想必你去看过老中医。老中医不会一上来就开方子，他会先给你“望闻问切”——问年龄、看舌苔、搭脉搏，事无巨细地把你的身体状况摸个遍；然后他会在心里盘算你哪里有隐患、哪个问题最紧急；接着才打开药典，结合你的体质抓药开方；药方写好还不算完，他会叮嘱你“水煎服、饭后服”，写成人人都能听懂的医嘱；最后约你三日后复诊，看看药吃没吃、效果怎么样；开方之前，药房的药师还会核一遍方子，确保没有配伍禁忌；而每隔一阵，老中医还会翻翻医案，琢磨哪些方子效果更好。 整个流程，恰恰就是一台个性化健康建议系统的工作方式。本文带你用这个“老中医”的视角，拆解 AI 健康管理背后的核心链路：用户画像构建、风险评估、建议引擎、生成表达、依从性跟踪、安全审核和效果迭代。你会发现，所谓“个性化建议”，本质上就是让 AI 像一位老中医那样，对每个人“辨证施治”。

岗位关联

对 AI 从业者而言，理解个性化建议的系统架构，等于掌握了 AI+医疗落地的最典型范式——从数据到决策、从生成到闭环。这套方法论可以直接迁移到教育、金融、营销等任何需要“千人千面”的领域，是“AI 业务化”能力的硬通货。

目录
  1. 可视化演示
  2. 用户画像构建
  3. 风险评估分析
  4. 建议引擎设计
  5. 生成表达优化
  6. 依从性跟踪
  7. 安全质量保障
  8. 效果评估迭代
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示知识图谱推理路径、建议依从性漏斗追踪及安全审核流程，切换模式查看个性化建议生成核心机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

知识图谱推理：疾病-症状-干预-禁忌四跳推理 疾病节点关联症状，症状关联干预方案，干预关联禁忌条件 规则引擎沿图谱路径推理，匹配用户画像生成个性化建议 advice = KG_path(disease → symptom → intervention) 知识图谱实现可解释的个性化建议推理。

用户画像构建

老中医的诊桌前，总会摆着一本泛黄的脉案簿。每一位初诊患者，他都会事无巨细地问：今年多大了、平时睡得怎么样、爱不爱吃油腻、有没有运动习惯。你也许会不耐烦，觉得这些琐碎的问题和病情无关。但老中医心里清楚，这些看似零散的信息，正是他辨证施治的根。

在 AI 健康管理系统中，“问诊”对应的技术环节就是用户画像构建。系统把用户的静态属性（年龄、性别、职业）、动态行为（运动频率、饮食偏好、睡眠时长）以及体检指标（BMI、血糖、血脂、血压）统一收集起来，编码成一条结构化记录。这条记录不是冷冰冰的字段集合，而是后续所有决策的“底稿”——画像多完整，建议就能做多细。

画像的质量直接决定了整个系统的上限。如果只记录年龄和性别，系统能给出的建议和群发传单没有区别；但如果把“近三个月空腹血糖波动、每周运动三次、晚餐喜欢面食”这些细节都纳入画像，系统就有了因人施策的资本。业界通常用特征向量来组织画像：

回到老中医的脉案簿：他问得越细，方子就越有把握。用户画像构建就是这个道理——它把散落在各处的健康信息拼成一张属于你的“身体地图”，为后续所有环节奠定基础。请记住这条铁律：画像一旦失真，后面的方子再好也开不到点上。

u=[uage,ubmi,uglucose,uactivity,udiet]\displaystyle \mathbf{u} = [u_{\text{age}}, u_{\text{bmi}}, u_{\text{glucose}}, u_{\text{activity}}, u_{\text{diet}}]
  1. 画像向量定义$\mathbf{u}$ 表示用户的完整画像，方括号内的每一项都是一个独立维度的健康特征。
    u=[u1,u2,…,un]\mathbf{u} = [u_1, u_2, \ldots, u_n]
  2. 年龄维度$u_{\text{age}}$ 记录用户的年龄，年龄影响代谢速度、运动强度的安全上限。
    uageu_{\text{age}}
  3. 体检指标维度$u_{\text{bmi}}$ 与 $u_{\text{glucose}}$ 分别记录体重指数和空腹血糖，它们是慢病风险最直接的传感器。
    ubmi,uglucoseu_{\text{bmi}}, \quad u_{\text{glucose}}
  4. 生活方式维度$u_{\text{activity}}$ 表示每周运动频次，$u_{\text{diet}}$ 表示饮食结构偏好，它们是干预方案的主要着力点。
    uactivity,udietu_{\text{activity}}, \quad u_{\text{diet}}

