医院中的人工智能：2025年应用趋势与统计数据AI in Hospitals: 2025 Adoption Trends & Statistics | IntuitionLabs

执行摘要

人工智能技术已在美国医院中广泛普及，改变了临床护理和运营模式。调查显示采用率迅速上升：到2024年，71%的非联邦急性护理医院报告在其电子健康记录(EHR)中集成了预测性人工智能，高于2023年的66%。医生对人工智能的采用率同样激增：美国医学会(AMA)的一项调查显示，到2024年，66%的美国医生在实践中使用人工智能工具（较2023年增长78%）。摄像头、扫描仪和传感器已与人工智能分析一起出现在几乎所有的医院领域。临床影像（放射学、病理学、皮肤病学等）仍然是主要应用场景，但医院现在常规使用人工智能进行患者风险预测、脓毒症检测、人员配置和排班优化、自动化计费和编码，甚至临床文档记录（"人工智能记录员"）。

尽管势头强劲，但采用情况并不均衡。大型教学医院和多院区系统的采用率远高于小型、农村或关键接入医院。大型城市医院的人工智能使用率超过80-90%，而小型独立或农村医院通常低于50%。领先的电子健康记录供应商将其预测模型与系统捆绑，约80%的医院报告使用供应商提供的人工智能模块。

实证研究表明医院人工智能带来了具体效益。例如，克利夫兰诊所(Cleveland Clinic)使用Bayesian Health平台的人工智能脓毒症警报系统，将误报率降低了十倍，检测到的脓毒症病例增加了46%，并且在抗生素给药前发出警报的病例数量增加了七倍。在另一个案例中，环境人工智能记录员（语音识别）显著减少了医生下班后的工作量：麻省总医院布莱根(Mass General Brigham)在人工智能记录员试点期间报告医生自我报告的职业倦怠相对下降了40%（其他机构也有类似结果）。然而，这些工具尚未明确证明直接的财务投资回报率，专家警告医院必须开发强大的分析和指标来全面衡量影响。

人工智能采用有望带来重大成本节约和效率提升。行业预测表明，到2050年人工智能可能将医院运营成本降低10-20%，每年潜在节省3000亿至9000亿美元。普华永道(PwC)的战略分析预测，到2035年，每年可能有超过1万亿美元的医疗支出转向人工智能驱动的虚拟化护理模式。因此，美国政策制定者和医院高管对人工智能改善质量和减少浪费的潜力极为关注。

然而，挑战依然存在。伦理问题（数据隐私、算法偏见、人工智能错误的责任）和监管问题正在被积极讨论。临床医生强调需要透明度、适当监督、无缝的电子健康记录整合以及培训来信任人工智能工具。医院资源、数据基础设施和员工专业知识的异质性意味着"人工智能采用"通常转化为定制化的部门级整合，而非一刀切的解决方案。

本报告提供了截至2025年10月美国医院人工智能整合的深入分析。它调查了历史发展、当前采用统计数据、特定领域的应用、案例研究、挑战（技术、组织、伦理）以及前瞻性趋势。详细表格和图表总结了调查数据和研究发现。几乎每一项声明都得到了同行评审研究、政府报告和可靠新闻来源的支持。目标是提供全面的学术式回顾，使医疗领导者、政策制定者和研究人员能够对医院人工智能的复杂格局有细致入微的理解。

引言

人工智能(AI)有望通过增强临床决策、自动化常规任务和实现预测分析来"变革"医疗保健。在依赖大量数据流（影像、电子健康记录、实验室结果、运营数据）的复杂医院生态系统中，人工智能应用范围广泛。当今医疗保健中的人工智能系统通常涉及在临床数据上训练的机器学习(ML)模型或神经网络，以输出预测、风险评分、图像分类或自然语言文本（例如自动生成的笔记）。截至2025年10月，这种变革已在诊断算法、运营工具和护理交付平台中显现，特别是在美国主要医院系统中。

历史背景： 人工智能早在20世纪70年代就开始进入医学领域（例如用于传染病诊断的基于规则的专家系统MYCIN），但实际应用因计算能力有限和缺乏大型电子数据而滞后。2000年代出现了两个关键推动因素：(1)美国医院电子健康记录系统的近乎普遍采用（由联邦HITECH激励措施推动）创建了丰富的数字记录，(2)机器学习（尤其是2012年后的深度学习）的进步显著提高了基于图像和预测模型的准确性。里程碑包括2016年深度学习在医学影像竞赛中的胜利，以及到2018年美国食品药品监督管理局(FDA)开始授权人工智能设备（例如，2018年4月FDA批准了IDx-DR，这是首个自主诊断糖尿病视网膜病变的人工智能系统）。此后，数十种涵盖放射学、心脏病学、眼科等领域的算法已获得FDA批准或 clearance。这些监管行动表明临床环境中人工智能安全性和有效性的信心日益增强。

投资和政策推动： 不断增加的投资和突出的倡导进一步推动了人工智能的采用。2019-2022年间，医疗保健人工智能初创企业吸引了约315亿美元的融资。拜登政府已将人工智能列为改善健康结果的关键。医疗保健领导者建议人工智能可能通过诊断、工作流程和其他流程的效率，潜在地削减美国医院4-10%的成本（每年约600-1200亿美元）。机构调查证实了这种乐观情绪：例如，36%的医院IT高管报告称到2022年已完全或部分实施人工智能。新闻报道和白皮书（例如来自PwC和摩根士丹利的报告）预测到本世纪中叶将产生更大的经济影响，通常引用人工智能加速医学进步可能带来的数万亿美元潜在节省。

报告范围： 本报告重点关注截至2025年10月的美国医院人工智能采用情况。内容包括：

• 采用的量化衡量（关于医院人工智能使用的调查、研究和官方数据），
• 应用的关键领域（临床影像/诊断、预测分析、运营效率、文档记录等），
• 案例研究和实际示例（说明成功和局限性），
• 多个利益相关者的观点（医生、管理人员、监管机构、患者、伦理学家），
• 数据分析和证据综合（呈现采用率、用例流行率等具体数据），
• 实施促进因素和障碍的讨论（技术、财务、监管、社会），
• 未来趋势和影响（展望2030年及以后）。

