当人工智能走进医院：医生和患者将迎来哪些变化

在我上一篇专栏中，我从商业角度探讨了医疗人工智能，重点关注它为科技公司带来的机遇。但除了创新和开拓新市场的潜力，还有一个更根本的问题：这些技术会给使用它们的医生和依赖它们的患者带来怎样的改变？毕竟，医疗创新的真正价值，在于提升医疗服务的质量和可及性。而我已经看到，医疗服务的提供方式正在发生显著变化。

人员短缺如何加速医疗自动化

我认识一位企业家，他的公司为医院提供临时医护人员，包括在正式员工无法上岗时顶班的护士。你可能会以为，在人员长期短缺的情况下，这样的企业会蓬勃发展。但他说，即使是专门提供医护人员的公司，也很难找到足够的合格人选。

几十年来，医院一直面临医生和护士短缺的问题。培养新的医疗专业人员需要投入大量时间和资源。医学教育的费用可能高得难以负担，尤其是在美国；多年的学习和临床培训也带来经济和心理压力。即便完成培训，医生仍要承受巨大的压力、沉重的责任，以及始终紧迫的时间限制。

因此，医生有时只能用几分钟接诊一位患者，了解症状、考虑可能的诊断、开具检查，并完成必要的文书工作。这种工作负担会增加出错风险，也让医生更难与患者进行有意义的交流。而且，单靠增加人手不太可能解决这一问题。

这就是为什么我认为，长期的人员短缺和不断加重的工作负担，将成为推动医院加速采用人工智能的主要因素。

医生可以把哪些工作交给人工智能？

一项很实用的应用，是利用人工智能系统记录医患对话、总结问诊内容，并协助准备临床文书。医生不必再花时间手动写记录，而是可以先收到一份草稿，再根据需要审阅和修改。

这些工具在临床实践中的益处已逐渐显现。一项于2026年4月发表在JAMA上的研究分析了美国五家医疗中心超过8,500名医疗专业人员的数据。在采用人工智能文书工具的临床医生中，用于撰写临床记录的时间平均减少了10%，相当于每个安排了患者就诊的8小时工作时段约节省16分钟。

另一个例子是人工智能辅助鉴别诊断。设想一位患者因腹痛和左侧身体有刺麻感而就诊。人工智能系统可以分析症状，并提出几种有待进一步调查的可能病因。它不会作出最终诊断，但可以帮助医生列出可能性、找出需要追问的问题，并判断可能需要进行哪些检查。我已经在实践中接触过这类工具，也预计它们会成为日常医疗问诊的一部分。但这也引发了一个合理的担忧：依赖人工智能生成的建议，会不会逐渐削弱医生独立推理的能力？当系统提供现成答案时，人们很容易相信它的结论，尤其是在每位患者的问诊时间本来就十分有限的情况下。

不过，事情还有另一面。无论医生经验多么丰富，他们的知识不可避免地会受到接诊过的患者、接受过的培训以及有时间研读的研究所影响。与此同时，人工智能模型有可能从数量庞大的医疗数据中识别模式，其中包括个别医生可能从未遇到过的病例。

人工智能参与医学研究

另一个值得探讨的领域，是复杂的临床病例：即使是经验丰富的专科医生，也难以就此达成共识。如今，这类病例通常会提交到病例讨论会上，由医生审阅检查结果、讨论可能的诊断，并商定后续治疗步骤。我不认为人工智能会取代这些讨论，但可以想象，它会成为其中的另一位参与者。

这可以通过几种方式实现。多个模型可以分别分析同一病例，让医生比较分析结果，找出意见一致或不一致之处。或者，也可以让单个模型采用不同的分析方法多次审视病例，再汇总结果供医生审阅。

当然，人工智能模型得出一致结论，并不意味着结论一定正确。模型可能存在相同的局限、依赖相似的训练数据，也可能犯下同样的错误。尽管如此，这些额外的视角仍有助于发现矛盾、提示罕见疾病，或提出医生起初没有考虑到的可能性。

不过，要让 AI 对这类讨论作出有意义的贡献，就不能只看孤立的检测结果。在我们于 Keymakr 开展的工作中，我亲身感受到了更全面的临床背景有多么重要。在一个超声成像项目中，我们处理了同一批患者在不同时间拍摄的扫描图像，有时一天内拍摄数次，有时则相隔数月。团队标注了解剖结构，并标出可能存在的异常，供专科医生审核，同时也考虑了患者检查记录随时间发生的变化。

个别记录中的细微不一致，可能影响对整个数据集时间跨度内相关数据的解读。这段经历让我更加认识到，全面考量患者的病史至关重要；对于支持复杂临床决策的 AI 系统来说，这一点同样不可或缺。

没有 MRI 扫描仪，也能获得 MRI 图像

不过，作出诊断不仅要正确解读医疗数据，也要能够首先获取这些数据。我在一场由 Scryon 推荐的活动上了解到一个很有意思的 AI 项目，它正是要解决这一难题。一组开发人员找到了一种方法，利用 CT 扫描和从特定角度拍摄的多张 X 光图像，通过人工智能重建出类似 MRI 的图像。这个想法源于一个非常实际的问题：MRI 扫描仪价格昂贵，患者有时得等上几个月才能接受检查，而 X 光机和 CT 扫描仪则普及得多。

目前，这项技术主要用于膝关节，不过开发人员正在考虑将其扩展到其他关节。据团队介绍，重建后的图像旨在提供与 MRI 扫描图像相当的信息，尽管两种成像技术依赖的物理原理并不相同。

团队没有另行开发昂贵的医疗设备，而是利用现有的成像技术，并通过 AI 图像重建拓展其功能。

打破边界的手术室

我预计，未来十年里，至少有一半的医疗流程会以某种形式运用 AI。其应用范围十分广泛，从医疗数据分析和诊断支持，到手术过程中实时提供 AI 指引，都包括在内。

从长远来看，这些技术还有望帮助医疗服务突破经济、组织乃至地理方面的障碍。试想，一位美国的资深外科医生远程协助为印度的一名儿童实施手术，或是一位印度专科医生协助治疗一名加拿大患者，而他们都不必亲自到手术室。机器人技术、远程控制系统以及 AI 手术辅助技术的进步，可能让这样的情形成为现实。

我们已经看到朝这个方向迈出的初步步伐。例如，Proximie 平台让外科医生能够远程接入手术室，实时观察手术过程，并与现场医疗团队协作。该系统支持实时视频、语音通信和视觉标注，还利用 AI 分析手术工作流程数据。这并不意味着外科医生现在已经能够远程完成任何手术，但专科医生确实可以借此分享专业知识、提供指导，而无需身处同一间手术室。

我认为，改善医疗服务的可及性应当成为医疗 AI 的核心目标之一。关键在于，这些技术能否帮助缩短诊断检查的等待时间、减轻医务人员的工作负担，并让医生有更多时间陪伴患者。归根结底，我会以医疗 AI 能否让更多人及时获得高质量的医疗服务来衡量它的成效。