环球医讯AI与医疗健康

美国疾病控制与预防中心周四发布了人工智能使用战略与指南，为其自身工作指明方向，并为全国公共卫生官员提供资源。这些文件体现了推广该技术、赋能员工使用并确保工具得到妥善治理的意愿。更具特色的是，它们鼓励采用“代理型”或“深度研究”AI应用——即能自主执行特定任务的工具——而CDC已在探索此类应用。据卫生与公众服务部最近报告的人工智能使用案例清单显示，2025年CDC约100个AI用例中近10%为代理型工具，其部署量约占该部门的三分之一。CDC代理首席AI官特拉维斯·霍普表示，合作伙伴最常提出的需求正是围绕该技术的指南。新战略包含具体语言，旨在利用AI支持公共卫生、加强研究与数据管理并改善数据获取。同时，该机构基于自身探索经验，发布了针对州、部落、地方和领地公共卫生部门使用AI代理进行研究的特定指南，并提供了避免使用的情境建议。这是CDC首次发布AI战略，但其已在公共卫生领域应用AI和机器学习数十年。该战略还涵盖建立第三方AI系统管控、优先部门级企业解决方案、通过人事管理办公室招募顶尖AI人才等目标，并强调了为地方合作伙伴提供支持的主线。此外，CDC还发布了基于自身经验的应用生成式AI的考量

新研究表明，人工智能在医疗保健领域的作用可能远比更快分析和更个性化护理的承诺要复杂得多。虽然人工智能系统在某些情况下可以加强护理，但如果引入时缺乏谨慎设计和有效监管，也可能削弱信任、自主权和沟通。一篇发表在《AI与社会》期刊上的系统性综述文章，通过对78项研究的分析，探讨了AI在医患共享决策中的机遇和风险，指出AI可能带来个性化信息、减轻医生文书负担等益处，但也面临“黑箱”系统不透明、算法偏见及“数字家长主义”等风险。文章强调，AI无法替代人类的同理心和道德敏感性，未来AI在医疗中的应用将取决于其设计是否以患者为中心、是否与临床和患者共同创造，并需要加强监管和临床责任。

本文探讨了人工智能（AI）在治疗地图状萎缩（GA）中的潜在应用，并对比了欧洲和美国在该领域的现状。欧洲拥有AI驱动的成像工具，但缺乏获批的治疗药物；而美国虽有获批药物，却缺少用于临床的AI分析工具。文章介绍了AI在分析OCT图像、识别病灶活动性、评估疾病进展速度（如通过椭圆体带与RPE比率）以及预测功能损失方面的关键作用。研究还展示了AI如何通过测量EZ厚度来预测功能丧失。专家们认为，AI能够辅助临床决策、提高患者筛选效率、个性化疾病管理，并有望通过精准分析OCT数据来提升治疗效果，最终改善患者的解剖学和视觉预后。

多项新研究警告称，AI聊天机器人ChatGPT在提供医疗建议时可能误导用户。研究表明，普通人不知道如何有效利用AI，正确识别病症的概率仅约三分之一，且在紧急情况下常低估病情的严重性。然而，医生们认为AI在辅助医患沟通、提高就医效率方面仍有价值，但强调不能完全替代医生。OpenAI回应称部分研究使用了旧版模型，已进行修正。

美国卫生高级研究计划局（ARPA-H）授予BioCurie高达930万美元资金，用于加速开发可扩展、数据驱动的基因组药物制造平台。该平台将利用人工智能、机器学习和计算建模替代传统试错法，优化病毒及非病毒基因治疗生产流程，大幅缩短开发周期并降低成本。项目联合了Caring Cross、圣裘德儿童研究医院、突破性药物中心等学术与工业界的基因治疗专家，旨在推动基因治疗更快、更经济地惠及患者。ARPA-H项目主管Daria Fedyukina博士领导该计划。这一数字优先的制造平台将为生物制药开发商和制造组织降低工艺开发风险，提升生产可预测性。

本文基于达顿商学院技术笔记，深入探讨AI在医疗领域的四大应用：药物发现与生物技术、患者护理、健康保险和公共健康。AI正从药物研发速度提升到行政流程自动化，全面重塑医疗系统，并为其他行业的领导者提供采纳AI的路线图。文章强调数据质量、透明度和人类监督的核心作用，指出AI已不再是实验性工具，而是成为整个系统的关键赋能者。

位于加州萨克拉门托县的加州北州大学药学院与人工智能公司MindHYVE.ai合作，将为其药学专业学生引入名为ArthurAI的代理型人工智能平台。该平台利用现有课程生成适应性学习内容，通过分析学生知识差距、学习节奏和注意力变化，为每位学生创建个性化学习路径。该平台还具备配套工具，用于提升教师的AI技能。这一合作反映了医疗保健和制药行业利用AI自动化和个性化教育的更广泛趋势，加州北州大学计划将此平台扩展至医学、牙科、心理学和护理等专业。

本文深入探讨了AI在药物发现领域的应用现状，指出它有望将传统耗时十年、耗资26亿美元的“赌局”缩短至18个月。文章从传统药物开发的高失败率和巨大成本出发，介绍了AI如何通过大规模模式识别、分子生成和预测建模来加速早期研发，并引用Insilico Medicine等公司取得进展的案例。同时，文章坦率地分析了AI面临的现实挑战：尚未有AI发现的药物获得FDA批准、临床实验的高失败率依然存在、数据质量与“黑箱”问题，以及由此引发的药物所有权和定价等伦理经济问题，呈现了一场技术革命在落地前的复杂图景。

这项系统评价与荟萃分析评估了人工智能（AI）利用12导联心电图（ECG）检测心律失常的诊断准确性。研究纳入20项研究，涵盖超过550万份心电图，结果显示AI模型的综合灵敏度为94.0%，特异度为98.7%，曲线下面积（AUC）为0.982。其中，检测房颤的灵敏度为92.6%，特异度为99.1%，AUC为0.988。卷积神经网络（CNN）在总体心律失常检测中显示出97.6%的灵敏度、98.7%的特异度和0.982的AUC。在外部队列验证中，灵敏度为96.9%，特异度为95.6%，AUC为0.983。研究结论认为，AI模型在心律失常检测方面表现出色，有潜力整合到临床工作流程中，尤其是在心脏病学专业知识有限的地区。研究同时指出，由于存在显著的异质性，标准化数据集和多中心前瞻性验证对于确保有效和公平的实施至关重要。

本文探讨了人工智能驱动的营养规划在医疗设施中的应用，通过机器学习分析患者数据（包括电子健康记录、实验室值、用药列表和临床诊断）自动生成个性化膳食方案，减少饮食错误、提高合规性。同时指出了运营层面的关键作用：可靠的厨房设备、温度控制存储和审计就绪的合规记录是实现规模化AI营养计划的基础。文章分析了当前医疗设施在数据碎片化、设备故障、合规追踪等方面的不足，并提供了从手动膳食管理向AI驱动运营转变的比较和绩效数据。