受访专家：首都医科大学附属北京世纪坛医院急诊科副主任医师  高 倩

暨南大学附属第一医院潮汕医院（饶平县人民医院）院长、暨南大学附属第一医院心血管内科副主任医师  李 琰

四川省人民医院信息中心主任  雷舜东

本报记者   曹宇悦

近日，美国哈佛大学、斯坦福大学等研究团队在美国《科学》杂志发布了一项大规模的人工智能（AI）医疗对比研究，并首次用真实的患者病历来检验AI能力。该研究招募了数百名执业医师，进行5项针对疑难病例的对照试验，结果显示，OpenAI o1系列大语言模型的表现均优于人类医生。同时，研究人员还进行了一项基于76例真实病例的测试，在急诊初始分诊、急诊医生首诊、患者收入普通病房/重症加强护理病房这三个关键诊疗节点，让模型根据该时间点的原始病历信息进行诊断，与两名人类主治医师的诊断做对比。结果表明，在三个节点中，AI的诊断准确率全程超越了人类主治医师。

在临床实际应用层面，AI还面临哪些难题？本期，我们邀请三位专家各抒己见，为读者提供不同的视角。

AI还取代不了急诊医生

AI在急诊领域的优势在于客观性与稳定性：急诊工作强度高、压力大，医护人员易受疲劳、情绪、认知偏差、经验主义及个体知识差异影响，不同医院、地域疾病谱也有差异，人工应对紧急情况时难免有所疏漏。AI不受上述情况限制，可依托强大算力进行多维度概率推演，自动拆解患者病史、体征和临床表现，结合海量医学文献、指南与病例库，做多病种交叉匹配，穷尽潜在诊断与鉴别思路，尤其能在信息碎片化、症状不典型时快速梳理线索、缩小诊断范围，补齐人类短板。

但AI依然有明显的局限，急诊医生难以被替代。首先，AI可能会根据单一症状罗列大量疑似疾病和全套检查，若按照其建议执行，虽然能减少漏诊，却会增加患者就医时长和经济负担，不符合精准惠民原则。其次，现阶段AI仅能处理文本数据，不能对患者面容神态、疼痛程度等进行动态感知，只能依赖医生的临场观察和临床经验。第三，急诊病情复杂多变，需反复问诊查体、动态结合辅助检查，逐步修正判断。与AI相比，医生对连续性、整体性的动态病情研判能力更强。最后，医生的共情能力、人文关怀和与患者及家属的沟通难以被AI取代，急诊患者就医时大多焦虑恐慌，部分症状由心理因素引发，AI完全根据症状进行判断可能导致误诊，而医生通过面对面沟通辨析患者病因、安抚情绪，引导患者客观描述症状，有利于实现精准诊断。

AI尤其适用于夜间急诊、人力紧缺、低年资医师接诊、批量患者等待就医的场景，但要实现急诊常态化安全应用，仍需突破单文本局限，整合影像、心电、查体、神态等多模态数据；开展多中心前瞻性研究，验证诊断效能与安全性；深度对接电子病历和医院管理信息系统，实现数据实时更新。

未来，医学院应增设AI辅助诊疗必修课程，让医生有能力运用AI拓宽思路、降低漏诊误诊风险，同时规避AI缺陷，建立科学的人机协同思维。AI还将重塑急诊医师工作重心：病历书写、信息整理等重复文案可由AI承接，有助释放人力与时间，医师就能将更多精力投入床旁核心诊疗，专注精细化查体、生命体征监测和动态病情观察，夯实临床实操与急危重症研判能力。

责任边界有待厘清

AI大模型在临床治疗领域的落地应用，是医疗行业数字化发展的重要探索。但医疗行业直接关乎生命安全，容错空间极低，而当前市面上AI大模型产品技术质量、适配能力、安全水平参差不齐。因此，若要让AI深度融入临床治疗，必须搭建完善、系统的制度体系，筑牢医疗安全底线。

