人工智能几乎每天都会出现在医疗保健新闻中。一则报道鼓吹诊断突破，另一则宣传排班捷径，还有一则承诺数字助手将文书工作减半——这些听起来都极具变革性。但实践中，阻碍往往更细微却更具挑战性：中风患者在转诊交接中丢失信息、心脏病学随访因系统无法互通而延误、或临床医生对陌生输出结果心存疑虑。技术问题很少是障碍，真正的症结在于具体情境。
在我从事神经影像学的博士研究期间，技术模型运行符合设计预期，但实际应用的障碍却截然不同：影像数据无法流入医院记录系统、监管审批流程缓慢、临床医生缺乏理由依赖他们不完全理解的输出结果。二十年后的今天，互操作性、监管障碍和临床信任问题依然是决定人工智能从研究走向实践的关键。
承诺与现实之间的鸿沟日益扩大
医疗保健领域的人工智能投资持续增长。市场预测显示，该行业到2029年规模将达到1736亿美元，年增长率超过40%。调查显示各方期望高涨：超过八成的医疗保健利益相关者认为人工智能将影响临床决策，相同比例的受访者预计其将通过自动化降低人力成本。另一份报告指出，86%的机构自称已在使用人工智能，预计市场规模2028年将突破1200亿美元。
然而医院实际采用率仍然有限。2022年PubMed分析显示，美国仅有不足五分之一的医院实施了人工智能工具，仅约4%在更高级别应用。在临床诊断领域，报告取得显著成效的机构不足五分之一。即使在使用预测模型的医院中，约三分之二仅将其应用于住院患者轨迹分析、门诊风险评分或排班支持。成效参差不齐，对输出结果的信任度有限。预期增长与实际采用之间的落差仍是核心问题。
结构性障碍而非技术障碍
阻碍采用的主要障碍并非技术层面。临床医生描述需求时聚焦患者护理，例如中风后的连续照护或心脏病患者的可靠随访。将这些临床需求转化为软件并非易事，它依赖于理解医学与技术如何长期协作的专业人员。付款和采购决策通常由远离临床一线的管理人员作出，导致成本与收益分配给不同群体。即使获得美国食品药品监督管理局（FDA）批准的工具，在受控试验外表现欠佳时也会丧失可信度。文化因素更添一层复杂性，医疗系统往往规避风险且受严格监管。缺乏直接领导支持时，进展会陷入停滞。
真实试点项目的启示
新冠疫情期间，我参与领导了一项测试可穿戴传感器用于感染早期检测的研究。这些设备追踪心率、体温等信号，模型预测感染准确率约82%，且常在症状出现前数日发出预警。结果虽具前景，医院和监管机构却踌躇不前——鲜有机构愿意建议患者在自我感觉良好时仍可能具有传染性。该经历表明，技术成功本身并不能保证实际采用，信任度、监管环境和工作流程准备度共同决定新工具能否落地。
高管必须采取的新策略
医疗保健领域的人工智能不应被视为孤立的创新项目，而是关乎领导力与战略的问题。高管需向供应商索取能证明工具在真实运营中表现的试点结果，而非仅依赖精美的白皮书。应聚焦神经学、心脏病学和肿瘤学等服务线，其中微小改进即可同时影响患者预后和财务绩效。跨部门认知建设同样重要：临床医生、合规官员和董事会成员都需要清晰了解人工智能的能力边界，才能建立信任。采用规划必须从设计阶段开始，构建互操作性记录系统、对齐数据流、明确定义治理框架，并建立使模型持续进化的反馈机制。人工智能可减轻行政负担并标记可能被遗漏风险患者，但无法替代共情能力或床边判断——这些特质仍是医疗护理的基石，必须予以保留。
前进方向
只有当强大的技术工作得到稳健的运营领导力支撑时，人工智能才能真正改变医疗保健。成功需要对系统承载能力的清醒认知，以及对那些从未设计用于信息共享的流程进行耐心调和。互操作性居于核心地位：没有它，算法将困于试验与试点；具备它，算法便能融入日常工作流程，为患者和医护人员带来可见成效。
【全文结束】