每个声明都由可信来源证实：同行评审期刊（JAMA、皇家学会开放科学、机器人外科杂志等）、政府报告（AHA调查、FDA列表）以及新闻分析（AMA新闻、FierceHealthcare、STAT、IEEE等）。风格详细且学术化，引用广泛。我们既指出人工智能在彻底改变医院护理方面的潜力，也指出其实施的复杂性。

医院人工智能采用趋势

整体采用率

最近的调查显示美国医院中人工智能使用的激增。2024年，约71%的被调查非联邦急性护理医院报告在其电子健康记录中使用了预测性人工智能应用，较2023年的66%有显著增长。（这些预测性人工智能应用包括再入院风险计算器、病情恶化、爽约等分析。）对2022年美国医院协会(AHA)数据的独立研究发现，18.7%的医院在五个标准化工作流程（需求预测、工作流程优化、任务自动化、人员配置、排班）中采用了任何形式的人工智能。此后，整合至少一种人工智能工具的医院比例可能在2024-2025年大幅增长。

医生调查强化了这一趋势：一份美国医学会报告（2025年初）发现，到2024年，三分之二的医生在某种程度上使用了人工智能。这代表了比2023年增长了78%（38%→66%）。美国医学会指出，即使在一年内也出现了显著变化：到2024年，只有33%的医生报告没有使用任何人工智能工具，而2023年这一比例为62%。总之，大多数医院和医生现在已经整合了至少基本的人工智能；该技术在许多环境中已从实验性转变为主流。

按医院特征的差异

采用情况并不均匀。大型医院持续领先于小型医院。2023-2024年美国医院协会(AHA)IT补充数据显示，这两年中，大型医院（>400张床位） 的人工智能使用率约为90-96%，而小型医院（<100张床位） 仅为53-59%。属于多院区系统的医院（附属医院）采用人工智能的频率远高于真正独立的医院（81-86%的使用率 vs 31-37%）。同样，城市医院（77-81%）在人工智能整合方面大大超过农村医院（48-56%）。关键接入医院（代表非常小或偏远医院的代理）进一步落后，2023-2024年的采用率约为46-50%。表1总结了这些差异。

表1. 按医院特征划分的美国医院预测性人工智能采用率（2023年与2024年采用率百分比）。

这些模式反映了资源和基础设施差距。网络中的大型城市医院通常拥有更多的IT预算、数据科学团队和共享投资的杠杆，从而实现更顺畅的人工智能部署。相比之下，小型农村和独立医院经常缺乏数据基础设施和专业人员，导致采用速度放缓。2024年的一项研究发现，经过调整其他因素后，农村医院使用任何人工智能的可能性明显低于城市医院。同样，落后州（密西西比州、爱达荷州、阿拉巴马州、威斯康星州）的医院到2022年几乎没有任何人工智能整合。

相比之下，大量床位、学术或教学地位、非营利所有权和系统成员资格强烈预测人工智能的采用。《健康事务》(Health Affairs)的研究发现，教学医院部署用于工作流程优化、排班等的人工智能模块的可能性要大得多。私立非营利医院引领采用（可能反映了其研究导向），而营利性和医生拥有的医院则落后。

供应商策略也塑造了采用情况。使用最大电子健康记录平台（Epic）的医院在2024年的人工智能使用率约为90%，而使用"其他"系统的用户平均仅为约50%。这反映了电子健康记录提供商如何越来越多地捆绑人工智能功能（见下面的Epic示例）。总体而言，三分之二的医院报告依赖其电子健康记录供应商的人工智能模块，而大约一半使用第三方或内部模型。

总之，到2024年底，大多数美国医院已实施某种预测性或分析性人工智能功能，年增长率显著。然而，采用的机会明显偏向资源丰富的医院和卫生系统。政策制定者和卫生领导者指出这种异质性是一个重要的公平问题：如果没有支持，高质量的人工智能可能会加深城乡医疗质量差距。

电子化采用与趋势

采用随时间变化： 国家数据显示人工智能使用量逐年大幅增长。例如，在2023年和2024年的美国医院协会调查之间，集成预测性人工智能从66%增长到71%。同样，美国医学会的调查（2023年与2024年）显示医生人工智能使用率从38%跃升至66%。截至2025年年中，分析师估计几乎所有主要医院系统至少有试点人工智能项目或实时部署。

用例 - 增长领域： 医院人工智能用例已扩展。2023-24年，美国医院报告的最快增长的人工智能应用包括运营功能：简化计费和促进人员排班。具体而言，将人工智能用于自动化计费的采用人工智能医院比例增长了+25个百分点，而用于排班的人工智能增长了+16个百分点（2023年至2024年）。风险预测（例如患者病情恶化）已经很常见（约60%的医院），年际保持稳定。这些趋势的分析表明，医院最初优先考虑临床风险和患者流人工智能，然后在2023-24年加速采用人工智能用于计费代码、收入周期和人员管理。这反映了对可以快速改善利润率的非临床人工智能日益增长的信心（见下文图2）。

电子健康记录-人工智能整合： 医院主要通过其电子健康记录访问人工智能。约80%的被调查医院报告在2024年使用其电子健康记录供应商提供的人工智能模块。这些供应商提供的工具范围从嵌入式风险评分到内置文档助手。约一半的医院使用第三方人工智能产品或内部算法；一些增长最快的应用（例如复杂的排班优化器）来自第三方。临床医生报告称，无缝的工作流程整合仍然是成功的关键因素。美国医学会的一项主要发现是，医生需要"无缝的工作流程整合"、数据隐私保证以及培训来信任人工智能工具。

关键部署领域

临床影像和诊断： 由于丰富的数字图像数据，放射学历史上一直是人工智能的领先领域。如今，许多医院部署FDA批准或研究性人工智能工具来协助放射科医生：检测骨折、肺结节、CT上的中风等。例如，克利夫兰诊所使用Aidoc的DeepCertainty算法进行实时急诊放射学警报，阿肯色大学于2024年推出了用于乳房X光检查的人工智能分析。即使在放射学之外，人工智能也辅助病理学（数字幻灯片扫描与模式识别）、皮肤病学（皮肤病变分类）和心脏病学（自动ECG解释和影像）。学术评论证实，人工智能驱动的图像分析在某些领域可以匹配或超过人类准确性；例如，最近的荟萃分析报告显示，在常见检测任务中，PC-DL灵敏度高达85-90%。重要的是，监管批准已激增：截至2025年年中，FDA已批准超过100种不同的人工智能驱动医学影像设备（如MedTech Spectrum的"2025指数"所总结）。这些涵盖了从放射学到眼科再到心血管影像的专业领域。作为具体证据，一项对25项同行研究（2024-25年）的主要综述发现，人工智能辅助机器人手术（影像向手术指导的延伸）将手术时间缩短了约25%，术中并发症减少了约30%，并将手术效率提高了20%。