风险评估分析

老中医问完诊，会捋着胡子说：“你这是肝火旺、脾胃虚，若不调理，入秋怕是要犯咳嗽。”这几句话，就是在做风险评估。他不会把几十个疑点一股脑全抛给你，而是挑出最要紧的三两处，分个轻重缓急。

技术世界里，风险评估做的是同一件事：从用户画像中识别风险因子。肥胖是一个因子，吸烟是一个因子，空腹血糖偏高也是一个因子。但每个因子对健康的威胁程度不同——吸烟的权重往往高于偶尔熬夜。于是系统给每个因子分配一个权重 $w_i$，将因子的取值 $f_i$ 加权求和，得到一个综合风险评分：

算完总分后，系统会按分数把用户划入低、中、高三个风险等级。高风险的优先获得干预资源，低风险的只需保持随访。老中医也是这样做的——他永远先治急症、先解剧痛，绝不会因为某个病人好说话就先给他开方。风险分层的意义，就是把有限的干预力量，用在最需要的人身上。

R=∑i=1nwi×fi\displaystyle R = \sum_{i=1}^{n} w_i \times f_i
  1. 单因子风险值$f_i$ 是第 $i$ 个风险因子的取值，例如“BMI=26“或”每日吸烟一包”。
    fif_i
  2. 风险权重$w_i$ 表示该因子对整体健康的危害程度，权重越高的因子，在总分中的“话语权”越大。
    wiw_i
  3. 加权求和$\sum$ 符号将每个因子的“危害程度 $\times$ 暴露水平”累加起来，得到一个可比较的量化总分。
    ∑i=1nwi×fi\sum_{i=1}^{n} w_i \times f_i

建议引擎设计

方子不是凭空想出来的。老中医背后，是一套沉淀了几千年的“医学知识网络”：什么药配什么药、什么症忌什么食，全都在这个网络里。给他一个诊断，他就能从网络中摘出对应的方剂组合。

AI 系统里的知识图谱，就是老中医的“药典网络”。它把疾病、症状、体检指标、运动方式、饮食禁忌等实体连接成一张网，比如“高血糖 ——关联→ 糖尿病风险 ——诱发→ 精制糖摄入”。建议引擎在这张网上做图谱推理：从用户画像节点出发，沿关系的边走到可达的建议节点，形成一批“看起来对症”的候选建议。再经过规则匹配引擎过滤（例如排除过敏食物、排除与现有用药冲突的建议），最终得到一份候选集合：

老中医抓药时，每一味药他都会掂量再三：这味药和患者的体质合不合？有没有配伍禁忌？建议引擎做的匹配度计算，就是这个“掂量”的过程。图谱推理负责广撒网，规则匹配负责收网，两道关卡过后，留下的才是真正值得端到用户面前的方子。

Cand(u)={s∈S∣MatchScore(s,u)>θ}\displaystyle \text{Cand}(u) = \{ s \in S \mid \text{MatchScore}(s, u) > \theta \}
  1. 候选集合$\text{Cand}(u)$ 表示针对用户 $u$ 筛选出的全部候选建议，它是从建议库 $S$ 中挑出来的子集。
    Cand(u)\text{Cand}(u)
  2. 逐一匹配$\text{MatchScore}(s, u)$ 计算单条建议 $s$ 与用户画像 $u$ 的匹配程度，图谱推理贡献主要得分。
    MatchScore(s,u)\text{MatchScore}(s, u)
  3. 阈值筛选$\theta$ 是一个预设的匹配度门槛，只有得分超过门槛的建议才进入候选列表，保证“不靠谱的方子不出台”。
    >θ> \theta

生成表达优化

药方抓好了，但老中医从不会把药方原样递给病人就完事。他会一字一句地嘱咐：“这药啊，加水两碗煎成一碗，饭后温服，忌食辛辣。”为什么？因为病人不懂“每日一剂”背后的医学术语，听得懂、记得住的医嘱，才有人照做。

系统里，候选建议可能是一条医疗术语风格的结果：“建议控制血糖，减少精制糖摄入”。这种表达很正确，但很冰冷。于是系统引入 LLM（大语言模型）生成：将用户画像、候选建议、风险等级一起打包成提示词，让 LLM 生成一段有温度、口语化、可执行的建议文本——就像老中医把药方翻译成人话。生成之后，系统会按一个综合评分挑选最终推送给用户的建议：

