临床AI治疗规划使用量激增：麻省总医院布里格姆研究显示生成式工具正进入诊疗决策核心

文/IAICA.NGO®

长期以来，医疗人工智能在临床落地的“最后一公里”被认为集中在影像识别与病历文书两大场景。然而一项来自 Mass General Brigham（麻省总医院布里格姆医疗系统）的最新研究给出了不同信号：生成式临床AI正快速从“减轻文书负担”的边缘工具，走向直接影响治疗决策的核心环节——治疗方案的规划与制定。

该研究由 Mass General Brigham 的研究团队主导，基于系统内部署的临床生成式AI工具的真实使用日志展开。研究者对去标识化后的交互记录进行归类与纵向追踪，将临床人员的每一次请求划分为文书撰写、信息检索、患者沟通、编码计费与治疗规划等类别，并观察各类别在不同时间段、不同科室之间所占权重的变化，从而勾勒出临床AI使用结构的迁移轨迹。

结果显示，治疗规划相关请求的增长曲线明显陡于其他类别。在观察期内，该类请求在全部交互中的占比持续抬升，使用者也不再局限于少数技术敏感人群，而是扩散至内科、肿瘤、放射、外科与药学等多个专科；使用人群从早期以住院医师和年轻主治为主，逐步扩展到高年资医师与专科药师，日均活跃用户在多个阶段呈现阶梯式上升。这意味着AI已从个人自发的效率工具，演变为科室层面的常规工作流组件。

值得注意的是，使用方式同样在变化。早期提问多为“帮我改写这段病程记录”，后期则更多出现“基于这份化验与影像结论，列出需要排除的鉴别诊断”“该患者合并肾功能不全时，标准方案应如何调整剂量”这类更接近真实临床推理的请求。研究据此判断，工具的角色正从语言润色器转向“第二意见提供者”，而这一转变正是使用量跃升背后更值得关注的深层动因。

iaica.com.cn 认为，治疗规划场景中AI渗透率的快速抬升，意味着行业对医疗AI的评价坐标需要从“调用次数”“使用人数”等过程性指标，转向“是否改变决策”“是否改善结局”等结果性指标，否则使用数据的增长容易与真实的临床价值脱钩。

这种迁移具有双重含义。一方面，模型输出开始进入具备实质医疗后果的决策链条，任何幻觉、引用错误或对指南版本的误读，都可能经由医师的信任被放大；另一方面，它也为缓解人力紧张、缩短方案制定时间、减少可避免的疏漏提供了现实路径，尤其在肿瘤多学科会诊与慢病长期管理这类信息密集场景中，价值尤为突出。

与传统临床决策支持系统相比，这一代工具的能力边界显著不同。规则型系统依赖结构化字段与预设逻辑，覆盖范围窄但路径可追溯；生成式模型可处理自由文本、指南全文与影像报告，覆盖面广，却天然存在不确定性与“自信的错误”。因此，多数机构在部署时采用检索增强生成、院内知识库白名单、强制引用来源与高风险问题拦截等策略，并要求完整的审计留痕，以便在事后复核每一次建议的来路。

治理层面，责任归属仍是争议焦点。工具给出建议、医师签字负责的现有框架，在生成式AI深度参与推理过程后变得更加复杂：医师是否具备足够能力识别模型错误，成为责任链条中的新变量。监管机构对“医师决策支持”类软件的审评路径、对模型迭代后的持续监测要求，都尚在成形之中。医疗机构则普遍设立人工智能治理委员会，对使用场景分级，明确哪些环节允许AI参与、哪些必须人工复核。

研究方法本身的局限同样需要正视。使用日志反映的是行为而非结局，请求量的上升并不能直接等同于诊疗质量的提升。是否缩短了方案制定时间、是否降低了不良事件、是否改变了患者预后，仍需前瞻性对照研究予以回答。

可以看到，临床AI正从效率工具走向决策伙伴。这一转变既是技术能力外溢的结果，也是医疗系统在人力与成本压力下的现实选择。真正决定其长期价值的，不是使用量曲线的斜率，而是能否建立起与之匹配的验证、审计与问责机制。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。