在城市健康管理中，AI技术通过多模态数据融合与智能算法优化，可显著提升公共卫生治理效能。具体表现为：（1）疾病预测与监测：基于时空图神经网络（ST-GNN）的流行病传播模型，整合气候、人口流动与医疗数据，实现霍克斯过程驱动的传染病暴发预警；（2）医疗资源动态调度：结合强化学习（RL）与多智能体系统（MAS），构建急诊响应时间最优化的分级诊疗网络；（3）环境健康干预：运用高分辨率遥感影像与IoT传感器数据，通过深度残差网络解析PM2.5扩散模式，指导城市规划决策；（4）慢性病管理：基于联邦学习的跨机构电子健康记录（EHR）分析框架，开发个性化健康风险评估模型；（5）卫生政策仿真：采用基于主体的建模（ABM）技术，模拟不同干预策略对健康公平性的影响。当前技术挑战包括多源异构数据对齐、因果推理的混杂变量控制，以及边缘计算环境下的实时决策延迟问题。前沿研究方向聚焦于可解释AI（XAI）在公共卫生决策中的应用验证，以及数字孪生城市与代谢组学数据的跨尺度融合分析。