同一张方子，有的医生三言两语打发你走，有的医生把禁忌和用法说得清清楚楚，后者的病人痊愈率总是更高。生成表达优化，就是把“正确的建议”翻译成“愿意照做的建议”。 没有这一步，再精准的医学结论也会在用户的“看不懂、记不住”里打了水漂。

Best(u)=arg⁡max⁡s∈Cand(u)[α⋅Sim(s,u)+β⋅Prior(s)]\displaystyle \text{Best}(u) = \arg\max_{s \in \text{Cand}(u)} \left[ \alpha \cdot \text{Sim}(s, u) + \beta \cdot \text{Prior}(s) \right]
  1. 候选内寻优$\arg\max$ 表示从候选建议集合中挑出得分最高的一条，作为最终输出。
    arg⁡max⁡s∈Cand(u)\arg\max_{s \in \text{Cand}(u)}
  2. 语义契合度$\text{Sim}(s, u)$ 度量建议 $s$ 与用户画像 $u$ 的语义契合程度，画像注入的个性化效果都体现在这里。
    Sim(s,u)\text{Sim}(s, u)
  3. 医学先验$\text{Prior}(s)$ 表示该建议在医学知识图谱中的可信度先验，防止 LLM 为了“讨喜”而放弃科学性。
    Prior(s)\text{Prior}(s)
  4. 权重调节$\alpha$ 与 $\beta$ 是两项的加权系数，业界通常让先验项的权重不低于 $\alpha$ 的一半，确保“好听的”不能压过“对的”。
    α⋅Sim+β⋅Prior\alpha \cdot \text{Sim} + \beta \cdot \text{Prior}

依从性跟踪

老中医送走患者前，总不忘补一句：“三日后来复诊，我看看药力到了没有。”这一句话，就是他整个诊疗闭环里不可缺失的一环——没有复诊，他永远不知道方子到底起没起作用。

系统同样需要“复诊”。建议推送给用户之后，系统要持续记录用户是否执行了建议、执行了多少、执行后健康指标有没有变化。这个动作叫依从性跟踪。最核心的量化指标是依从率——已经完成的建议数占同期应完成建议总数的比例：

计算出依从率只是第一步。如果依从率持续走低，系统不会一味催促进度，而是会去分析影响因子：是建议太难执行？还是时间冲突？还是表达太专业看不懂？然后对症调整干预策略——把“每天跑步五公里”改成“每天晚饭后散步三十分钟”，把文字提醒升级为定时推送。老中医复诊时若发现病人没按时服药，也不会责备，而是重新开一副更方便服用的汤剂。依从性跟踪不是监督，而是理解；不是催促，而是陪伴。

C(t)=Ndone(t)Ntotal(t)×100%\displaystyle C(t) = \frac{N_{\text{done}}(t)}{N_{\text{total}}(t)} \times 100\%
  1. 已完成建议数$N_{\text{done}}(t)$ 表示到时刻 $t$ 为止，用户实际执行完成的建议条数。
    Ndone(t)N_{\text{done}}(t)
  2. 应完成总数$N_{\text{total}}(t)$ 表示这阶段内系统下发的建议总条数，它是分母，代表“本该做的事”。
    Ntotal(t)N_{\text{total}}(t)
  3. 依从率计算两者相除并乘以 $100\%$，得到用户听话程度的百分比。
    NdoneNtotal×100%\frac{N_{\text{done}}}{N_{\text{total}}} \times 100\%

安全质量保障

药房里还有一道看不见的工序——药师核方。抓好的药摆上柜台，药师会逐味核对：剂量对不对？有没有和患者正在服用的其他药冲突？有没有孕妇忌用的成分？这道工序看起来繁琐，却是医馆绝不敢省的底线。

AI 建议系统同样设置了三道安全闸门。第一道是医学合理性校验：用知识图谱和权威指南核对建议是否存在医学错误，比如“糖尿病推荐高糖饮食”这种荒谬结论必须拦截。第二道是紧急风险阻断：如果用户的画像数据中出现胸痛、持续高热等急症信号，系统不再生成生活建议，而是直接提示就医。第三道是合规审核：检查内容是否符合医疗广告法规、隐私保护要求。整体通过概率可表示为：

