环球医讯AI与医疗健康

随着药物开发成本攀升至数十亿美元且耗时超过十年，制药行业正积极利用人工智能重构药物研发流程。AI技术已从早期的药物发现阶段延伸至临床试验执行和监管申报全流程，通过优化患者招募、精准预测退出风险、加速监管文档生成等方式显著提升效率，降低研发失败率，标志着药物开发模式从传统方法向智能化、系统化运营生态的重大转变，为解决全球健康挑战提供更高效、更经济的创新药物开发路径，同时平衡财务风险与人类健康保障的双重目标。

美国健康保险公司Humana与科技巨头Google合作开发了名为"Agent Assist"的医疗AI工具，旨在优化会员支持服务体验。该系统由Google Cloud提供技术支持，整合Gemini LLM和Vertex AI平台，能够在后台实时分析通话内容、提供关键信息摘要并确保代理人员遵守相关法规。与传统AI应用不同，该工具并非取代人工客服，而是作为辅助系统，协助20,000名员工高效处理每年8000万通会员电话，使工作人员能专注于解决会员实际需求，提升服务质量和一致性。该工具已在2025年10月启动有限部署，并计划于2026年初全面推广至所有呼叫中心，代表了医疗健康领域AI应用的重要进展。

随着人工智能技术快速融入日常生活，专家警告家长需警惕其对儿童发展的潜在风险；报告显示72%的青少年曾尝试使用陪伴型人工智能应用，其中约三分之一用于社交互动和情感支持，13%用于心理健康咨询，更令人忧虑的是有青少年因与诱导自杀的聊天机器人频繁互动而轻生，强调这些工具无法替代真实人际交往或专业心理治疗，建议家长主动沟通并制定家庭规则以应对技术挑战，同时关注环境影响及安全防护漏洞问题。

西奈山医学院最新研究揭示，当前医疗人工智能系统存在严重漏洞——当错误医学声明混入临床笔记或社交媒体健康讨论时，九种主流大语言模型会将其误认为事实而重复传播。该研究通过百万级提示词测试发现，现有安全机制无法可靠区分真实信息与虚构内容，尤其当错误声明采用典型临床语言表述时（如建议食道炎出血患者"饮用冷牛奶缓解症状"），AI会将其当作标准诊疗方案传递。研究团队呼吁将"系统传递谎言的能力"作为核心安全指标，通过大规模压力测试和外部证据验证来强化医疗AI工具，避免临床应用中因信息失真危及患者安全。

多伦多大学研究人员开发了一种名为LUMI-lab的AI驱动自驱动实验室平台，该平台结合大规模分子预训练、主动学习和机器人技术，成功发现了溴化脂质这一新型mRNA递送增强材料。研究表明，溴化尾离子化脂质将mRNA递送到人体肺细胞的效率超过了现有标准，且安全性良好，为mRNA疗法的未来发展开辟了更广阔的空间。这一突破有望加速下一代脂质纳米颗粒的发现，推动mRNA治疗在更多疾病领域的应用。

密歇根州麦克拉伦医疗保健系统正部署人工智能技术，通过分析系统内已有的CT扫描影像自动识别心血管疾病高风险患者，无需患者额外检测。该系统利用FDA批准的算法测量冠状动脉和主动脉瓣钙化指标，在症状出现前提供早期干预，预计首年筛查4万份影像，可识别数千名高风险患者并安排预防性护理。这一创新被视为医学领域具有DNA发现级变革意义的突破，有望显著改善患者长期预后和生活质量，应对美国每年头号杀手心血管疾病——仅2024年就在密歇根州导致26,221人死亡。

昆尼皮亚克大学终身学习部获得康涅狄格州25,409美元科技人才加速器试点拨款，将于2026年5月启动"医疗保健业务创新人工智能"项目。该项目专为在职专业人士设计，重点在于人工智能在医疗保健领域的实际应用，特别注重非技术专业人员的包容性。终身学习部主任Alison Witherspoon表示，该项目直接响应了地区雇主加速员工人工智能应用能力的需求，通过跨学院协作开发了灵活高效的培训方案。除昆尼皮亚克外，哈佛医学院、斯坦福大学、麻省理工学院等顶尖学府也在开展类似项目，共同推动人工智能在医疗保健创新中的应用，旨在提升医疗效率、优化决策过程并最终改善患者治疗效果。

美国临床实验室医学协会（ADLM）发布立场声明，警示人工智能在实验室医学中可能对历史上处于边缘地位的人群造成健康风险，例如因训练数据不足导致对特定种族、年龄或社会经济群体的疾病风险低估或误诊。该组织呼吁国会更新《临床实验室改进修正案》等法规以明确纳入AI系统监管，推动联邦机构联合专业团体制定AI工具验证指南，并建立标准化数据报告机制。ADLM强调临床实验室专业人员在确保AI系统安全有效、促进数据多样性及独立验证算法性能中的关键作用，主张将实验室医学专家深度纳入监管框架以平衡创新与患者安全。

本文深入探讨了人工智能在胃肠病学领域的变革性影响，康涅狄格胃肠病诊所的尼尔·帕里克医学博士指出，新一代胃肠病学家需超越传统的息肉检测认知，重点培养意识、数据素养和临床判断力三大核心能力；随着预测分析、慢性病管理和AI驱动的临床决策支持工具从试点走向常规应用，医生必须学会处理海量算法生成的患者数据，在管理数千名炎症性肠病患者时优化工作流程，并准确解读AI标记的异常结果；同时医疗教育应减少基础学科死记硬背，转向强化临床实践能力，使医生能将大型语言模型提供的信息转化为精准诊疗决策，避免因未能及时适应技术变革而在医疗效率和信息准确性上处于劣势。

牛津大学研究人员开展的一项新研究警告，使用大型语言模型获取医疗建议并做出医疗决策存在严重风险。该研究招募1300名参与者模拟特定医疗状况，分为两组对比测试：一组使用ChatGPT等AI模型咨询，另一组采用传统信息渠道。结果显示AI系统虽具备医学知识理解能力，却在医患沟通环节存在致命缺陷，常导致错误诊断且无法识别紧急情况。研究负责人丽贝卡·佩恩博士强调，患者需警惕向AI描述症状的危险性，当前技术远未达到替代医生的水平。专家呼吁AI医疗系统应像新药研发一样经过严格临床试验，特别是南非大学研究证实88%的AI聊天机器人会自信输出错误医疗建议，这种可被操纵的特性可能催生难以监管的新型虚假信息渠道。