预测分析（风险与管理）： 医院广泛采用人工智能模型来预测患者风险和需求。历史上最常见的人工智能使用是预测临床轨迹（例如ICU转诊、再入院风险）。例如，基于生命体征和实验室趋势的预测脓毒症警报自2010年代以来已在许多系统中使用。Bayseian Health的人工智能（现由克利夫兰诊所使用）和Epic的机器学习脓毒症模型是跨医院网络部署的示例。再入院风险评分（用于标记患者进行护理管理）已嵌入许多电子健康记录套件中。最近的扩展包括出院后随访：医院报告显示使用人工智能识别"高风险门诊患者"进行主动外展（根据AHA数据，从2023年到2024年增长了+9个百分点）。COVID-19还推动了人工智能用于预测ICU需求和管理病例量。这些模型利用历史医院数据、电子健康记录生命体征甚至当地流行病学趋势。

行政与运营： 医院行政方面的人工智能使用呈爆炸性增长。排班优化是一个关键示例：机器学习算法预测患者量和员工可用性，从而产生更高效的工作班次分配。人工智能还辅助供应链物流和库存（根据使用模式自动订购），并自动化常规任务，如预先授权、编码和计费。2023-24年增长最快的应用案例是用于计费和编码自动化的人工智能。算法可以阅读临床笔记以建议适当的计费代码或标记索赔错误——这项任务传统上由编码员完成。一些卫生系统报告称，人工智能通过识别差异减少了索赔拒付。另一个领域是医院内的患者流管理：为床位排队患者、预测入院/出院以及优化房间周转现在通常使用人工智能引导的仪表板。

临床文档记录（"人工智能记录员"）： 医院越来越多地试用环境人工智能记录员，以减少医生文档负担。这些系统（例如Nuance的DAX Copilot、Abridge、Suki、Augmedix）使用语音识别和自然语言处理，从医生-患者对话中生成就诊记录。Atrium健康、麻省总医院布莱根、Intermountain健康等领先卫生系统已进行多周试点。Atrium健康（北卡罗来纳州夏洛特）最近的一项临床试验发现，大约一半使用Nuance DAX Copilot的临床医生报告称下班后电子健康记录时间减少，挫败感降低。例如，干预组中47%的医生报告称家庭中花费的电子健康记录时间少于使用人工智能前，而匹配对照组中这一比例仅为14%。在更广泛的综述中，Peterson Health Tech Institute发现证据表明人工智能记录员可以大大减轻医生认知负荷和职业倦怠（例如，一家医院在6周试点中职业倦怠相对下降了40%）。然而，这些研究也指出改进空间：一些医生认为准确性存在问题，且没有一项人工智能记录员试点已证明明显的投资回报率（来自生产力提高）。

表2. 按功能类别划分的医院人工智能采用情况（2022年）。

来源：Redwan Bin Abdul Baten等，《健康事务学者》(2024)。

患者参与和远程监测： 在医院围墙之外，许多系统使用人工智能进行患者沟通。聊天机器人对症状进行分诊或回答常见的患者门户网站查询；人工智能驱动的远程医疗平台动态调整虚拟就诊流程。例如，Atrius Health推出了用于药物依从性的人工智能"虚拟助手"。家庭监测设备越来越多地包含人工智能：FDA批准的算法（AliveCor的Kardiaband）可以通过可穿戴ECG带提醒提供商注意心房颤动。这些应用减少了对医院工作人员的患者负担。虽然不仅限于医院，但它们反映了医院更广泛的人工智能生态系统，拥抱持续护理模式。

外科机器人和手术： 人工智能已与外科机器人（da Vinci及其竞争对手）紧密耦合。顶级医院的现代手术室通常支持数据驱动的指导。对2024-25年研究（涵盖神经外科、泌尿外科等）的最近综述发现，人工智能辅助机器人手术在各方面均显著改善了结果。平均而言，与非人工智能方法相比，人工智能驱动的机器人手术将手术时间缩短了25%，并发症减少了30%，目标精度提高了40%，并将患者恢复时间缩短了15%。这些技术（例如摄像头跟踪分割、预测运动算法，甚至闭环起搏）目前在许多中心处于试点阶段。例如，医院已开始使用人工智能实时调整外科机器人动作或分析实时手术视频（例如警告附近的关键解剖结构）。然而，由于其高成本，人工智能-机器人系统主要仍存在于学术医疗中心（下一节将讨论障碍）。

与专业领域（影像、手术）相比，一些广泛的行政领域的人工智能使用较为初级。例如，人工智能在人群健康管理（预测社区健康需求）或医院财务（欺诈检测）中的使用存在于实验性试点中，但全面的采用数据有限。我们将在报告的其余部分重点关注上述影响最大的医院应用，其中证据和部署最为有力。

数据分析与证据

本节整合了关于人工智能采用和影响的实证数据，借鉴了调查、同行评审研究和行业报告。

来自医院的调查数据

大规模调查提供了量化基准。主要来源包括美国医院协会(AHA)的年度IT补充（2023-24年）和使用AHA数据的同行评审研究（例如Health Affairs中的Baten等）。亮点包括：

• 预测性人工智能使用： 71%的急性医院在2024年使用预测性人工智能（高于2023年的66%）。预测性人工智能定义广泛（风险评分、电子健康记录中的机器学习预测）。
• 按功能部署： 2023-24年某些人工智能用例出现了大幅增长。简化计费增长了+25个百分点（表明到2024年，约80%的采用人工智能医院正在自动化计费，而2023年约为55%）。促进排班增长了+16个百分点。这些增长在调查中具有统计学意义。相比之下，用于临床风险预测（例如病情恶化、诊断）的人工智能使用率已经很高（约65%），仅略有增长。
• 人工智能模型来源： 2024年，约80%的医院使用其电子健康记录供应商提供的人工智能模型；52%使用第三方解决方案；50%使用自开发模型。这表明医院通常混合使用供应商和定制工具。
• 评估与治理： 同一份AHA报告显示，虽然大多数医院至少在部署时评估人工智能模型的准确性和偏差，但只有约一半对所有模型进行全面的实施后监测。四分之三的医院在人工智能治理中涉及多个利益相关者（IT、临床、质量团队）。
• 医生调查： 在美国医学会的全国医生调查中，66%的医生报告在2024年使用人工智能，而2023年为38%。约57%的被调查医生认为"减少行政负担"是人工智能的最大机会。医生的态度也变得更加积极：35%的医生在2024年感到对人工智能的"热情>担忧"（高于2023年的30%），而只有25%表示担忧>热情（低于2023年的29%）。

