环球医讯AI与医疗健康

亚马逊云服务（AWS）宣布推出Amazon Connect Health，这是一款基于代理的AI解决方案，可与医疗机构的电子健康记录（EHR）集成，自动执行患者身份验证、预约管理、患者见解、环境文档记录和医疗编码等行政任务。AWS医疗AI总监Naji Shafi在接受MobiHealthNews采访时表示，该产品旨在减轻医疗工作者的行政负担，解决高达89%的患者因导航困难而更换提供商的痛点。Shafi详细介绍说，该AI通过自然语言交互理解患者意图，并实时与Epic等EHR系统同步数据，同时支持FHIR格式实现互操作性。早期用户如加州大学圣迭戈分校（UCSD）在320万次患者交互中实现了每次通话节省一分钟、呼叫放弃率平均降低30%的效果。Amazon Connect Health于2026年3月5日正式上市，其中患者验证和环境文档功能全面可用，其他功能处于预览阶段。

2024年，美国东北社区学院引入人工智能患者HAL用于护理教学。经过两年发展，这款独特的AI已成为课程中不可或缺的部分，可通过实时回应、展示中风面瘫等症状，为学生提供高度仿真的临床实践环境，帮助他们在安全环境中练习评估与干预技能，显著提升沟通与判断能力。UNMC与东北社区学院合作，目前拥有12具人体模型，计划将模拟教学比例提升至30%至40%。

美国国立卫生研究院（NIH）领导的团队开发出名为Merlin的多功能机器学习模型，通过分析腹部CT扫描，不仅能识别解剖结构，还能提前数年预测疾病风险。该模型在超过750项任务中表现优于专用工具，甚至能处理从未见过的胸部CT图像，为临床决策和疾病生物标志物发现提供了新途径。

一项由约翰霍普金斯金梅尔癌症中心领导的新研究表明，人工智能可以通过分析血液中DNA片段模式，提前数年检测出肝纤维化和肝硬化等致命肝病。该技术基于液体活检和机器学习，通过全基因组测序分析约4000万个DNA片段的尺寸和分布，识别出与不同肝病阶段相关的特征。目前该测试仍处于原型阶段，但有望成为简单、低成本的大规模肝病筛查工具，帮助在疾病发展到不可逆阶段前进行干预，并可能为心血管疾病等其他健康问题提供线索。

胰腺癌难以治疗，化疗方案选择困难。西达赛奈健康科学大学领衔的新研究开发了名为CHAI的人工智能系统，通过分析活检切片的数字图像，可精确预测患者对两种主流化疗方案的反应，从而帮助医生制定个性化治疗方案。该系统研究了约2.5万名患者的组织样本，能识别超过3万种肿瘤特征，并在临床试验数据中验证了有效性。该方法无需额外取样，有望显著改善胰腺癌患者治疗效果，且未来可推广至其他癌症类型。

伦敦帝国理工学院的研究人员正在开发一款由人工智能驱动的T恤衫，可连续数天至数周监测心脏节律，捕捉传统短时心电图容易遗漏的遗传性心律失常。算法经过1000多人的心电图数据训练，涵盖有或无症状的遗传病患者。目前200名志愿者将试穿该T恤长达三个月，以评估其在非医院环境下的检测效果。该技术有望在五年内进入临床，帮助识别布鲁加达综合征等高风险患者，预防心源性猝死，尤其对具有遗传背景的家庭意义重大。

伍斯特理工学院的研究人员利用人工智能分析大脑解剖变化，以近93%的准确率预测阿尔茨海默病。研究发现大脑体积损失因年龄和性别而异，海马体、杏仁核和内嗅皮质的体积损失是主要预测指标。该研究还揭示了男性和女性大脑差异，女性左侧颞中皮质体积损失明显，男性右侧内嗅皮质变化显著。这一进展可能促进早期诊断和治疗。

一项最新研究发现，人工智能生成的语音克隆在嘈杂环境中的可懂度比真人原声高出约13个百分点。研究人员通过在线实验，让80名英国英语母语者在不同背景噪声水平下听句子并复述，结果显示克隆语音的正确识别率达67.5%，而真人语音仅为54.1%。进一步分析表明，克隆语音缺少人类声音中自然的微波动（如音调抖动和响度闪烁），形成了更平滑稳定的声学特征，使得人脑更易将其与背景噪声分离。该发现对辅助沟通设备具有重大意义，未来帕金森病或喉癌患者可使用个性化AI语音在嘈杂环境中更顺畅地交流。研究还发现，尽管克隆语音更清晰，但听众仍能70.4%的准确率区分出真人声音，提示AI声音存在细微不自然感。研究者计划与文本转语音专家合作，进一步探究并优化这一效应。

文章深入报道了人工智能在美国医疗系统中的应用现状，涵盖从行政辅助（如自动转录、排程）到临床决策（如放射科扫描复查、脓毒症预测、肺结节跟踪）等多个层面。通过对达拉斯‑沃斯堡地区多家医院及医学专家的采访，探讨了AI在减少医生倦怠、提升诊断准确性方面的潜力，同时指出了技术局限性、幻觉风险、法律责任以及“炒作周期”下的现实差距。文章强调AI目前只是辅助而非替代医生，并警示需谨慎防止系统失误。

本文探讨了人工智能在医疗诊断和预测性医疗保健领域的应用前景，文章将AI预测健康与天气预报进行类比，详细介绍了AI医疗诊断如何通过分析海量医疗数据来识别疾病模式并预测未来健康风险，同时阐述了预测性医疗保健从数据收集、模式识别、风险评分到预防性干预的工作原理。文章还列举了AI在癌症检测、心血管风险预测、败血症预测和药物开发等领域的实际应用，讨论了AI与医疗整合带来的快速诊断、精确结果解读等益处，以及数据隐私、算法偏见等伦理挑战，最后指出在2026年预测性医疗仍具有概率性而非绝对确定性。