网络中推广“复述确认”(teach-back) 沟通方法，我们面临一个伦理和后勤上的难题。一次性培训所有人通常是不可行的，而在传统的随机试验中，将干预措施给予某些诊所而不给其他诊所似乎不公平。此外，在一个员工会在不同诊所间流动的真实系统中，“污染”的风险很高，即对照组可能会意外接触到干预措施。
试验设计领域一个绝妙的解决方案是阶梯式整群随机设计。在这种方法中，诊所被随机分配的不是是否获得干预，而是何时获得。干预措施分波次或“阶梯”推出，直到每个诊所都获得它。这种设计是公平的，因为最终每个人都受益。它在统计学上也很有力，使我们能够在每个时间点比较拥有干预措施的诊所和没有干预措施的诊所，同时控制潜在的长期趋势。这是伦理原则与统计严谨性的完美结合，使我们能够就什么能真正改善以家庭为中心的护理产生可靠的证据。
这种思维可以从一个诊所网络扩展到一个城市的结构本身。“将健康融入所有政策”(Health in All Policies, HiAP) 方法是以公平为中心的设计的一个宏大应用，它认识到我们的健康不仅在医院里形成，也受到我们行驶的道路、呼吸的空气和玩耍的公园的影响。一个 HiAP 倡议可能会将公共卫生人员直接派驻到城市的交通部门。他们的目标是什么？将健康标准融入交通规划的 DNA 中——项目选择、道路设计、公共交通运营。对这样一个复杂项目的评估本身必须是多层次的，不仅要追踪最终的健康结果（如伤害率或空气污染水平的变化），还要追踪过程（健康专家是否在决策桌上？）和产出（政策文件中是否出现健康语言？）。通过使用像对试点走廊与匹配对照组进行双重差分分析这样的强准实验设计，我们可以分离出这种系统级变化的影响，并真正理解如何从根本上建设更健康、更公平的城市。
当我们进入一个由人工智能和数据驱动技术主导的时代，以公平为中心的设计出现了一个全新而紧迫的前沿。我们曾经担心人类决策中的偏见；现在我们必须担心编码在影响数百万人生活的算法中的规模化偏见。
考虑一个用于糖尿病的 AI 驱动的远程监控项目，该项目使用连接智能手机的血糖仪。AI 应该在患者有风险时提醒临床医生。但如果由于黑色素对光的吸收物理特性，底层的传感器在肤色较深的人身上效果不佳呢？基于这些有缺陷数据训练的 AI 将继承这种偏见。它对黑人患者的敏感性将低于白人患者。一个总体的性能指标，如整体准确率，将完全掩盖这种危及生命的差异。
这需要一种新的实践：公平性审计。就像建筑检查员检查摩天大楼的地基一样，公平性审计员必须仔细审查算法。这包括检查参与偏倚（所有群体是否以相同的比率参与？）、数据完整性（设备是否为每个人生成可靠的数据？），以及最关键的，条件错误率的差异。我们必须问：对于真正生病的患者，A 组与 B 组的真阳性率 () 是多少？对于健康的患者，假阳性率 () 是多少？“均等化机会”的目标要求这些比率在不同群体间相同。这种法证式的、针对特定子群体的分析是确保我们的新技术减少而非放大历史不平等的唯一途径。
这一原则不仅适用于软件，还延伸到生物医学发现的核心。当我们开发一种新的预后生物标志物——也许是一组用于预测药物副作用风险的蛋白质——我们不仅必须验证其对“普通”患者的表现，还要验证其对所有患者的表现。模型的区分度（其区分高风险和低风险患者的能力，通常用曲线下面积，即 来衡量）和其校准度（预测的 风险是否对应于 的观察事件率）必须在人口统计学子群体中进行明确测试。一个对某个群体完美校准的模型，对另一个群体可能存在危险的误校准。因此，对生物标志物的公平性分析不是事后诸葛亮，而是其科学验证的核心组成部分，确保精准医疗的承诺能够惠及所有人。
最后，以公平为中心的设计的应用延伸到政策、经济和法律领域，这些领域是社会价值观被辩论和责任被强制执行的地方。
当一个城市考虑一项公共卫生政策，如对含糖饮料征税时，它面临着复杂的权衡。目标是通过减少消费来改善健康。经济学中的工具，如需求的价格弹性 ()，可以帮助预测消费会下降多少。这使我们能够估算健康效益，对于基线消费和疾病负担较高的低收入群体来说，这种效益可能更大。然而，我们还必须计算税收的财务负担。由于低收入家庭将更大比例的收入用于食品，这种税可能是累退的。一项公平影响评估会权衡这些因素，也许通过创建一个公平影响比率来比较不同社会经济和种族群体的效益与负担之比。这不会给出一个简单的“是”或“否”的答案，但它为决策者提供了一个对权衡的清醒认识，从而能够做出更明智、更公正的决定。
最终，这些选择会产生后果，而我们的法律体系提供了一个强大的问责机制。想象一家公司开发了一款直接面向消费者的可穿戴心律失常检测器。在开发过程中，他们发现它对肤色较深的用户不太敏感。此外，他们还设计了一种可行的替代方案——使用不同波长的光——该方案能以适度的成本解决问题。然而，为了加快产品上市，他们推出了最初的有偏见的版本，未能警告消费者其特定局限性，甚至宣传其适用于“多样化用户”。
这不仅是道德上的失败，也是潜在的法律责任。根据产品责任法，制造商可能要为设计缺陷（如果存在合理的替代设计可以使产品更安全）和未能警告（如果他们未能披露已知的、不明显的风险）负责。在这种情况下，公司自己的内部研究为这两项索赔创造了证据。这表明了一个关键点：以公平为中心的设计不仅仅是一个建议。在一个技术日益复杂的世界里，它正在成为注意标准的一部分。它是一种责任的衡量标准，忽视它可能会产生深远的法律和财务后果。
从生物统计学的微观精确性到法律和政策的宏观广度，以公平为中心的设计提供了一种统一的语言和一套强大的工具。它呼吁我们在测量上严谨，在解决方案上创新，在评估中诚实，并坚定不移地致力于建设一个让科技成果真正惠及每个人的世界。