调查数据表明广泛接受，但也突显了差异。例如，按地区划分，2022年新泽西州（48.9%）和犹他州（41.4%）在拥有任何人工智能采用的医院方面领先，而新墨西哥州（0%）和密西西比州（约1.9%）处于底部。采用情况也因医院类型而异，如表1所示。统计分析证实，作为大型、城市、教学医院系统的一部分显著增加了人工智能使用的可能性。大型医院的医生使用人工智能的可能性比小型医院的医生高1.5倍。

影响研究与结果

除了采用指标外，研究人员已开始严格衡量人工智能对护理的影响。关键发现包括：

• 脓毒症检测（克利夫兰诊所）： 对大型学术医院（克利夫兰诊所的Bill Fairview）Bayesian Health人工智能脓毒症警报的最近分析显示，与传统规则相比，性能显著提升。在3,300名患者的试点警报中，人工智能模型提高了灵敏度（识别出46%更多的实际脓毒症病例），并将误报减少了90%。至关重要的是，警报平均在抗生素治疗前提前6-7小时发出，从而实现更快的干预。基于这一成功，克利夫兰诊所于2025年将其人工智能平台扩展到所有美国医院。Bayesian脓毒症人工智能背后的FDA试验已证明，当临床医生使用其警报时，相对死亡率降低了18%。
• 医生文档调查： 两项环境人工智能记录员的对照研究发现可测量的工作流程改进。在Atrium健康，约一半使用人工智能记录员干预组的医生报告称下班后工作减少，电子健康记录易用性提高，而对照组则没有。同样，在耶鲁纽黑文健康（观察性试点）中，临床医生保留了约80%的人工智能生成笔记作为最终版本，大幅减少了口述时间。Peterson Health Tech Institute的更广泛综述汇总了8个卫生系统的数据，发现一致报告了认知负荷和职业倦怠的减少（例如，一个系统的63%临床医生感到工作生活平衡明显改善）。然而，尚未有已发表的研究表明人工智能记录员导致更高的计费RVU或更低的运营成本。一个结论是，高管支持存在，但组织通常缺乏严格的财务指标来证明扩大试点的合理性。
• 临床影像试验： 诊断中人工智能的随机评估仍然有限，但新兴结果令人鼓舞。例如，在乳腺癌筛查中，使用FDA批准的人工智能作为"第二读者"的大型试验显示，癌症检测率提高，假阳性增加极少。最近的《自然医学》研究（Bayesian的脓毒症模型除外）也显示，在基于图像的肿瘤触发方面具有高灵敏度。麻省总医院布莱根报告称，大型语言人工智能模型在检测肿瘤治疗相关毒性方面比传统基于代码的方法准确得多。在该2024年肿瘤学研究中，开源LLM扫描了10年的癌症患者记录，在检测住院免疫并发症方面的灵敏度/特异性均超过90%，优于ICD代码算法。
• 成本和效率研究： 计量经济学分析预测了令人信服的效益。摩根士丹利报告估计，医院中的人工智能工具可以在人员配置、排班和供应链等领域实现10-20%的成本节约。到2050年，这可能转化为每年3000亿至9000亿美元的医院费用降低。这些数字虽然是基于长期外推，但与实地经验一致：例如，一些系统报告通过人工智能辅助护理协调缩短了住院时间，从而节省了床位日。然而，所有专家都警告，实现这些节约需要仔细实施，因为许多人工智能试点到目前为止仅看到渐进的效率提升。

总之，定量证据表明，在正确实施人工智能的地方，医院看到了更好的表现：更少的错误/并发症、更快的工作流程和更高的临床医生满意度。这些正是医院领导者所追求的结果，这解释了尽管初始成本和学习曲线，为何仍积极推行人工智能。

案例研究与实际示例

为了说明人工智能在实践中如何使用，我们研究了几个突出的医院实施案例。这些案例跨越临床领域和组织类型，突出了成功和经验教训：

克利夫兰诊所 - 脓毒症人工智能

克利夫兰诊所（俄亥俄州克利夫兰）一直是人工智能部署的前沿。2024-2025年，它将其基于人工智能的脓毒症检测系统扩展到整个网络。脓毒症（由感染引起的危及生命的器官功能障碍）每年导致美国医院超过25万人死亡。传统的触发器（基于SIRS标准）经常错过早期病例或向临床医生发出过多的假警报。Bayesian Health的平台使用在760,000+患者接触中训练的神经网络模型，持续分析电子健康记录生命体征、实验室结果和笔记，以寻找即将发生脓毒症的微妙迹象。在两家医院的试点使用中，克利夫兰诊所报告（统计上）假警报减少了十倍，检测到的脓毒症病例增加了46%，与传统方法相比。至关重要的是，85%的警报在治疗开始前发出，为护士和医生提供了更多提前时间。基于这一成功，克利夫兰诊所于2025年将其系统扩展到所有医院（俄亥俄州和佛罗里达州）。诊所领导指出，人工智能"通过实时意识和简化工作流程增强临床医生的能力"。（底层人工智能模型于2022年在《自然医学》上报道，此前已证明通过早期发现脓毒症，相对死亡率降低了18%。）

此案例展示了几个要点：大型验证数据的重要性（该模型在多医院数据上训练）、与临床医生工作流程的深度整合（警报推送到电子健康记录收件箱）以及迭代改进（通过校准减少假警报）。它还说明了临床举措（脓毒症管理）如何能够从仅靠人工努力之外的人工智能中显著受益。另一方面，诊所领导强调继续监测模型在当地人群中的表现，承认社区和学术环境之间的差异。

