文/唐林垚

监管部门长期以来面临的主要矛盾，是日益增长的监管对象和监管资源不平衡不充分之间的矛盾；公共卫生领域尤其如此。既然不能无节制地扩充编制和规模，监管部门只能竭尽所能，将有限的资源利用到极致。伴随着新公共治理理论的崛起，风险评估先行的监管路径应运而生：监管部门一改过去“出现问题—解决问题—因解决问题造成新问题”的被动路径依赖，通过“减轻或豁免对低风险对象的监管，将更多的资源和注意力用于对高风险对象的监管”，在更有效遏制风险发生的同时却不额外加重监管部门和低风险对象的负担。

2020年新冠肺炎疫情发生后，习近平总书记在统筹推进新型冠状病毒（以下简称“新冠”）肺炎疫情防控和经济社会发展工作部署会议上提出了“科学防治、精准施策”的工作要求，足见风险评估先行的监管路径在重大公共卫生突发事件中的应对意义。兼具授权性规则和义务性规则的双重意味，帕洛夫斯基将评审定义为“以比较式的类型构建取得法的认识”，那么，从法诠释学和类型构造的角度出发，公共卫生领域的算法治理应如何构建？公共卫生领域的科技进步，关乎民生、关乎产业发展、关乎国家安全和社会稳定，是国家治理体系和治理能力现代化的重要组成部分。技术普惠既需要宏观层面的产业政策作为支撑，也需要中观层面的法律法规确立价值导向，更需要微观层面的规范指引矫正实践偏误。在“支撑、引导和矫正”的语境下，本文着重探讨公共卫生领域算法治理不可或缺的法律保障，以期为智慧医疗、数字抗疫之实现明确途径。

医院评审制度的法律沿革与算法治理的先行实践

在漫长的实践过程中，为实现风险评估先行的监管路径，公共管理部门大致演化出了三种对卫生法律关系主体进行评价或审查的路径，由远及近分别为基于既定规则的等级评审、基于统计回归的专家排序，以及基于机器学习的算法治理。

医院分级评审的初衷，在于优化医疗资源配置：通过促进医院间的病理分流和多向转诊，让区域病疫风险“可防可控”。然而，无论是基于既定规则的等级评审，还是基于统计回归的专家排序，显然在效果上背离了上述初衷。在指标选取方面，基于统计回归的专家排序和基于既定规则的等级评审相差无几，两种路径都充斥着大量仅凭直觉或约定俗成的先验指标：对医院的硬件规模和科研实力过于重视，却长期忽略患者的真实就医体验。如果我国下一轮医院评审只是在形式上实现了从政府向第三方机构“放管服”，只是在方法论上完成了从基于既定规则的等级评审向基于统计回归的专家排序的转变，将无助于“推进卫生健康基本公共服务均等化、普惠化、便捷化和公共资源向基层延伸”，更不能在实质上提升监管部门应对“突发公共卫生事件”的能力。说到底，若评审不科学，则结果无意义——迄今为止的各种努力，最终都陷入了“形式主义”和“唯方法论”的伦理窘境。

近年来，大数据和人工智能等技术的发展，为公共治理领域的监管提供了独树一帜的解决方案。算法治理的核心在于，从对规整对象既存状态的分级评审，转化为根据文本片段和规范数据进行的动态评价计算，目的是将主观与客观因素、偶然与必然结果之间的盖然性一览无余，促进监管部门的正面价值取向和技术规制的中立精神相互增益。与此同时，其思维本质从决定论向概率论的跳跃，将使算法治理内在的解释与商谈，从“利益主导话语权”的批判法学主张，向“各方互动合力”的、具有民主色彩的实验主义法学迈进。机器学习模型不会拘泥于主观价值判断，甚至不会受制于过往经验与事实造就的充满内在矛盾和主观间性的现有评价体系，而是在海量的大数据和文本中筛选出最能显示风险特征的维度或论题，对其进行逻辑嵌套与循环递归以寻求建立全新共识的种种可能性。这种评价的自创生实属破坏性创新，目的是要挣脱既定规则的相互掣肘，也或多或少具有彭加乐“约定主义”的特征，主张经验中出现的事实可以被融会到无限不同假设构造中的任何一种。

公共卫生领域风险评估方式的嬗变，印证了“以缺陷为代价的解决方案不能长久”的法伦理，在谨慎乐观的同时，我们不得不心生警惕，以公共目标为导向的算法治理是否存在边界？算法治理固然不可能完美无瑕，究竟遵循怎样的信息化程序，才能更好兑现公共卫生领域风险评估先行的监管承诺？

公共卫生领域算法治理的规范性分析及实现路径

本质上，风险指标的选取是一个关涉“规范内涵和事实结构”的法律命题，从未跳出“价值判断标准客观化”的藩篱。就像法官在寻求案件适用的法律规范时，需要通过准确无误的判断和联想找到适当的规范禀赋那般，我们期望机器学习模型在将大量规范、解释和事实都纳入运算范围之后，通过对数据和文本的交互参考来模拟自然人的理性判断，逐步筛选出（甚至创造出）可以被解释的规范所涵摄的各项指标。这正是算法治理的智能所在：它不依赖于既定的经验和知识，而是在机器学习过程中形成对底层数据的独特理解，它顺从又超越法律概念涵摄和类型归属进行拉伦茨所称的“一种为获得知识而进行的，有计划的活动”——法律续造。

