人工智能（AI）正逐渐渗透到医学的各个层面，但要充分发挥其潜力，可能需要对医疗实践进行根本性的改变。接受这一转变对于许多临床医生来说将是一个挑战。然而，为了确保AI的宏伟承诺能够转化为现实的改进，这可能是必要的。
诊断过程是临床决策支持的重要目标，尤其适用于AI。诊断常常不准确，但快速找到正确的诊断对于提供有效护理至关重要。基于机器学习（ML）和深度学习（DL）等强大技术，AI驱动的算法越来越多地用于支持临床医生的诊断、治疗和患者预后预测。这些算法旨在从临床数据中获得洞见，以协助快速、准确的诊断和治疗决策。尽管这些潜在的颠覆性技术迅速扩散，但我们对它们如何影响现实世界的诊断过程及其结果知之甚少——这一差距被称为“AI鸿沟”。
在增强诊断模型中，特别有用的一个领域是超急性中风。这是一个高风险的环境，错误的成本不仅在临床上非常高，而且对患者、临床医生和医疗机构也具有重要的道德和伦理意义。许多现成的中风AI应用程序正在被引入临床研究和实践中，旨在改善中风的诊断和治疗转诊流程。AI似乎正在通过提供新的功能彻底改变这一过程，例如即时将MRI/CT图像分发到中风团队的手机上，以及预测是否存在疑似大血管闭塞（主要中风标志）以及受影响脑组织是否可以通过手术干预（即机械取栓）挽救。然而，对临床工作的影响尚未完全理解。
传统与AI辅助的诊断和转诊过程
我们报告了一项为期五年的深入定性研究的初步发现，该研究调查了三个主要英国中风中心采用尖端AI应用程序的情况。我们的观察集中在“门到治疗”部分，即从中风患者的扫描开始，直到做出治疗决定。
证据表明，AI可能会触发临床医生在实践中进行中风诊断和治疗转诊过程的根本性变化。传统上，诊断过程始于医生检查患者、收集数据并构建对其病情的直观评估。初始判断通过信息收集、整合和解释的迭代过程逐步完善。这个细化过程包括假设生成、调整和验证，通常以诊断决策结束，该决策为治疗（如溶栓或取栓）提供分类标签。
然而，正如专家指出的，AI并不专注于支持现有的诊断过程。预测AI工具通常设计为产生一个答案，即诊断标签，回答患者是否有某种诊断的二元问题。这种方法受到了挑战，认为“任何在旅程开始就预测目的地的工具，如果不告诉你如何到达那里，是没什么帮助的”。尽管如此，临床医生并未气馁。我们的研究发现，专家临床医生通过改造而非取代传统诊断过程来适应AI。他们不是简单地接受AI的诊断输出或“标签”，而是发展了一种新方法，从AI的建议开始，通过多个验证步骤评估其有效性。这包括交叉参照患者记录、验证是否符合既定的医疗标准以及咨询其他专家的意见。通过这种演变，临床医生不仅保留了他们的核心角色，还通过整合AI的能力增强了诊断过程，同时保持了临床严谨性和监督。
在我们观察到的高级中风AI应用环境中，诊断旅程始于AI基于处理MRI/CT影像产生的推荐（诊断标签），整个中风团队可以同时看到这一推荐。这不仅因为速度更快，还因为推荐广泛分布。AI的“诊断”，至少在狭义的算法输出意义上，倾向于在诊断过程的初期阶段就可用，而不是仅在最后阶段（图1）。
图1：诊断过程的变化
这是一个简化的信息导向图，描绘了临床医生在制定诊断时所经历的复杂、动态、纵向的过程。它展示了诊断标签如何从目前作为诊断过程的终点变为新AI介导过程的起点。
我们的证据显示，AI诊断在临床医生诊断之前就已生成、分发并阅读。在中风的情况下，AI可能会突出血管闭塞的存在，并建议受影响大脑的比例或识别出血。这一初步（尚未验证）的声明通过一系列彩色地图和3D表示（包括AI CT灌注和AI CT血管造影）由软件传递。从这一点开始，临床团队的任务就是通过自己的临床发现以及常规影像工具（如CT脑部、CT血管造影）验证AI“判断”的有效性。