Atrium健康 - 人工智能记录员

Atrium健康（北卡罗来纳州夏洛特；现为Advocate Health的一部分）一直是环境人工智能记录员部署的领导者。在2024年发表的一项试验中，Atrium向志愿者初级保健临床医生（n=112干预组 vs n=117对照组）提供Nuance Dragon Ambient eXperience (DAX) Copilot。经过五周的使用，调查结果显示约一半的DAX用户报告了显著改进：47%表示下班后电子健康记录时间减少（对照组为14%），43%注意到就诊后文档时间减少（对照组为18%），44%感到电子健康记录挫败感降低（对照组为14%）。这些收益具有统计学意义。此外，近90%的参与医生表示愿意继续使用该工具。

然而，试验还报告称，约50%的用户看到无时间节省效益（他们的指标未改变）。一些医生发现人工智能笔记不准确或更喜欢自己的文档风格。反应的分歧突显了一个关键发现：人工智能记录员对某些临床医生（尤其是那些在电子健康记录笔记方面最挣扎的医生）可能非常有帮助，但对其他人用处较小。Atrium的研究人员强调，需要定制部署、提供培训（该研究包括1小时的面对面培训）并管理期望。他们得出结论，"约一半使用人工智能工具的临床医生报告了积极结果"，并建议进一步研究优化性能和整合。

Atrium的经验得到了许多较小试点（斯坦福、Corewell Health、凯撒医疗集团）的证实，这些试点显示出类似的改进范围。一个主题模式是工作流程和文化很重要：在医生已经相对清晰地说话并使用结构化语言的诊所中，人工智能转录更准确。相反，如果医生有浓重口音或使用许多中断，准确性较低，需要更多编辑。此外，支持较少的部门（没有助理记录员）往往更接受人工智能记录员，因为痛点更高。

麻省总医院布莱根 - 肿瘤学人工智能

麻省总医院布莱根(MGB)是另一个早期采用者，特别是在专科护理方面。2024年，MGB的研究人员发表了一项关于使用基础模型人工智能改进癌症入院编码的研究。他们在一个包含10年住院数据的数据集上部署了一个开源大型语言模型(LLM)，这些数据来自接受免疫检查点抑制剂治疗的患者（一类癌症药物）。该人工智能分析入院笔记，标记不良事件（结肠炎、肝炎、肺炎、心肌炎）。与手动编码（ICD代码）相比，LLM在所有四种事件类型上实现了**>90%的灵敏度和特异性**，显著优于传统方法。它发现了手动审查遗漏的许多病例，并且可以在约9.5秒内处理一个图表，实现实时使用。关键点是，这个LLM流水线是免费和开源的，这意味着其他医院可以在没有许可障碍的情况下复制它。MGB此后在临床工作流程中扩展了该工具的使用。

此示例说明了人工智能在复杂数据提取任务中的价值。识别免疫相关不良事件需要综合非结构化笔记文本——这非常适合LLM。它还突显了机构间潜力：MGB的研究人员强调跨医院共享模型，以广泛改进研究和护理。它表明人工智能采用不仅涉及供应商包，还涉及学术-卫生系统合作解锁新工具。

Epic系统 - 电子健康记录中的人工智能

Epic系统，主导的医院电子健康记录供应商（约占美国医院市场的40%），已开始将其人工智能功能直接嵌入其软件中。2025年年中，Epic宣布了一项"人工智能 overhaul"，包括环境记录员（由微软提供支持）和针对临床医生、患者和计费人员的人工智能护理助手。例如，Epic即将推出的人工智能记录员将在患者图表内转录和起草笔记（功能相当于第三方记录员）。Epic还计划推出虚拟助手：一个"医生副驾驶"推荐医嘱集，一个管理患者预约的排班代理，以及一个供患者询问医疗问题的聊天机器人。这些功能针对众所周知的痛点：Judy Faulkner博士（Epic的CEO）明确指出人工智能将解决临床医生的文档负担和患者获取护理说明的困难。鉴于Epic的主导地位，此类升级意味着许多医院将在更新电子健康记录时"免费"获得人工智能功能。行业观察家指出，Epic比一些初创公司行动更慢，但覆盖范围更广；其他电子健康记录供应商（例如Oracle Health/Cerner）正在采取类似举措。

此案例强调了医院人工智能采用通常由供应商路线图驱动。当电子健康记录集成人工智能工具时，医院往往会广泛尝试。它也引发了依赖性问题：特定于一个电子健康记录的定制人工智能功能可能会为医院创造锁定效应。专家警告医院在依赖之前仔细评估供应商人工智能（准确性、数据使用、互操作性）。

机遇与挑战

人工智能为医院环境开辟了新的机遇，但也带来了重大挑战。下面详细说明两者，并附有证据和专家观点。

益处与潜力

• 效率和质量提升： 人工智能可以自动化平凡任务（文档起草、保险检查），释放临床医生专注于护理。预测模型可以预防危机（例如脓毒症、心力衰竭恶化）并优化资源（例如适当调整人员配置）。总体而言，行业研究估计大幅成本节约。例如，分析师预计人工智能将医院劳动力/供应成本降低10-20%，到2050年可节省数百亿美元。普华永道设想了一个未来，人工智能驱动的护理将约1万亿美元转向基于价值的预防性模式，到2035年。实证证据显示早期临床效益。例如，克利夫兰诊所的人工智能脓毒症警报显著提高了患者生存率。医院强调改进的安全性（更少的漏诊）和患者满意度（等待时间缩短、更个性化的随访）。
• 对临床医生的支持： 一致的发现是，当人工智能帮助处理耗时任务时，临床医生通常报告积极情绪。美国医学会调查显示，越来越多的医生（68%）认为人工智能在患者护理中有"一些优势"。特别是在面临高职业倦怠的专科（初级护理、急诊医学）中，减少文书工作的人工智能工具被热情采用。在环境记录员研究中，MGB医生报告称使用人工智能后每周文档时间减少约4小时——这对工作生活平衡显然是有益的。许多临床医生相信人工智能可以"给他们更多时间照顾患者"，这是一个强烈的动力。
• 创新与研究： 医院采用人工智能推动了临床研究。来自实时人工智能部署的数据（经患者同意）创造了丰富的现实世界证据。几家学术医院已发表关于整合基因组驱动人工智能用于精准肿瘤学、影像基因组学等的研究。一家医院的手工标注图像库成为系统范围模型的训练集。因此，人工智能工具不仅改进了现有护理，还生成了用于未来改进的数据和见解。监管机构通过创建途径（FDA的持续评估框架）和促进人工智能研究合作（例如AHA的人工智能使用注册表）来认可这一点。

