环球医讯AI与医疗健康

本文引用Stormont Vail Health首席信息官Aaron Wootton的观点，指出尽管人工智能在医疗领域充满 hype，但核心挑战仍是有效连接技术与目标。他批评技术因新奇而被追捧，强调部署必须基于明确的业务或临床结果，否则只会带来短期热情而缺乏可持续价值。他呼吁通过强有力的治理结构确保决策与组织优先事项对齐，并建议领导者先投资教育、评估现有供应商能力，再谨慎填补缺口，从而将AI视为战略赋能者而非策略本身，以最大化收益并降低风险。

本文探讨AI抄写员（环境记录技术）如何通过自动转录医患对话来减少医生文书工作负担、提高效率，并可能节省成本。文章引用多项研究显示，AI抄写员可显著减少医生花在电子健康记录上的时间，提升患者沟通质量，并带来经济回报。同时，文章也分析了伦理法律问题，包括AI幻觉、自动化偏见、患者知情同意、敏感内容处理、阴影记录风险及监管缺失等。专家建议小规模试点后逐步推广，并强调谨慎采用、持续监控的重要性。

人工智能驱动的工具能够以更快速度和更高数量级发现医疗设备漏洞，但设备制造商和医疗机构在优先处理和修复这些漏洞方面面临巨大挑战，传统的修复流程难以应对即将到来的“漏洞雪崩”。同时，AI在漏洞发现方面的能力也带来了监管困境，因为美国食品药品监督管理局尚不允许使用AI进行漏洞决策，要求决策过程必须可解释、可追溯。此外，AI工具也可能被低技能攻击者利用，对医疗设备构成严重威胁，任何误判都可能造成致命后果。

本文探讨了伊朗战争导致全球氦气供应紧张，进而可能使MRI检查费用上涨；同时介绍了AI医生初创公司Certuma寻求FDA批准、辉瑞莱姆病疫苗临床试验进展、Doctronic获得融资等医疗健康领域的最新动态，并提供了本周值得关注的交易和阅读推荐。

一项研究发现，由人工智能生成的、模仿真实患者结果的假X光片，能够骗过经验丰富的放射科医生和AI工具本身。17名来自12家医院（分布在6个国家）的放射科医生参与了研究。当他们不知道研究目的时，只有41%的人能自发识别出AI生成的图像；被告知后，平均准确率提升至75%。研究负责人警告，这为欺诈性诉讼和网络安全风险创造了“高风险的漏洞”。包括ChatGPT在内的多个大型语言模型，其检测准确率在57%至85%之间。研究人员认为，需要建立数字保障措施来区分真假图像。

初创公司Qualified Health致力于帮助医疗系统评估和采用人工智能技术，宣布获得1.25亿美元B轮融资，由New Enterprise Associates领投，其他投资者包括Transformation Capital、GreatPoint Ventures等。该公司成立于2023年，提供企业级AI平台，旨在促进安全、负责任地整合AI，同时建立长期AI投资能力。公司目前估值在5亿至10亿美元之间，已累计融资1.55亿美元，支持40万用户，约占美国医院收入的5%。其客户包括Emory Healthcare、University of Rochester Medicine、Jefferson Health以及德克萨斯大学系统的八个医疗机构。公司计划利用这笔资金深化与现有医疗系统合作伙伴的关系，并扩大在美国医院市场的覆盖范围，同时投资于产品开发和工程。

本文探讨了人工智能联络中心技术如何颠覆医疗保健行业传统的电话呼叫路由模式。文章指出，传统路由系统已成为运营瓶颈，导致患者体验差、员工倦怠和收入损失。而AI系统通过主动沟通、自然语言处理和深度集成电子健康记录，能够自动处理预约、随访、保险核验等事务，减少人工干预，提升效率。文章还从IT投资角度分析了评估此类平台的关键标准，包括集成深度、全渠道能力和HIPAA合规性。

本文系统综述了70篇发表于2017-2025年间关于可解释人工智能（XAI）在医疗健康中应用的研究，涵盖肿瘤学（40%）、心脏病学（21%）、传染病（14%）、神经学（11%）和临床决策支持系统（13%）。深度学习模型（CNN、RNN、LSTM、Transformer）最为常用（76%），SHAP（54%）和LIME（30%）是最常用的XAI技术。研究发现，尽管XAI增强了透明度和临床信任，但仅有12篇研究明确涉及伦理或监管问题，缺乏标准化可解释性指标和真实世界验证。未来应优先发展混合可解释模型、以人为中心的设计和全面的伦理合规框架。

生成式人工智能在医疗保健领域日益普及，但行业标准和监管尚未完全跟上，医疗机构需要自行确保AI解决方案的安全部署。本文借鉴NIST的AI风险管理框架，建议将AI风险管理视为第三方风险管理，并强调合规不仅仅是清单检查，而是需要持续的风险监控、跨部门协作以及与供应商建立信任但验证的关系。文章指出，医疗机构应先在受控环境中测试AI工具，建立治理结构，并实时监控关键风险指标，以维护患者信任和合规性。

本研究开发并验证了一种基于Transformer的人工智能模型TRisk，用于预测非瓣膜性房颤患者未来12个月的血栓栓塞和出血事件。该模型利用英国41万余名患者和电子健康记录进行训练，并在英国和美国两个独立队列中验证。结果显示，TRisk在血栓栓塞事件预测（C指数0.82）和出血事件预测（C指数0.70）方面均显著优于传统临床评分系统（如CHA2DS2-VASc和HAS-BLED）。决策模型分析表明，采用TRisk指导治疗可在不增加血栓栓塞风险的前提下，使英国口服抗凝药处方减少8%，美国减少7%，每年分别节省医疗费用约550万英镑和4.562亿美元，若推广至所有服用抗凝药的房颤患者，节省费用将分别达4860万英镑和18亿美元。