首先一项无法回避的核心问题就是：倘若医师参考AI给出的建议后发生漏诊、误诊，相关责任应当如何界定划分？AI模型本质上属于临床诊疗工具，如同车辆，若医师使用AI辅助诊疗后发生医疗不良事件，“开车的人”即执业医师是否应当对最终临床判断承担主体责任？技术厂商是否需要为模型质量缺陷以及系统运行安全承担相应责任？

同时，为了真正解决这个问题，应从以下三个方面着手。一是规范行业准入制度。目前，多数医院自主研发或采购AI模型的模式均存在一定局限：单一医院受限于技术团队、资金实力、专业人才及样本数据规模，难以打造高精度、高适配的医疗级大模型；通用开源大模型无法直接适配临床需求，必须通过专业医疗数据标注、专项微调才能转化为医疗垂类模型，因此，核心诊疗场景的AI模型研发更适合由专业厂商推进。建议参照医疗器械、药品的准入监管标准，明确医疗AI的准入门槛、适用科室、应用场景及风险等级，推行医院大模型应用报备机制，从源头把控模型质量。

二是建立临床复核制度。诊断、治疗等高风险场景中，AI输出的所有诊疗建议，必须由具备执业资质的医护人员审核确认，最终临床决策由医务人员全权负责。

三是建立知情与透明机制，一旦AI参与生成诊断意见与治疗方案，患者有权知晓AI在诊疗过程中发挥的作用，并且保障人工复核、医师专业解释的渠道畅通。

此外，医院还需在数据资源、医疗知识库、模型算法、权限审计、安全治理等维度统一规划，以免各科室、各厂商分散建设，形成AI数据与应用孤岛。医疗AI建设并非简单采购产品，而要搭建可持续运营、可迭代升级的完整能力体系，需将场景验证、风险管控等环节全面纳入医院整体治理体系。

基层应用别追求高精尖

我能明显感觉到，与三甲医院相比，县域医院引入AI的需求虽然迫切，但更需要考虑成本和性价比。

当前，省级三甲医院AI医疗的应用覆盖面广、渗透率高，已经在影像诊疗、智能物流、智能化病历管理等各类医疗场景中实现常态化应用。相较于实力雄厚、资金更为充裕的省级医院，县域医院更需秉持低成本、高实效的发展原则，力求借助AI赋能，让当地医生能够解决所在县域95%的常见疾病，切实减轻群众就医负担，而非盲目追求过于高精尖的医疗技术。

以暨南大学附属第一医院潮汕医院为例，该院于2026年初制定了AI赋能医疗发展专项方案，重点推进两大AI医疗项目：一是AI影像辅助诊疗技术，旨在搭建快速阅片、识别病灶体系，破解基层影像诊疗能力薄弱问题；二是脑机接口康复项目，结合中西医康复模式，常态化解决辖区瘫痪患者的康复诊疗需求，补齐基层高端康复医疗短板。此外，该院还将AI应用延伸至医院运营管理领域，依托AI技术开展财务状况监测与数据分析，同时推进病历系统升级，全面提升医院精细化、智能化运营诊疗水平。

以AI影像技术为例，潮汕医院落地的核心功能为病灶异常识别，主要弥补基层医生诊疗短板，针对肺部隐匿性结节、细微肋骨骨折等易漏诊、误诊的病灶进行精准筛查，能大幅缩短诊疗排查周期。但是，AI仅提供异常提示和分级参考建议，最终诊疗判定需经临床医生与上级专家审核。暨南大学附属第一医院的影像科主任还长期在潮汕医院驻院指导，通过年度专项帮扶，结合AI影像辅助诊疗技术的应用，系统提升当地诊疗水平。

基层医院经费有限，AI技术落地成本较高是当前制约基层医院推广应用的重要因素。但从长远来看，随着AI大模型持续迭代完善、技术规模化落地应用带动成本下降，AI或将在院前筛查、急诊、门诊等更多场景赋能基层医疗。▲