风险、局限性与实施障碍

• 数据偏差与公平性： 人工智能模型的好坏取决于其训练数据。如果医院的患者群体与训练队列不同，模型性能可能会受到影响。例如，在浅色皮肤上训练的皮肤病变检测人工智能算法可能会误诊深色皮肤上的病变。其他领域的人工智能研究表明，当数据集不代表性时，会记录种族和性别偏差。医院必须审计模型是否存在偏差。克利夫兰诊所/AHA报告显示，大多数医院确实会在前端测试人工智能的准确性和偏差，但较少进行持续测试。监管机构和伦理学家担心，如果不保持警惕，人工智能可能会加剧健康差异（例如，为数据中充分代表的人群提供更好的护理）。
• 责任与法律责任： 当人工智能工具出错时，责任归属可能不明确。是设备制造商、软件供应商、医院IT团队还是覆盖或遵循人工智能的临床医生负责？皇家学会开放科学评论强调，责任框架尚未确定。一些美国州正在探索临床决策中人工智能的法规，但目前医院按个案处理。许多机构要求临床医生对人工智能输出"签字确认"（将其视为决策支持，而非决策制定）。FDA要求对人工智能设备进行上市前审查，但现场性能的上市后监测尚未标准化。
• 隐私与安全： 利用人工智能通常涉及处理大量患者数据。医院必须确保符合HIPAA规定并确保数据管道安全。特别是生成式人工智能带来了风险：在患者文本上使用大型语言模型可能会无意中泄露受保护健康信息，或者集成到患者门户网站中的人工智能聊天机器人可能会产生敏感信息的幻觉。因此，许多医院对接入基于云的人工智能服务持谨慎态度。内部滥用和网络攻击（如果人工智能平台被破坏）也是担忧。2024年的一项研究警告称，在人工智能安全地处理多机构数据之前，隐私保护技术（去标识化、安全围栏）至关重要。
• 工作流程整合： 人工智能试点通常在受控环境中成功，但将其整合到真实医院工作流程中很困难。一个模型可能在技术上表现良好，但如果向繁忙的电子健康记录收件箱发送太多警报，临床医生会忽略它（"警报疲劳"现象）。医院必须仔细校准警报阈值，分配责任（谁看到警报以及他们做什么），并培训员工。在克利夫兰的人工智能脓毒症案例中，临床医生有一个专门的护士团队响应人工智能警报，直到医院证明自己。同样，文档人工智能要求临床医生主动审查和编辑人工智能生成的笔记；如果笔记太不准确，医生可能会恢复旧方法。实际上，许多医院从小规模试点和迭代反馈开始人工智能使用（通常召集IT、临床倡导者和合规官员委员会来调整系统）。
• 财务成本与投资回报率： 人工智能系统可能在多方面成本高昂：许可费、基础设施升级以及培训和变革管理的"隐形"成本。许多大型人工智能项目需要新硬件（GPU、数据仓库）、额外员工（数据科学家、临床信息专家）和供应商支持。财务紧张的医院可能难以证明这一点。例如，人工智能记录员供应商通常按用户订阅或每笔记费收费。即使节省的医生时间有价值，也不总是转化为收入。FierceHealth报告指出，很少有医院加载人工智能项目的"成本核算"方面；没有明确的指标，C级高管很难承诺昂贵的推广。因此，许多行政人工智能工具的关键障碍是"缺乏证明的投资回报率"。
• 监管不确定性： FDA已开始创建特定于人工智能/机器学习的框架（例如拟议的"预定变更控制计划"，允许模型在监督下用新数据更新）。但医院仍面临合规性方面的模糊性。FDA自己的人工智能设备列表指出，并非所有带有人工智能的软件都符合医疗设备的资格（取决于预期用途）。还有不断发展的州法律（如纽约/加利福尼亚患者数据隐私规则，或人工智能偏差法律）。此外，医疗保险和付款方尚未广泛报销受人工智能影响的服务（远程监测等少数代码除外）。没有报销代码，一些医院投资仍然是"成本中心"而非收入驱动因素。
• 信任与接受度： 采访中的一个反复出现的主题是临床医生和患者需要信任。医生表达担忧，认为人工智能可能产生"听起来合理但错误"的结论，削弱信心。美国医学会调查显示，近一半的医生将"增加监管监督"列为建立人工智能信任的首要方式。一些人担心如果过于依赖人工智能，临床医生可能会"技能退化"。因此，医院强调人工智能是"辅助性的"，最终责任始终在于人类临床医生。培训课程、关于人工智能准确性的透明度以及谨慎的推广通常用于缓解阻力。对患者的公众调查显示，如果提供数据隐私和人类监督保证，他们对人工智能诊断持谨慎开放态度。