只要传统医院分级评审方式的指标选取具有显著缺陷，通过算法选择更优指标的行为就具有合理性，更何况，机器学习模型还能通过对大数据的挖掘识别出一般人根本不会注意到的隐性规律和模式。算法治理优于自然人评价的可能之处，就在于能够跳出既有标准的重叠指涉，摆脱“感觉主义和先验的唯理主义强加的负担”，根据要“履行的操作以及由这些操作的结果对观念有效性的检验”，颠覆现有的评价体系。在这个意义上，人们对算法治理抱有的普遍期待是，机器学习模型能够在海量大数据中“眼光往返流转”，不受既有规则的遮蔽，忽视重复细节对结果处理的现实意义，通过高频次的拟合甚至仿生尝试，求解出堪称圆满的整体性规则。这种续造规则的圆满性，以之前规则——各项传统风险指标——已被证明的重叠指涉性为合法依据。

在规则圆满性无法验证的情况下，基于机器学习的算法治理就只能从监管目的及监管效果中寻求正当性根源。从过往经验来看，无论是基于既定规则的等级评审，还是基于统计回归的专家排序，在结果上均不能清晰而准确地反映公共卫生领域的资源失衡状况和潜在风险指数，全然无助于风险评估先行的监管实践。本来旨在优化医疗资源配置的评审工作反而导致了医疗机构的盲目扩张和重复建设，本来有望促进监管部门进行分级管理的医院排序最终沦为广大病患的声誉参考，其准确性和客观性还有待进一步考证。因此，只有在结果上成为监管部门风险评估先行监管路径的“最优解”，或至少成为相对于基于既定规则的等级评审和基于统计回归的专家排序的“更优解”，基于机器学习的算法治理才具有正当性。

在求解指标的运算过程中，机器学习模型并非将既存一般性规范局限到特定指标，而是在给定范围的区间内，创造出具有一般性规范特征的全新指标。在这个意义上，机器学习模型的独特价值在于实现自然人力所不逮的“温故而知新”——在看似毫无关联的海量数据和文本中，挖掘出具有重大意义的内在规律，以人机共同作业的方式来构筑成文法体制下逻辑法学式的推理和演绎，并在此基础上适度创新。由此可见，较之于“判别式学习”构架，“生成式学习”构架不仅能在既有资源下穷尽一切指标搭配组合，还能通过“眼光往返流转”的过程真正实现“知识创造”，更能够满足公共卫生领域的算法治理所需。

考虑到算法治理的正当性源于能够更好地促进风险评估先行监管实践，而公共卫生领域风险评估的规整意向、计划及其内含目的拘束已经为机器学习模型的“法律续造”划定了边界，各类风险指标的求解和生成，务必要回归医院分级评审的“初心”，以科学性、规范性和中立性的彼此调和为其“实践理性”；法律和算法之间的互动从中可以窥见一斑。从基于既定规则的等级评审到基于统计回归的专家排序，再到基于机器学习算法治理，风险指标的选取由自然人向自动化机器过渡，但所有的风险指标“依其位阶衡量轻重”的评估逻辑，始终没有发生改变。算法治理的构建路径不一而足，但其本质是经由多个彼此之间相互“卷积”的机器学习模型——其函数联结和指标生成满足起码的、可被检验的一致性和规范性要求——所构成的治理体系。需要关注的是，算法治理在理论上的可以实现，并不等同于现实意义上的有效实现。“操作方式”需与“法律保障”相辅相成，才能逐级克服算法治理的潜在缺陷，最大化风险评估先行治理路径可能带来的社会效益。

从价值秩序到法律保障：公共卫生领域的多元共治体系

法律关系的根本性重塑呼吁“构建一体融合的法律体系，探索新型的代码规制方式，塑造高度自主的精细化治理秩序”，这也是公共卫生领域算法治理所必需的基本法律保障。概而论之，利用算法实现风险评估先行的监管路径，所面临的法律挑战不仅仅是“更复杂的技术”以及“更多的数据”对个人权利的侵蚀乃至剥夺，更是在监管职能和数据归属日趋分散的背景下，构建适当的法律制度来避免算法外部性的弥散和不合理转嫁。

公共卫生领域算法治理的实现，必须以规模足够庞大的医疗数据库以及分布相对均匀的病患样本作为基础，必须依靠完整的、实时的、多渠道的数据信息链才能获得可靠的风险评估结果。尤其是，医疗服务中的诸多细枝末节也必须要包括在内，例如一次完整的就诊过程中各个时间节点的评价与互动、历次预防保健工作中已经司空见惯的临床流行病学调查结果等，否则机器学习模型的潜力将无法完全发挥。但是，符合国家统一标准、超大型数据库的建立以及在相当长一段时间内合格患者的样本采集，定然是一项任重而道远的社会工程，需要强有力的政策、法律和国家财政支持。