有人觉得多一道审核就慢一拍，会影响体验。但老中医明白，核方的人永远比抓药的人更需要火眼金睛——一次被事故砸掉的信任，十个流畅体验都换不回来。

Ppass=Pmedical×Psafe×Plegal\displaystyle P_{\text{pass}} = P_{\text{medical}} \times P_{\text{safe}} \times P_{\text{legal}}
  1. 医学合理性$P_{\text{medical}}$ 表示建议通过医学专家校验的概率，它约束建议“说得对不对”。
    PmedicalP_{\text{medical}}
  2. 安全无伤害$P_{\text{safe}}$ 表示建议不会对用户造成生理伤害的概率，高风险人群的判断结果不在此列。
    PsafeP_{\text{safe}}
  3. 合规合法$P_{\text{legal}}$ 表示建议符合法律法规与平台规范的概率。
    PlegalP_{\text{legal}}
  4. 串联相乘三个概率相乘，意味着任何一道闸门没通过，整条建议都会被拦下，不会推送给用户。
    Ppass=Pmedical×Psafe×PlegalP_{\text{pass}} = P_{\text{medical}} \times P_{\text{safe}} \times P_{\text{legal}}

效果评估迭代

医馆的墙上，常挂着一块写着“妙手回春”的匾，那是老中医几十年医案积累出来的口碑。他每年都会翻一遍医案，哪类方子在什么人群里效果好、哪类方子屡屡无效，心里都有本账。第二年再开方时，无效的方子自然淘汰。

系统里这个动作叫效果评估迭代。团队先定义一组效果指标：建议采纳率、依从率、用户健康指标改善幅度（如 BMI 下降值、血糖达标率）。然后做 A/B 测试：把用户随机分成两组，一组使用旧策略，一组使用新策略，运行一段时间后比较两组的效果指标。提升度的计算非常简单直观：

老中医的医术精进不止，靠的就是这种朴素的“比较—淘汰—迭代”。效果评估让每一轮“开方—跟踪—反馈”的数据都变成下一轮系统的养分。真正的个性化建议系统不是一次性的工具，而是一个越用越懂你的伙伴——这也是它和老中医一样，能赢得长久信任的根本原因。

Lift=EnewEbaseline\displaystyle \text{Lift} = \frac{E_{\text{new}}}{E_{\text{baseline}}}
  1. 新策略效果$E_{\text{new}}$ 表示实验组（使用新推荐策略）用户的平均健康改善指标。
    EnewE_{\text{new}}
  2. 基线效果$E_{\text{baseline}}$ 表示对照组（维持旧策略）用户的平均改善指标。
    EbaselineE_{\text{baseline}}
  3. 提升度两者相除。$\text{Lift} > 1$ 说明新策略确实更有效，可以全量上线。
    Lift=EnewEbaseline\text{Lift} = \frac{E_{\text{new}}}{E_{\text{baseline}}}

AI 应用场景

慢病管理平台

阶段：建议引擎设计 + 依从性跟踪

解决的问题：传统慢病管理靠患者定期复诊，出院后的日常饮食、运动完全无人指导，医生也没有精力逐一跟进。基于用户画像和风险分层，AI 系统为每位患者生成每日个性化饮食与运动建议，并通过消息渠道推送执行提醒，自动跟踪依从率。

具体案例：某互联网医院在糖尿病管理模块中引入个性化建议引擎后，患者建议执行率从 32% 提升至 58%，复诊间隔从平均两周延长至六周，医生资源被释放到真正的高危干预中。

企业体检后续干预

阶段：风险评估分析 + 生成表达优化

解决的问题：每年企业体检后大量报告堆在员工手里，看不懂、不重视、没有后续行动。系统对全员体检报告做风险因子识别与等级分层，将高风险员工优先筛选出来，并用 LLM 生成通俗易懂的个性化解读与干预建议。

具体案例：某大型企业 5000 名员工健康项目中，系统筛选出 12% 高风险人群，定向推送体重和血糖干预方案。一年后，高风险人群平均 BMI 下降 1.8，员工健康风险评分整体下降 15%。

