环球医讯AI与医疗健康

一项发表在《自然·医学》杂志上的新研究显示，向人工智能咨询医疗症状并不能帮助患者比使用互联网搜索等传统方法做出更好的健康决策。牛津大学互联网研究所的研究表明，尽管大型语言模型在无人类参与测试时能识别94.9%的病情，但在实际应用中，患者使用AI仅在34.5%的案例中正确识别病情，44.2%的案例中选择正确行动方案，与传统方法相比并无优势，揭示了AI潜力与实际表现之间的"巨大差距"，这主要是因为人类经常提供不完整信息且AI有时生成误导性回应，研究团队将进行跨国多语言研究以进一步验证这一发现。

随着人工智能在医疗手术领域的快速应用，路透社调查揭示自2021年以来美国食品药品监督管理局已收到超过1401起涉及AI手术设备的安全报告，包括德克萨斯州患者因仪器定位错误导致中风等严重事件，专家警告AI医疗设备因免于临床试验而存在安全隐患，43%的召回发生在授权后一年内，FDA虽扩大AI专家团队但监管方式仍存缺陷，同时消费者需警惕技术营销中的"洗绿"现象，这一技术在提升清洁能源效率的同时也加剧了全球能源系统压力，凸显医疗人工智能的双面风险。

美国纽约长岛一家名为EquityForecast的医疗科技非营利组织，由Shome Chakraborty和Fardil Khan创立，专为缺乏大型医院复杂系统的本地小型诊所开发AI驱动的预测工具，通过分析匿名化预约模式、季节性波动和患者流动数据，帮助诊所在数周前预测需求，实现从被动危机管理向主动规划的根本转变，已在拿骚县和皇后区的七家诊所成功应用，特别对糖尿病监测等专科领域有重大价值，将截肢风险降低80%，为全球服务不足的医疗系统提供了可复制的预测工具模式，显著提升了医疗服务的及时性、可靠性和患者满意度。

本文指出人工智能在医疗领域的核心问题并非技术本身的安全性或偏见，而是决策速度与责任归属机制的严重脱节。作者作为执业医师强调，当自动化系统从提供建议转向直接执行操作时，决策到行动的时间窗口急剧压缩，导致医疗行为的不可逆后果发生后才进行责任追溯，这种"执行速度超越责任归属"的错位使临床医生、患者和医疗机构在伤害事件中被迫承担本应实时确立的责任。文章警示医疗系统尚未构建决策生效瞬间的合法责任主体机制，呼吁在技术加速的同时必须同步完善责任归属框架。

2026年2月19日迪拜消息，人工智能驱动的社交医疗平台海瑟拉（Hlthera）与现实安全技术公司塔皮（Tapy）签署谅解备忘录，共同开发超越传统临床环境的整合式预防性医疗解决方案。双方将融合AI生态系统与安全技术，聚焦无障碍性和独立性，支持连续护理、早期健康预警及日常福祉管理，特别强化对决心人士（残障人士）、老年人及其家庭的照护支持。该合作依托穆罕默德·本·拉希德创新基金加速器计划，通过智能洞察与社区协作构建知识型医疗生态，彰显阿联酋发展多元化知识经济的战略愿景，同时保持企业运营独立性以确保合作责任框架。

全球制药巨头默克公司（NYSE: MRK，在美国和加拿大以外称MSD）与世界顶级医疗机构梅奥诊所达成战略合作，将整合梅奥诊所的脱敏临床数据库、基因组数据及多模态数据集与默克的AI虚拟细胞技术，重点推进炎症性肠病、特应性皮炎和多发性硬化症三大高需求领域的药物研发。双方通过AI赋能的靶点识别和早期决策优化，旨在提升新药研发成功率，加速将创新疗法转化为临床实践，为全球患者提供更精准有效的治疗方案，标志着平台化协作模式正在重塑生物医药研发范式。

威尔康奈尔医学院卡塔尔分校（WCM-Q）近日举办"法律与医学交汇"系列研讨会，聚焦人工智能在医疗应用中导致患者伤害的法律责任与伦理挑战。专家们深入分析了当AI系统引发医疗事故时的责任归属问题，包括医生、医疗机构及技术开发者的潜在责任边界，并从伊斯兰生物伦理学视角探讨了卡塔尔及全球监管框架下的AI治理策略。会议强调制定明确法规以保护患者权益、降低临床风险并促进安全创新的紧迫性，同时讨论了医疗AI在诊断、治疗中的最佳实践及基于人工智能的医疗设备监管要求，为医疗健康领域的人工智能应用提供了跨学科解决方案和实践指导。

匹兹堡大学医学中心互联医学中心发布的"顶级医疗系统的首要关注点"年度调查显示，85%的医疗系统领导者连续第四年将人工智能评为医疗保健领域最令人兴奋的新兴技术，认为其在生成式人工智能、临床护理、环境智能和大型语言模型等方面具有转变行政管理、运营和临床护理的巨大潜力，但同时也指出AI安全性和治理仍是行业挑战。调查还发现远程患者监测、机器人流程自动化及虚拟护理等技术在过去两年取得显著进展，而患者护理、获取途径和医护人员倦怠被视为可通过技术解决的主要问题，数据聚合与分析挑战可能因AI部署需求而加剧，需要建立坚实的数据基础支撑。

一项发表在《自然·医学》杂志上的新研究揭示，依赖人工智能获取医疗建议的患者，其健康决策质量并未优于使用互联网搜索或官方健康网站等传统资源的人群。牛津大学研究人员设计了10种涵盖普通感冒到脑出血等危急情况的医疗场景进行测试，发现大型语言模型虽能识别94.9%的病情，但在选择正确行动方案（如呼叫救护车）时仅达56.3%的准确率；当人类实际参与使用时，表现进一步恶化，相关病症识别率降至34.5%以下，行动方案正确率不足44.2%，结果与传统方法无异。研究指出AI知识库与人类互动间存在"巨大差距"，用户提供的不完整信息和AI的误导性回应是主因，凸显了当前医疗AI在现实应用中的可靠性缺陷，对技术推广提出严峻挑战。

一项发表在《自然医学》上的新研究揭示，患者在寻求医疗建议时使用人工智能（AI）并不比标准互联网搜索等传统方法更有效。牛津大学互联网研究所团队设计10种医疗场景测试发现，当人类实际使用AI时，病症识别率低于34.5%，正确行动建议率不足44.2%，与对照组无显著差异。研究指出AI潜力与实际表现存在"巨大差距"，主要因人类常提供不完整信息且AI偶发误导性回应，例如对蛛网膜下腔出血症状的患者建议差异显著。该成果由英国政府等机构支持，强调需进一步优化AI在医疗咨询中的可靠性，避免因技术局限导致健康风险。