环球医讯AI与医疗健康

默克公司与梅奥诊所于2026年2月建立研发合作，整合人工智能、多模态临床数据及高级分析技术推进药物发现与精准医疗开发。该合作利用梅奥诊所平台的安全研究环境，聚合脱敏的临床、分子、影像及真实世界医疗数据，通过虚拟细胞建模优化疾病特征分析和早期研发决策。双方将计算模型嵌入研发早期流程，聚焦炎症性肠病、特应性皮炎和多发性硬化症等领域，旨在通过临床观察与实验生物学的迭代反馈强化疾病机制认知，提升靶点转化成功率，应对研发成本攀升与高淘汰率的行业挑战，为患者更高效地提供创新疗法。

本文综述了电子湿度传感器在生物医学领域的最新应用进展，详细探讨了机器学习技术如何优化传感器性能，以及新型纳米材料在提高传感器灵敏度、选择性和稳定性的创新策略，特别关注了这些技术在疾病诊断、健康监测和医疗设备中的实际应用，为未来智能医疗传感器的开发提供了重要参考，同时也分析了当前面临的挑战和未来发展趋势。

美国约翰霍普金斯大学医学院最新研究显示，其开发的AI辅助诊断系统在早期癌症筛查中达到98.7%的准确率，该系统通过深度学习分析医学影像和生物标志物数据，已在5000例临床试验中成功识别出传统方法遗漏的327例早期癌症病例，显著降低了误诊率并缩短了诊断时间，目前正与FDA合作推进临床应用审批流程，有望在2027年投入全球医院使用。

约旦第二届国家健康会议在安曼召开，聚焦数字化转型与人工智能在医疗体系中的应用，与会专家包括政策制定者、医学协会及学术机构代表，共同探讨AI如何提升诊疗精准度、优化公共支出并强化患者安全，会议强调需建立完善的立法与伦理框架以规范医疗AI应用，推动约旦成为区域医疗现代化和制药创新的标杆，最终呼吁通过政府、私营部门与学术界合作将建议转化为具体政策，确保医疗可持续性与公众信任。

一项由牛津大学研究人员开展的大型随机对照研究涉及近1300名参与者，发现使用AI聊天机器人获取医疗建议的用户在健康决策上并未优于依赖传统信息源的人群，且模型常产生不一致和混合准确与错误建议的指导，导致用户难以识别最安全行动方案；研究揭示了大型语言模型在标准化医学测试中表现良好但实际个人健康咨询中可靠性不足的显著差距，凸显了当前评估方法无法捕捉现实世界复杂性的问题，强调在医疗等高风险领域部署AI系统前必须进行更严格测试，该成果已发表在《自然医学》期刊上。

日本武田制药与人工智能初创公司Iambic达成超过17亿美元的多年合作协议，旨在利用AI技术加速针对癌症和胃肠道疾病的小分子药物研发。协议包含预付款及最高17亿美元的里程碑付款，武田将获得Iambic专有的NeuralPLexer模型使用权，该模型可预测药物分子与蛋白质的结合方式。双方表示，通过结合AI预测与自动化实验室技术，传统需六年才能进入临床试验的药物研发周期有望压缩至两年以内，此举标志着制药行业通过AI技术显著提升研发效率与分子质量的战略转型，武田首席科学家强调在加速研发的同时确保分子质量同等关键。

圣约瑟夫健康医疗中心（St. Joseph’s Health）将成为全美仅三家测试新型人工智能心电图技术的医院之一，该技术可通过分析心电图数据提前发现肥厚型心肌病等心脏问题，预测心功能异常与心房颤动风险；同时推出蓝牙连接的手持式超声设备，使医生能即时进行心脏和肺部检查，预计提前10至30分钟诊断心力衰竭，显著缩短治疗等待时间与住院周期，尤其惠及未察觉早期症状的患者，通过AI与设备的结合提升整体诊疗效率与患者预后质量，标志着人工智能在心血管疾病预防领域的重大突破。

八家美国医疗系统领导者联合技术专家及患者安全组织共同制定全球首个人工智能患者消息操作标准，旨在规范自动化外联服务、导诊工具、聊天机器人和患者门户中的AI通信流程；该标准由MedStar健康研究所牵头，明确要求在患者沟通这一高影响高风险领域建立AI治理框架，防止技术发展超越监管能力，首批参与机构包括高点健康、俄勒冈健康与科学大学等全美知名医疗机构，标志着医疗AI应用进入标准化新阶段。

牛津大学最新研究揭示人工智能医疗应用的重大隐患，专家警告使用聊天机器人进行症状诊断可能造成危险后果。该随机对照试验显示大语言模型在医疗场景中诊断准确率低下，对轻微问题描述变化反应敏感，常混合提供正确与错误信息导致用户难以分辨，且无法识别紧急医疗需求。研究强调当前AI技术尚未达到替代医生的专业水准，患者自行咨询症状存在误诊风险，呼吁建立更严谨的测试体系以开发安全可靠的医疗AI系统，相关成果已发表于《自然医学》期刊。

通过对2019-2024年间发布的35个医疗人工智能实施框架进行系统评价，研究团队确定了医疗AI治理的七个关键领域，开发出"医疗人工智能治理准备评估"(HAIRA)五级成熟度模型，该模型从第1级（初始/临时）到第5级（领先）为医疗机构提供基于资源状况的可行治理路径，特别解决了小型医疗机构因资源限制难以实施现有框架的问题，使各规模医疗机构能评估当前AI治理能力并设定合理提升目标，确保不同资源水平的医疗系统都能从AI实施中获得切实效益，为医疗AI治理提供了适应性策略框架，填补了现有治理模式缺乏资源适配性的关键空白。