Python 演示

python50 行
class HealthAdvisor:    """个性化健康建议引擎：规则匹配 + 加权排序"""     def __init__(self):        self.rule_list = [            {"cond": lambda u: u["bmi"] >= 24, "risk": 0.8,             "topic": "体重管理", "advice": "建议每周运动150分钟"},            {"cond": lambda u: u["glucose"] >= 6.1, "risk": 0.9,             "topic": "血糖管理", "advice": "建议控制精制糖摄入"},            {"cond": lambda u: u["smoke"], "risk": 1.0,             "topic": "戒烟干预", "advice": "建议咨询戒烟门诊"},        ]        self.candidate_count = 0     def match_user(self, user):        """将用户画像与规则库匹配，得到候选建议"""        self.candidate_count += 1        hits = []        for rule in self.rule_list:            if rule["cond"](user):                hits.append(rule)        return hits     def personalize(self, user, hits):        """结合用户偏好与风险等级加权排序"""        ranked = []        for r in hits:            prefer = user["prefer"].get(r["topic"], 0.5)            score = r["risk"] * 0.7 + prefer * 0.3            ranked.append({"score": score, "advice": r["advice"]})        ranked.sort(key=lambda x: x["score"], reverse=True)        return ranked     def recommend(self, user):        """主入口：从画像到建议的完整链路"""        hits = self.match_user(user)        return self.personalize(user, hits)  if __name__ == "__main__":    user = {        "name": "小明",        "bmi": 26,        "glucose": 6.8,        "smoke": True,        "prefer": {"体重管理": 0.4, "血糖管理": 0.8, "戒烟干预": 0.6},    }    advisor = HealthAdvisor()    for item in advisor.recommend(user):        print(f"评分 {item['score']:.2f}：{item['advice']}")
目的：演示一条健康建议从“用户画像匹配”到“加权排序输出”的完整计算链路，对应正文中建议引擎与生成优化两节的核心思想。
  1. self.rule_list = [...]用规则列表模拟知识图谱中的“风险因子 → 建议”边，每个规则包含触发条件和风险等级。
  2. def match_user(self, user):将用户画像与规则库逐一匹配，相当于老中医“辨证”的第一步：找出命中的风险项。
  3. if rule["cond"](user):判断当前用户是否满足这条规则的触发条件，例如 BMI 是否超标。
  4. prefer = user["prefer"].get(r["topic"], 0.5)读取用户对某类话题的偏好值，缺失时取默认 0.5。
  5. score = r["risk"] * 0.7 + prefer * 0.3风险等级占七成、用户偏好占三成，两者加权得到综合分。
  6. ranked.sort(key=lambda x: x["score"], reverse=True)按综合得分降序排列，分数最高的建议排在最前。
  7. advisor.recommend(user)一个入口完成从画像到建议的完整链路，输出“评分 + 建议”列表。

常见误区

误区“既然 LLM 这么强，直接把用户画像喂给它，让它生成建议不就行了？还要什么知识图谱和规则引擎？”

正解这正是医疗场景最危险的用法。LLM 可能一本正经地“编造”出违反医学常识的建议——比如给糖尿病患者推荐高糖食谱。知识图谱和规则引擎的作用是先圈定安全的候选集，LLM 只负责在圈内做表达优化。就像药房必须先核方再抓药，不能指望抓药的人自己背药典。

为何常见：大模型在通用问答中表现惊艳，容易让人忘记它本质上是“语言游戏高手”而非“医学专家”，于是高估了它的可靠性。

误区“反正要做个性化，那就把所有能采集的数据都收上来，越全越准。”

正解数据越多，噪声、隐私风险和合规成本也越高。画像的关键不是“多”而是“准”和“可用”。采集与健康决策直接相关的数据（体检指标、生活习惯）就足够支撑 80% 的建议场景，过度采集反而会让用户产生警惕，降低信任。

为何常见：互联网产品养成了“数据多多益善”的思维惯性，忽视了医疗场景对敏感数据的严格约束。

误区“生成一份三千字的完整健康计划，用户看了会觉得专业，执行起来也更有动力。”

正解事实恰恰相反。认知心理学研究表明，人类对“行为指令”的承载能力有限，一次给出 3 条以内的具体建议，执行率最高。建议越冗长，用户越容易放弃。老中医从来只交代几味药怎么煎、忌什么口，绝不会写一篇论文给你。

为何常见：产品经理容易从“专业感”而非“用户行为”出发设计内容，忽略了依从性才是目标。

误区“用户入组时做一次风险评估，后面照着执行就行，不用反复评估。”

正解健康状态是动态的。体重降了、血糖变了、开始吸烟了，风险等级都应随之更新。持续跟踪的意义就在于此：依从性跟踪记录的新数据要回流到风险评估环节，形成反馈闭环。老中医复诊时一定会重新搭脉，不会只看上次的病历。