作为化危机为契机的重要手段，算法治理必然带来政府职能的结构性转变。虽说“政府主导”，但国务院《关于取消一批行政许可事项的决定》等文件中的“简政放权”精神依然应当得以贯彻和落实：在基于既定规则的等级评审中是“政府主导评审”，在基于机器学习的算法治理中就应当转变为“政府主导扶持”。算法治理需要大范围、多部门、众行业的数据共享，以便更完整地覆盖同公共卫生相关的活动、业务和流程。新冠病毒的高变异性、强传染性和深度潜伏性使得2020年新冠肺炎疫情超越了一般健康事件的范畴上升至“公共道德事件”，以行政手段带来的“社会共律”是对社会个体普遍自律不足的必要补充。

从规则形成的角度来看，所有公共卫生领域的风险评估方式，无论是基于既定规则的等级评审，还是基于统计回归的专家排序，甚至是基于机器学习的算法治理，均是人们在繁复又未必令人满意的价值导向的思考之上，生发出价值判断形成的契机，又通过监管部门的采纳和批复，成为具有指导意义的风险评估方式。在实现风险评估先行的监管路径的首要价值取向之外，监管部门也同时追寻并维护着现行有效的价值规范。这些价值规范彼此之间有着与时俱进的阶层秩序，多数时候完全取决于政策制定者的偏好，但它们决定了机器学习模型的规范续造边界，是算法程序设计和运行必须遵守的元规则。虽然在不同时期各有侧重，但这些价值规范体现出的对指标合理性、目的明确性、评价中立性、审查科学性、标准一贯性以及将临床和预防结合的追求，反映了各国监管部门基于公共卫生领域内在秩序不断将外部实践所得真理融合成一致价值规范的孜孜不倦的努力。

亟待解决的问题是，当下对算法可解释性的硬性要求，虽使得机器模型的求解过程看似可审查，却不足以确保算法将重要的自然人价值规范一以贯之；相关的法律规定只是迫使监管部门加大寻求正当化算法治理的理由而已。对算法可解释性的法律规定进行补强的解决方案之一，是以成文法的方式，强行要求在机器学习模型环节引入同行评议，由外部同行对模型和算法构建进行审查。具体而言，同行评议应对算法求得的风险指标进行有目的的审查，一是“向上”回溯机器学习模型的求解路径是否具体化了特定的社会价值理念，二是“向下”检视各风险指标的加权与赋值是否与实证的具体结论大致相符。除了应具备规范性、满足一定程度的社会实效性之外，机器模型试图构建的风险评估先行的算法监管路径，还应当反映出在伦理方面最低程度的正当化努力。

机器学习模型不以实物或现象所有的构成部分及其组合或排列而成的丰盈具象来把握自然人通过感官和思维来认识的客体，易言之，不是将其作为独一无二的整体来进行理解和对待，而是透过对数据和文本的深度挖掘以掌握其中个别特征或要素，并借助这些个别特征或要素去理解其他的特征或要素，以及他们之间可能存在的线性关联。这种“升格推演”的求解路径决定了，相较于基于既定规则的等级评审和基于统计回归的专家排序，基于机器学习的算法治理在受评医院的歧视方面，有过之而无不及：法学家们称为算法的“自反性现象”或“诺米克博弈”。由此引出的重要问题是，在医疗保健机构的风险评估方面，如何才能跳出传统评价体系导致受评医院“强者恒强、弱者恒弱”的自反性悖论呢。规范法学给我们的教义是，根据拟衡量的要求或标准所具有的准则性和拘束性探求规则的规范性效力——逻辑上的统一来自系统化，而系统化的前提是对知识进行联结化处理。

在权益保护方面，微观层面的操作规则比国家层面的政策和中观层面的法律更加有效，因为基层公共部门能更贴近事物的本质，实现“适当的规整”，同时还能站在相关人的角度兼顾各项规则可能引发的信赖利益。简政放权下沉到基层的自由裁量权，或将有助于一线公务员对国家宏观政策不折不扣地落实以及同中观价值谱系严丝合缝地衔接，这着实意味深远。

法律的终极原因是社会福利，技术亦然。后疫情时代，公共卫生领域算法治理的“成与不成”，取决于三重假设的交互：其一，程式设计者能在多大程度上将妥当的考量结构性转化为机器模型可执行的问题和任务，并有足够的数据样本和试错余地作为支撑；其二，行业监管部门有多大能力确保算法程序严守价值规范秩序，且辅之以必要的技术人力资源；其三，立法者有多大智慧平衡社会公共利益和个人隐私保护，在不牺牲政策透明度的情况下取得“多数人同意”。良法得到普遍遵从乃法治，技术壁垒或将日益加大算法可解释性的鸿沟，但倘若能将法治思维贯穿于算法治理的各个流程，那便是以看得见的方式实现了以个人健康促进社会健康的最大正义。