观点与政策

医生（通过美国医学会）、医院高管（通过美国医院协会和HIMSS）、科技公司和监管机构持有不同观点。一些亮点：

• 医生： 日益乐观但谨慎。美国医学会将人工智能推广为"资产"，发布强调医生监督和透明度的指南。他们的调查（2025年）显示大多数医生对人工智能的益处（行政缓解、准确性提高）感到兴奋。尽管如此，常见担忧包括数据隐私、人工智能错误的责任以及整合负担。许多医生将文档辅助视为人工智能最直接的益处（2024年21%的医生使用人工智能进行文档/计费笔记，高于2023年的13%）。医生团体强调，临床人工智能工具符合"医疗设备"标准，而行政人工智能仍必须确保合规。
• 医院管理人员/IT领导者： 总体上对人工智能的运营价值持乐观态度，但对期望管理持谨慎态度。许多CIO在其战略路线图中有人工智能，一些卫生系统现在有首席人工智能或分析官。管理人员通常在后台功能中看到快速胜利，在临床支持中看到慢热项目。一个常见的认识是，建立"人工智能文化"需要投资于数据治理、员工数据科学培训以及跨学科团队（医生+工程师+法律）。健康IT治理框架（有时称为"人工智能治理委员会"）现在存在于约75%的大型系统中。管理人员还关注供应商合同（确保"模型性能保证、数据权利、赔偿"等条款）。
• 监管机构/政府： 美国政府尚未对医院实施人工智能特定规则，但正在积极研究该问题。FDA已更新了涵盖人工智能/机器学习生命周期的软件作为医疗设备(SaMD)指南。2023年10月，卫生与公众服务部(HHS)和健康人工智能联盟(HCAI)发布了"虚拟护理中人工智能的道德原则"文件，为透明度和问责制设定自愿标准。联合委员会（医院认证机构）正在评估如何检查基于人工智能的流程。在报销方面，医疗保险和医疗补助服务中心(CMS)仅发布了少数人工智能相关CPT代码（例如用于远程患者监测）。政治关注度很高：国会在2024-25年举行了关于医疗保健中人工智能的听证会，联邦机构正在讨论政策干预（一些倡导者提议人工智能特定的医疗事故规则或数据共享要求）。政策制定者将医院人工智能视为机遇（改善护理、降低成本）和风险（隐私泄露、获取不平等）。
• 供应商和科技行业： 众多科技公司（大型科技和初创公司）已将人工智能推向医院。Epic、Cerner/Oracle和Allscripts（电子健康记录）正在嵌入人工智能工具。值得注意的初创公司提供点解决方案：例如，医学影像人工智能（Aidoc、Zebra Medical）、文档记录（Nuance、Suki、Abridge）、运营（Qventus排班、LeanTaaS用于容量）。这些公司通过试点项目或合同与医院合作。科技巨头（微软、Google Health、亚马逊）与卫生系统合作提供基于云的人工智能服务。例如，MGB的LLM工作是在本地服务器上使用开源模型完成的，但其他项目使用大型基于云的人工智能（许多医院现在试点用于电子健康记录汇总的GPT驱动临床聊天机器人）。在"人工智能验证"解决方案周围存在激烈的竞争和营销。

在所有观点中，共识是人工智能是战略要务，而非一时潮流。不开始采用和理解人工智能的卫生系统可能会落后。许多专家将这与2000年代的电子健康记录过渡相比较——不可避免且紧迫。然而，他们反复强调，以人为本的设计至关重要："技术必须为临床医生服务，而不是相反"是美国医学会通信中的座右铭。

案例研究：梅奥诊所 - 从影像到预防

（本节基于梅奥诊所出版物和新闻稿提供综合概述。）梅奥诊所（在明尼苏达州、亚利桑那州、佛罗里达州设有站点）在多个人工智能用例方面开创了先河。放射学继续是一个重点：梅奥已整合人工智能工具来测量肿瘤、从常规CT扫描中量化身体成分，以及从扫描中检测神经紧急情况（中风、动脉瘤）。他们观察到人工智能可以"完成更平凡的工作"（例如勾勒解剖结构、测量）并为放射科医生标记异常。此外，梅奥报告了新颖的人工智能发展：2025年，那里的研究人员创建了一种人工智能，通过分析患者在智能手机上拍摄的伤口照片，以90%的准确率诊断手术部位感染（加速干预）。

梅奥还强调人工智能用于预防和人群健康。他们开发的一个模型使用常规心脏CT图像（因其他原因拍摄）识别高冠状动脉钙评分，然后自动检查患者记录：如果该患者尚未接受预防性治疗或看心脏病学，系统会提醒医生及早干预。在试点中，这种"机会性筛查"人工智能流水线发现了否则会遗漏的心脏病风险，并帮助患者加入预防性护理。另一个项目是使用人工智能标记任何胸部扫描中的偶然肺结节，供肺科转诊。梅奥发表称，此类人工智能标记提高了早期癌症检测。

在组织上，梅奥创建了内部人工智能中心，资助数据科学教师，并定期召开多学科人工智能会议。他们还孵化初创公司（例如梅奥诊所软件）以商业化成功模型。此案例说明了一个综合学术卫生系统如何在各个领域灵活利用人工智能：在研究实验室中快速原型设计，在一个医院站点试点，然后在成功时推广。它还展示了前瞻性的立场：梅奥的领导层经常公开谈论从"管道到平台"的转变——意味着使用人工智能持续改进健康，而不是片段式修复。

影响与未来方向

美国医院的人工智能采用正在迅速演变。从2025年10月展望未来，几个趋势显而易见：

• 无处不在的生成式人工智能： 大型语言模型（如GPT-4/5）正被整合到临床工具中。除了记录员外，医院正在试点人工智能作为"临床副驾驶"：例如，根据患者数据生成鉴别诊断、总结罕见病例的文献，甚至模拟培训的患者对话。一些卫生系统允许人工智能聊天机器人回答基本患者问题（分诊或术后说明），尽管他们强调监督以防止"幻觉"。我们预计生成式人工智能将在医生教育和患者参与中发挥越来越重要的作用。然而，隐私保障（确保没有受保护健康信息泄露给第三方人工智能）将成为关注的焦点。
• 人工智能整合到电子健康记录中： 随着Epic和Cerner等供应商推出本地人工智能功能，医院越来越多地默认通过其IT系统获取人工智能。到2025年，超过一半的新人工智能部署可能通过电子健康记录更新或模块发生，而不是单独购买。"人工智能启用的电子健康记录"将成为常态。这种集中化可能会加速小型医院的采用（它们高度依赖电子健康记录供应商路线图），但也可能集中风险，如果供应商偏差或中断发生。
• 基于结果的验证： 该领域正在从算法验证（AUC等）转向衡量临床影响。更多已发表的研究将比较人工智能与非人工智能环境中的患者结果（死亡率、再入院率、满意度）。例如，我们预计临床试验的最终结果将投资人工智能资源分配（例如，使用人工智能排班与不使用来衡量吞吐量）。这些证据发展将影响报销和监管。包括医疗保险和医疗补助服务中心在内的付款方可能会要求在广泛资助昂贵的人工智能项目之前证明改善的结果。
• 监管演变： FDA预计最终确定其持续学习人工智能的拟议框架（允许某些模型在使用中更新）。预计还将出台关于医疗保健中算法偏差的新指南。我们可能会看到关于人工智能责任的立法（例如，扩展医疗器械法）。医院将必须保持灵活性以遵守规定。在国际上，如果其他国家采用严格的人工智能规则（例如欧盟人工智能法案）并与外国医院合作，美国医院将感受到压力。
• 道德人工智能和可解释性： 医院将在"可解释人工智能"技术上投入更多。通过在更具包容性的数据上重新训练模型并添加可解释性层，机构旨在使人工智能决策对临床医生透明。我们预计在临床人工智能工具中采用技术解决方案（如模型卡、shapley值等），以显示为什么人工智能给出特定警报。同时，伦理委员会将越来越多地审查高风险人工智能项目（特别是涉及患者陪审团或同意的项目）。
• 劳动力和工作角色： 关于人工智能如何影响医疗保健就业的辩论正在进行中。在短期内，人工智能正在医院中创造新角色（数据科学家、机器学习运维、数字记录员）。例如，放射科医生和病理学家可能会转向监督人工智能诊断，而不是自行阅读所有图像。护理可能会看到更多"人工智能分诊"助手。医院可能会投资于医生和护士的内部"人工智能培训"计划。然而，人们担心某些行政人员（例如转录员、编码员）可能会被取代。到目前为止，报告显示人工智能补充了更多而非取代员工，但趋势将受到劳动力分析师的密切关注。
• 公平与获取： 到2025年，一个紧迫的问题是确保人工智能惠及服务不足的社区。政府和基金会可能会资助赠款，帮助农村和关键接入医院获取人工智能服务（例如，通过共享农村健康网络）。与人工智能分诊集成的远程医疗被视为将专家级护理扩展到偏远地区的一种方式。相反，有些人担心资源已经丰富的机构会进一步领先，加剧差异。未来5年可能会看到关于如何使医院人工智能民主化的政策讨论（可能通过强制共享某些模型或云平台）。
• 全球领导地位： 美国医院正在全球竞赛中。一些亚洲和欧洲系统也在积极采用人工智能（例如英国的NHS AI Lab）。美国医院协会与国际机构（OECD、WHO）就标准进行协调。医院将越来越多地与全球最佳实践进行基准比较。此外，美国科技公司（Google、Amazon、Microsoft）正在向海外出口其医院人工智能试点（例如，微软与英国和加拿大卫生系统的合作），因此美国医院人工智能生态系统将受到这些跨境合作的影响。
• 研究与创新： 医院人工智能与生物医学研究之间的相互作用将加强。我们预计"学习型卫生系统"将增多，其中每次患者互动（在人工智能协助下）为模型改进贡献去标识化数据。精准医学举措可能会融合基因组数据与人工智能驱动的电子健康记录分析。"数字孪生"患者模型（患者生理学的AI模拟）可能开始在顶级机构试点。本质上，医院将转向持续的人工智能学习周期。

