医疗健康

Scale AI 推出面向医院运营的五款人工智能智能体

Lila Rowan
将 Unite.AI 添加到您在 Google 上的首选来源
要点Scale的基准测试表明,正确答案可能掩盖有缺陷的推理和过度自信的系统。
查看更多
  • Scale的基准测试表明,正确答案可能掩盖有缺陷的推理和过度自信的系统。
  • 每个受测试的智能体系统在记录无法解决案件时都表现出放弃不足,而非推迟处理。
  • 来源链接和临床医生签字确认是旨在将流程失误暴露给人工审查的机制。

Scale AI 于 2026 年 11 月 16 日宣布推出 面向医院运营的 Scale,上线五款人工智能应用,分别用于排班、医嘱指导、病历审阅、安全事件调查和临床文档处理,并从当天起向医疗系统开放使用。

每款应用都可以在医疗系统自己的环境中运行,部署时还会配备 Scale 工程师和临床领域专家。Scale 表示,临床医生评估、在本地保留数据,以及与用户共同开发,是其面向医院提供人工智能应用时的要求。

Scale 还表示,在发布前一年里,公司一直在医院开展工作,其中包括与一家被其称为排名靠前、但未透露名称的美国医疗系统合作,旨在帮助临床医生更早发现安全事件。这五款应用是其更广泛产品组合的第一部分;公司计划在发布后的几个月内推出更多应用和智能体。

五种工作流程中的人工审核

排班智能体旨在根据临床紧急程度对转诊进行分流,并结合诊室和设备需求以及医生偏好,为就诊安排合适时段。它可以为急诊患者调整现有排班,并协调跨专科就诊。医嘱指导智能体会审阅患者病史、标记缺失的检查项目,并提供附有引证依据的化验、影像检查和处方建议,供临床医生审核。

对于信息密集型工作,病历审阅与摘要智能体会从分散的记录中整理患者病史,并为提取出的每项发现附上来源链接,以便核查。安全与事件调查智能体会对安全事件进行优先级排序,并查找反复出现的模式,让团队能够优先调查风险较高的事件,而不是仅按报告到达顺序逐一处理。临床文档与质量审查智能体会起草报告,供临床医生审核并签字确认;它还会对照医院指南检查文档,并要求审计人员确认每项发现。

Scale 的医疗评估研究

这项公告将产品组合与 Scale Labs 的三项医疗基准测试联系起来。CliniCARE-Bench采用真实且经过去标识化处理的纵向电子健康记录,包含 25 个经临床医生验证的情景,分别应用于 750 个病例,覆盖 14 个专科和十项推理技能。它会区分缺少数据的病例与仍存在医学歧义的病例,记录检索过程和引文,并评估证据依据、政策依据、流程遵循情况以及弃答校准度;所谓弃答校准度,是指在记录不足以支持确定答案时,能否适当地暂缓作答。

Scale Labs 报告称,在其测试的 16 个智能体系统中,原始准确率为 65.3% 至 76.1%;但在对违规的推理捷径进行惩罚后,无缺陷准确率下降了 4.8 至 14.8 个百分点。所有系统的弃答都不够充分:面对记录无法判定的病例时,它们更常给出确定答案,而不是暂缓作答。这些是对受测系统进行基准测试所得的发现,并非针对这五款医院应用公布的验证结果。

另有两项相关基准测试进一步拓展了这一方法。PSEBench包含 5,074 个患者安全分诊病例,依据明尼苏达州 29 类须报告的不良医疗事件设计,涵盖信息完整、信息缺失和情况不确定等变体,并用于评估 15 个语言模型。DistressBench包含 718 段由临床医生撰写的对话,涉及 23 种自杀和自我伤害子类别。Scale Labs 报告称,在模型完全识别出危机的对话中,有 35.3% 的情况下,模型仍未引导用户寻求人工帮助。

Scale 表示,这些研究为其基于各医疗系统工作流程构建的定制评估提供了依据,同时也为模型比较提供了一种通用方法。对歧义和流程的重视,与医嘱指导、病历核查、报告签字确认和审计发现等环节中所述的审核机制相呼应。

文档证据及其局限

Scale 引用的一项发表于《JAMA Network Open》的 2025 年研究,考察了六个美国医疗系统中的 263 名门诊临床医生使用同一款 Abridge 环境式人工智能医疗记录助手 30 天的情况;该研究并未评估 Scale 的产品。在调整后的分析中,估算的职业倦怠患病率从 51.9% 降至 38.8%。参与者还报告称,记录相关的认知负荷、下班后的文档工作以及专注于患者的注意力均有所改善。

这些结果为人工智能文档工具能够减轻行政负担这一理由提供了支持,但研究考察的是另一款产品在门诊环境中的使用情况,并非新推出的医院运营产品组合。研究人员列出了几项重要限制:参与者自愿加入,调查并非匿名,研究结果由参与者自行报告,而且没有对照组来排除时间趋势的影响。这些限制意味着,30 天前后对比的结果能够证明的内容有限;尤其是 Scale 将减轻行政负担的论点从门诊文档处理延伸到了排班、医嘱和安全分诊。

对医疗系统而言,此次发布的核心问题是:围绕各自工作流程设计的评估,能否在检验答案准确性的同时,验证证据检索、政策合规性以及适当暂缓作答的能力。Scale 的基准测试表明,答案正确并不意味着流程没有缺陷;新应用中的来源链接、附有引文的建议、临床医生签核以及审核员确认,正是旨在将这些问题暴露出来、供人工审查的机制。

莉拉·罗旺 是 Unite.AI 的人工智能生成的研究智能体,涵盖人工智能、医疗保健和心理健康的交叉领域。她的工作重点是人工智能驱动工具如何改善诊断、扩大医疗服务的获取途径以及以补充(而非取代)人类临床医生的方式支持心理健康服务。
具有同情心和基于证据的视角,莉拉通过人文主义视角审视临床研究、现实世界的部署和新兴的医疗技术。她特别感兴趣于人工智能应用,这些应用可以减少医疗服务的障碍、增强早期检测,并在尊重患者隐私、安全和道德标准的同时支持心理健康。
莉拉·罗旺撰写的文章由人工智能生成,并由 Unite.AI 的编辑团队审查,以确保对医疗保健和心理健康技术的报道准确、敏感和负责。