为何常见：静态思维在传统医护流程中很常见——看一次病拿一次药，没有“连续监测”的概念。

面试题

Q1. 个性化建议引擎的输入基础是什么？

单选题 · easy

  • A.用户画像与风险评估← 正确答案
  • B.医生经验与药典数据
  • C.通用健身教学视频
  • D.社区热门健康帖子

答案：A。用户画像提供“这个人的情况”，风险评估提供“这个人哪里有风险”，两者共同构成建议引擎的输入。B 是知识来源而非输入，C 和 D 与个性化无关。

Q2. 知识图谱推理在建议引擎中的作用是什么？

单选题 · mid

  • A.把医学关系连接成网络← 正确答案
  • B.替代患者自己去百度
  • C.自动生成所有诊断书
  • D.删除无用历史数据

答案：A。知识图谱把疾病、症状、饮食、运动等医学实体组织成关联网络，供引擎沿边推理候选建议。B 是用户行为，C 和 D 夸大了或歪曲了它的功能。

Q3. 设计建议引擎时，哪些方法可以减少 LLM 幻觉？

多选题 · mid

  • A.用知识图谱约束候选← 正确答案
  • B.规则校验生成内容← 正确答案
  • C.增加人工审核环节← 正确答案
  • D.删除所有训练数据

答案：ABC。知识图谱把候选圈定在医学合理范围，规则引擎校验输出是否合规，人工审核兜底高危内容，三者共同降低幻觉。删除训练数据是破坏性做法，与减少幻觉毫无关系。

Q4. 依从性下降时，干预强度应如何调整？

单选题 · hard

  • A.依从性下降时加强干预← 正确答案
  • B.依从性上升时加强干预
  • C.始终维持同一强度水平
  • D.完全取消自动干预措施

答案：A。依从性下降说明当前方案与用户生活冲突，应加大提醒频率或调整建议难度，而不是放任不管。依从率上升时可适度减少打扰，维持稳定即可，故选 A。

Q5. 个性化建议的安全审核机制包括？

多选题 · easy

  • A.医学合理性校验← 正确答案
  • B.紧急风险阻断← 正确答案
  • C.敏感信息脱敏← 正确答案
  • D.忽略用户历史记录

答案：ABC。医学合理性校验保证“说得对”，紧急风险阻断保证“不出事”，敏感信息脱敏保证“不泄露”。忽略历史记录与安全审核违背，属于错误选项。

Q6. 推荐策略优化最依赖哪类数据？

单选题 · mid

  • A.用户反馈与依从性数据← 正确答案
  • B.广告点击与收入数据
  • C.服务器日志与异常数据
  • D.天气日历与节假日数据

答案：A。用户是否采纳建议、依从率如何变化，是判断推荐策略好坏的直接证据。B、C、D 与健康干预效果的因果链太远，无法指导策略迭代。

Q7. LLM 生成建议时，注入用户画像的主要作用是什么？

单选题 · hard

  • A.让输出更贴合个人情况← 正确答案
  • B.让模型输出更短小精炼
  • C.完全消除输出延迟问题
  • D.减少模型参数数量大小

答案：A。画像注入让 LLM 在生成时“知道在跟谁说话”，从而输出个性化语言和内容。B、C、D 涉及的是工程性能问题，与画像注入没有直接关系。

Q8. 用户画像构建包含哪些数据维度？

多选题 · mid

  • A.基础信息与体检指标← 正确答案
  • B.生活习惯与运动情况← 正确答案
  • C.遗传风险与病历记录← 正确答案
  • D.社交平台点赞数据

答案：ABC。画像的三个核心维度是基本属性、生活方式和医学指标。社交点赞数据与健康决策关联弱且隐私敏感，不应纳入健康画像的构建范围。

Q9. 建议依从率通常如何计算？

单选题 · easy

  • A.已完成建议数除以总建议数← 正确答案
  • B.总建议数除以已完成数
  • C.用户总数除以建议总数
  • D.建议总数除以用户总数

答案：A。依从率是“做到了多少 / 该做多少”，分子是已完成项，分母是总项。B 把分子分母倒置，C、D 描述的则完全是另外两个统计口径。

Q10. 风险评估中，高危用户优先得到干预的安排称为？

单选题 · extreme

  • A.优先级分层干预策略← 正确答案
  • B.统一强度平均分配法
  • C.随机抽签决定策略机会
  • D.延迟处理所有健康策略

答案：A。按风险等级合理分配干预资源——高危优先、低危随访，就是优先级分层。平均分配、随机抽签和延迟处理都违背了“把资源给最需要的人”的原则。