AI诊断的早期可用性反过来触发了特定的治疗路径（例如，在主脑动脉发生大血管闭塞的情况下启动取栓路径，从而引荐给介入神经放射科）。神经放射科医生/介入医生通常会在AI预测完全验证之前收到警报，他们的角色是确定是否推荐接受或拒绝该预测。这一情景似乎暗示着人类与机器代理之间的平衡正在微妙而坚定地向机器倾斜。
展望未来
AI的引入可能会对中风护理过程产生根本性影响，这对临床医生、患者和医疗系统的影响值得紧急进一步研究。分析应从以下几个维度探讨AI引起的诊断过程及其结果的变化。
首先，关键问题是引入中风AI和随后的工作流程变化是否会提高诊断准确性。例如，与独立操作的临床医生相比，AI增强的临床医生是否能更准确地检测大血管闭塞？试验证据表明，AI系统的表现优于临床医生，但这些初步发现尚未在现实条件下得到充分验证。如果这一更高的准确性得到验证，是否会有更多的患者因此获得治疗？
其次，迫切需要研究如何在现实世界临床实践中使AI安全和合乎伦理。这包括了解临床医生如何在实践中应对AI的局限性。虽然AI可能相对减少临床医生在解决问题和决策中的主观性和偏见，但它也可能引入新的偏见来源。临床医生和医疗机构如何管理潜在的AI错误，尤其是在算法不透明的情况下？他们如何解决隐私问题，如影像中心与AI之间安全传输的问题？患者的同意实践又该如何改变以反映解释AI在决策中作用的复杂性？我们的研究表明，临床医生正在开发新的专门实践和方法来应对AI带来的风险和不确定性。
第三，理解AI对专业知识的影响至关重要。缺乏经验或过度劳累的临床医生能否批判性地评估并在必要时拒绝AI的意见，还是会屈服于“自动化偏见”？AI如何改变参与中风诊断和转诊的临床医生的任务和角色？例如，中风医生是否会发展类似于放射科医生和介入医生的基于影像的诊断专长？这是否会引发中风医生与放射科医生或介入医生之间的管辖冲突？另一个专业知识演变的维度是可能出现的新角色，专注于监控AI的临床应用。这些新专家是否会卷入围绕AI输出可靠性和解释的竞争主张的谈判中？
第四，AI支持的诊断和转诊对患者的影响需要仔细考虑。通过集中式AI应用程序快速共享患者信息/图像是否会优先于现实生活中的患者表现来指导诊断和转诊？这种情况已经在某些情况下出现，例如当患者在中风分支医院进行扫描然后转移到枢纽医院，或在下班后通过远程访问屏幕进行诊断。然而，AI可能会使这种场景正常化，使其在诊断过程中更加突出，而不仅仅是例外（图2a，b）。
图2：临床工作流程的变化
a 有AI的简化临床工作流程（中风枢纽）。b 没有AI的简化临床工作流程（中风枢纽）。
推广这些观察
类似的变革是否会在超急性中风之外发生，值得研究。来自自动紧急肺癌筛查的初步证据表明，AI可能同样作为初次读者，筛选需要立即跟进的影像，而临床医生则分析剩余病例以防止假阴性。这种模式可能扩展到其他时间敏感领域，如手术（败血症）、病理（急性白血病）、心脏病学（急性心肌梗死）和急诊护理（气胸）。AI作为初次读者还可以在非急性环境中增加价值，通过管理大量常规筛查和积压任务，保持重复任务和长时间轮班期间的一致准确性，并优化专科资源和地理可达性。这些应用值得进一步研究。在全球范围内，AI实施的差异也值得考虑，因为各国的医疗系统结构不同。一个有趣的比较是美国和英国。例如，标准化程度较高的英国系统可能更好地协调向AI主导诊断的根本转变，通过协调验证实践，而美国式的务实创新和流程改进方法可能有助于英国的快速发展。相反，美国可以从英国的系统化标准化、风险管理和平等实施方法中受益。
结论
新技术难以掌握，其影响更难预见——互联网、智能手机、计算机辅助决策系统，以及在医疗保健背景下，X光和MRI扫描仪都是例子。AI很可能代表了类似规模的变革性变化。尽管AI及其影响存在很大的不确定性，但有一件事越来越明确：要充分发挥其优势，需要对我们的实践方式进行根本性的改变。
(全文结束)