未来展望

到2025年底，人工智能已成为医院IT景观的既定部分，但远未成熟。技术浪潮分阶段到来：基础预测分析和图像识别首先；接下来是环境智能和生成模型；随后是在有限环境中的完全自主。我们预见到一个近期未来，其中：

• 短期（1-3年）： 大多数大型医院将在至少三个领域拥有生产级人工智能（例如影像、风险评分、文档记录）。人工智能监督委员会成为标准。医院开始报告关于人工智能影响的正式指标（错误减少、时间节省）。到2026年，医疗保险和医疗补助服务中心可能会引入用于报销某些人工智能服务的CPT代码（例如"影像的人工智能解释"）。生成式人工智能工具将协助非关键任务（起草转诊、患者教育材料）。
• 中期（3-7年）： 人工智能在医院运营中成为常规。患者结果的预测模型使用流数据持续重新校准。自主系统可能会处理选定的任务（例如需要最少编辑的人工智能记录员，或无需临床医生审查即可指导患者路径的人工智能分诊）。临床医生的培训计划包括人工智能素养。关于劳动力调整的严肃讨论（例如，医学院课程更改以使用人工智能）激增。我们可能会看到医院人工智能认证标准出现（类似于硬件设备检查的AI安全审计）。
• 长期（>7年）： 医院可能类似于"智能"生态系统。每位住院患者的可穿戴传感器、每位治疗的个性化人工智能、通过人工智能进行的家庭虚拟护理。医院围墙与患者家庭之间的界限变得模糊，因为远程人工智能监测器将数据馈送到集中式临床团队。预测性维护（在设备故障危害患者之前预防故障）和供应链优化可能会几乎消除浪费。当然，这种乐观愿景需要解决当今的伦理、法律和技术挑战。

总之，截至2025年10月，美国医院的人工智能采用已从实验性转变为主流。在不到十年的现代人工智能技术中，医院已将人工智能编织到许多流程中。这一转变是由更好的结果和效率的承诺、大量投资以及向数据驱动护理的文化转变推动的。然而，它受到整合、信任和公平等真正挑战的制约。医院人工智能的旅程才刚刚开始；未来几年将决定这些工具是实现改善医疗保健的潜力，还是成为过度炒作的负担。

结论

截至2025年，美国医院的人工智能采用已从实验性转变为主流。现在，大多数机构将人工智能用于风险预测、工作流程优化和文档记录等关键任务。大型教学医院和系统附属医院走在前列，缩小了与小型和农村医院之间的数字鸿沟，后者需要进一步支持。在多个领域——放射学、重症监护、行政等——实际案例研究和试验表明，人工智能可以显著提升性能：早期诊断、更少的并发症和减少的临床医生负担已在实践中得到证明。

然而，这一转变是复杂的。数据质量、公平性和治理的关键问题需要密切关注。克利夫兰诊所的脓毒症人工智能等高调成功必须在多样化环境中复制。道德框架（如最近的开放科学评论中概述的）强调人工智能应增强而非取代人类临床判断。监管机构和专业协会在设定标准方面发挥着核心作用（例如美国医学会对人工智能透明度的倡导和FDA的指南）。

随着医院继续整合人工智能，我们预计会有更丰富的数据为政策提供信息。未来的医院IT调查（例如AHA补充）可能会记录近乎普遍的人工智能使用，至少用于运营功能。卫生经济学研究将进一步阐明投资回报率。早期证据指向一个正在变化的医疗保健系统：一个临床医生越来越多地与智能机器合作，数据驱动的洞察力可以解锁更安全、更个性化和更高效护理的系统。

总之，美国医院的人工智能采用不仅仅是一种技术趋势，而是一种系统性转变。其成功将取决于在创新与谨慎之间取得平衡：对每个人工智能工具进行严格评估（科学验证和监测）、多利益相关者治理（医生、IT、伦理学家共同工作）以及确保公平获取的主动政策。本报告中的示例和数据既展示了医院人工智能的潜力，也展示了其复杂性。通过持续研究和深思熟虑的领导，数字医学的下一章有望为患者结果和医院表现带来可衡量的改进。

【全文结束】