阿比舍克·库马尔（Abhishek Kumar） - AccessHope公司首席信息官
医疗AI的讨论正在转变，这一转变恰逢其时。
多年来，我们庆祝AI进步体现在更快的分析速度、更清晰的摘要和日益复杂的决策支持上。这些进展意义重大，但也制造了虚假的动量感：认为更好的洞察会自动转化为更好的医疗。实际上，它们并不会。至少目前尚未实现。
在医疗领域，尤其是肿瘤学中，AI如今常规地在病例审查中提供循证推荐。这些建议通常清晰明确，符合最新研究且方向正确。但当团队数周后重新审视病例时，一个简单问题往往无人能答：实际情况是否真的改变？
以转移性肺癌患者为例，病例审查建议在启动昂贵的免疫治疗方案前进行分子检测。该建议虽有循证依据且临床合理，但根据我的经验，利益相关方数周后仍常无法确定治疗方案是否调整，或患者是否最终维持原疗法。建议存在，但影响却不可见。
答案往往不明确。AI建议与现实医疗之间日益扩大的鸿沟，正成为医疗智能下一阶段的核心挑战。
弥合洞察–影响鸿沟
多数AI系统仍作为单向层运作：它们生成指导，却极少显示其是否影响决策、改变治疗方案或重塑医疗路径与患者预后。
这至关重要，因为 stakes 极高。据美国国家癌症研究所数据，美国癌症相关成本预计2030年将达2450亿美元，较2015年1830亿美元显著上升。
同时，美国临床肿瘤学会研究显示，高达58%的临床医生因预先授权障碍被迫偏离循证指南。
在肿瘤学工作流程中，我经常观察到：当循证指导送达过晚或无法有效执行时，患者往往在干预发生前就已进展至高成本、高复杂性的医疗路径。例如，生物标志物驱动的治疗调整延迟，临床看似不显著，但后续可能导致可避免的急诊就诊、无效治疗线、额外毒性管理和不必要的支出。
若AI无法证明其是否影响决策，就无法证明其是否影响成本、质量和预后。这正是进步幻觉最明显的所在。医疗行业已用十年时间衡量活动量。
医疗AI的下一次进化不在于生成更多推荐，而在于创建能证明推荐是否影响现实医疗的闭环智能系统。
数十年来，医疗行业始终难以将临床指导与后续预后关联。推荐常存在于一个工作流程中，而治疗活动、资源利用、药房事件和预后则完全处于另一系统。
为何肿瘤学是早期验证点
肿瘤学正成为AI如何切实改善临床决策的早期验证领域。
癌症治疗由一系列高风险选择定义——疗法选择、排序、临床试验考量和持续调整，每个选择都塑造后续路径。这对雇主、医保计划和患者而言 stakes 最高。
肿瘤学因结合高临床复杂性与重大经济影响，而特别适合AI应用。单个患者旅程可能涉及病理学、影像学、基因组检测、治疗选择、预先授权、支持性护理和快速演变的临床证据——这些常分散于碎片化系统中。
癌症组织和专家长期强调，首线治疗决策往往最具决定性，影响生存率、毒性和总治疗成本。当早期决策改善时，预后提升且后续成本下降。
这种动态使肿瘤学能独特揭示临床智能如何改变医疗轨迹。
由于肿瘤学依赖分散于各处、格式各异的海量异构数据，AI在转化复杂信息、将循证洞察连接至更好现实决策方面潜力巨大。
肿瘤学不应仅被视为AI创新的验证场。相反，它为医疗行业提供了范式：当智能系统支持更早、更明智、更一致的决策，并能证明这些决策如何随时间影响预后、体验和成本时，医疗行业应呈现何种面貌。
释放AI价值的下一阶段
要释放下一阶段价值，AI必须从单纯生成洞察进化至证明影响。这意味着：
• 理解临床意图，而非仅临床语言。组织需理解推荐背后的决策——是旨在改变疗法、加速诊断、降低毒性，还是识别临床试验机会。
• 将指导连接至纵向数据。推荐不应孤立存在。领导者需有能力追踪指导送达后，护理如何通过理赔、药房、治疗和资源利用数据演变。
• 衡量决策变化或未变的原因。并非所有推荐都应被遵循。有些可能因准入障碍延迟、被医生判断修改，或被患者状况变化取代。理解原因往往与理解结果同等重要。
• 考量医疗时间线的现实性。临床决策、理赔、预先授权和预后发生在不同时间表上。有效的智能系统必须解读跨越数月（而非数日）的变化。
实现此目标需医疗机构创建连接层，整合碎片化的临床、理赔、药房和运营数据。
AI第一波浪潮聚焦自动化和效率。下一波浪潮将聚焦问责制和可衡量影响。
期待不再是AI生成更好推荐，而是其能否证明这些推荐是否改变了决策、重塑医疗轨迹并改善预后。
肿瘤学提供了清晰机遇，证明这一未来可行。
【全文结束】