作者：
陈念一
近日，在一场公开的行业论坛上，国家传染病医学中心 （上海） 主任张文宏因 「拒绝将 AI 引入其所在医院的电子病历系统」 的发言被推上风口浪尖。
拆解张文宏的完整发言，里面的观点可为两部分。首先，他处理的患者病历数量太多，自己会在日常诊断中使用 AI，常发现 AI 生成的结果存在错误；
其次，他认为医院电子病历系统引入 AI 后，医生的培训过程将明显改变。原本需要经过实习医生、住院医师、高职级医生的历练，现在借助 AI 便能创造 「捷径」，直接生成与资深医生类似的诊断结论。
这两种情况共同作用，小则打乱了医生的学习进程，大则无中生出医疗隐患。
站在临床的角度，张文宏对于 AI 的审慎立场可以理解，毕竟医疗安全关乎患者生命。同时，孕育 AI 的数据本身就来源于这些资深医生长年累月的积累，他们的判断与鉴别能力在绝大多数情况下比 AI 更准确。
但在现实之中，三级医院的医生长期面临海量患者的诊疗压力。相比追求绝对的精准，他们更需要的是在决策过程中做好 「准确与效率的平衡」。
如今优质医疗资源缺失仍是常态，有机会优化诊疗平衡的 AI 工具，或许不应该被简单地排斥在医生的工作流之外。
最受欢迎的医疗 AI 工具？
过去一年中，《健闻咨询》 陆续访谈了 30 多位经常在工作中使用医疗 AI 工具的三级医院医生。在回答 「什么样的 AI 工具最好用」 时，超过 70% 医生选择了和电子病历相关的医疗 AI 应用。
广东某头部三级医院信息科主任李行 （化名） 告诉 《健闻咨询》，电子病历涉及的 AI 功能很多，包含智能录入、智能生成、临床质控、CDSS（临床辅助决策系统） 等，他所在的医院使用质控、CDSS 及病历生成应用比较多。
「拿 CDSS 来讲，它能根据患者的检查结果给出一些建议，进而缩短医生思考的时间以及书写病历的时间。目前所有引入了相关 AI 的科室表现都不错，大概能够提升医生 15%～20% 的工作效率。」
此外，当下的 AI 电子病历多数都做到了实时质控+内涵质控，既能随时提醒医生的书写错误，又能在写好之后找到整份病历的逻辑错误，有效降低医生在病历方面的出错率。
李行表示，AI 电子病历的临床价值是明确的，但由于涉及业务比较广泛，他没法给出具体的指标来衡量 AI 对于业务层面的效率提升。
除了信息科外，一些临床科室也乐于引入 AI 工具，缩短工作流中繁琐的报告书写流程。
以放射科为例，常规流程下放射科医生需要先逐层浏览影像，再去报告模板里描述他在放射影像中的所见，形成影像学结论。但现在许多 AI 厂商将 AI 应用内嵌于 PACS 系统中，在生成 CT、MR 影像的同时直接生成影像报告。
通过这种方式，影像科的工作流程在事实上被改写了。过去需要一个医生写报告，另一个医生审核报告。如今在 AI 赋能下，医生只需要做好审核、调整的角色，人力被极大解放，科室的经营效率也显著提升。
还有一部分医生存在科研需求，需要先把影像报告进行 「结构化」。这是一个很耗时的工作，「结构化」 一份报告大概需要花费医生不下半小时的时间。而在 AI 的帮助下，医生的工作方式由 「自行归纳」 转变为 「关键词勾选」，甚至可以用大模型直接把关键词及对应关键数据生成出来。
回顾上述两个案例，我们可以发现，AI 电子病历在临床中的价值路径和张文宏描述的场景有所区别。
张文宏强调的是 AI 的 「生成能力」，认为该能力达不到开箱即用的标准，且普通医生没有识别能力，无法对 AI 生成的内容进行纠错。
但在绝大多数情况下，信息化企业与三级医院普通医生通常更为强调 「人机协同」，即在信任医生现有水平的基础上，将其定义为 「审查者」 的角色，将主要工作的内容书写报告转变为纠错报告，因而医生会投入精力与时间对生成内容进行审核。
需要注意的是，伴随大模型的不断发展，现有的 AI 已经增强了它的解释性，它能将生成结论的逻辑向医生展示，因而一定程度上降低了医生的纠错难度，甚至还能帮助医生通过纠错过程强化循证逻辑，加速自身成长。
因此，AI 的出现虽说在一定程度冲击了三级医院医生的传统学习流程，但也展现出了另一条更为高效的成长路径。其中的利弊，我们或许不能单凭个人经验得出结论，还要综合考虑更多临床场景下的真实需求。
存在抵触，但不会逆转
在三级医院，AI 有机会做到在提质增效的前提下助力医生成长。但在更为基层的医疗机构中，张文宏的担忧确实戳中了它们的痛处。
相较于过去聚焦头部医院的策略，现在的医疗 AI 产品主打下沉——哪里缺乏能力充分的医生，企业就将 AI 应用落在哪里。
和三级医院相比，基层医疗机构的医生在诊断能力上存在一定差距。且当 AI 生成的答案与实际相悖时，他们即便发现了问题，也可能无法快速找到一个能够帮他们精准答疑的资深医生，进而错失学习机会，最终导致惰性的产生。
但上述问题并非没有答案。数智行业常拿自动驾驶技术与医疗 AI 进行对比，因为两者都需要研发者为使用者的生命安全负责，因此对性能要求极为苛刻。
过去十年，自动驾驶已经发生了肉眼可见的变化，由概念技术前进至 L3 级有条件自动驾驶，一线城市随处可见试点的自动驾驶测试公路。
而同一时期内，医疗 AI 也由最初的辅助诊断工具逐步切入治疗环节，形成了全病程全模态的赋能，鲁棒性及准确性均实现了突破性提升。
现在的问题是，部分三级医院的资深医生依然对 AI 存在抵触心理。一位受访医生告诉 《健闻咨询》，在院内训练大模型时，很多资深医生并不愿交出自己的诊疗相关数据，「他们会觉得这是个人的知识成果，不愿意直接交给医院，转化成一种公共产品。」
「现有的很多 AI 工具背后是规则库，不带自我训练功能。」 一位 AI 医疗厂商负责人表示，选择这样的产品，并不是出于技术难度的考虑，而是一些合作医院的专家不愿自己的数据被采集，「如果能够基于院内的数据进行自我训练，AI 所带来的提效会更为直观。」
但无论这个过程有多长，一个基本的行业共识是，伴随高质量临床数据的不断加入及算法的持续优化，医疗人工智能的准确性必然会向 「1」 无限趋近。
再谈培训方面，AI 为医生带来的不仅是效率的提升，更是知识获取速度的提升。作为一项需要终身学习的职业，AI 纵然不能缩短本科、规培阶段的时间，但能提升他们在临床环境中的学习速度，缩短成为高资历医生所需的时间。
目前市面上已经有大量教培一体化的 AI 模型出现，亦有不少学校 （如哈佛大学） 开始在教学阶段引入 AI 课程。
因此，身处传统与智能的时代交错点，医院、医生、企业或许需要协同探索一种新的合作模式来量化价值，化解矛盾，共同迎接 AI 时代的来临。
毕竟，时间总会补足 AI 的能力缺陷，智能化趋势已不可逆转。
（第一财经）
文章转载自东方财富
