张文宏：拒绝将AI引入其所在医院的电子病历系统

来源：第一财经

近日，在一场公开的行业论坛上，国家传染病医学中心（上海）主任张文宏因“拒绝将AI引入其所在医院的电子病历系统”的发言被推上风口浪尖。

拆解张文宏的完整发言，里面的观点可为两部分。首先，他处理的患者病历数量太多，自己会在日常诊断中使用AI，常发现AI生成的结果存在错误；

其次，他认为医院电子病历系统引入AI后，医生的培训过程将明显改变。原本需要经过实习医生、住院医师、高职级医生的历练，现在借助AI便能创造“捷径”，直接生成与资深医生类似的诊断结论。

这两种情况共同作用，小则打乱了医生的学习进程，大则无中生出医疗隐患。

站在临床的角度，张文宏对于AI的审慎立场可以理解，毕竟医疗安全关乎患者生命。同时，孕育AI的数据本身就来源于这些资深医生长年累月的积累，他们的判断与鉴别能力在绝大多数情况下比AI更准确。

但在现实之中，三级医院的医生长期面临海量患者的诊疗压力。相比追求绝对的精准，他们更需要的是在决策过程中做好“准确与效率的平衡”。

如今优质医疗资源缺失仍是常态，有机会优化诊疗平衡的AI工具，或许不应该被简单地排斥在医生的工作流之外。

最受欢迎的医疗AI工具？

过去一年中，《健闻咨询》陆续访谈了30多位经常在工作中使用医疗AI工具的三级医院医生。在回答“什么样的AI工具最好用”时，超过70%医生选择了和电子病历相关的医疗AI应用。

广东某头部三级医院信息科主任李行（化名）告诉《健闻咨询》，电子病历涉及的AI功能很多，包含智能录入、智能生成、临床质控、CDSS（临床辅助决策系统）等，他所在的医院使用质控、CDSS及病历生成应用比较多。

“拿CDSS来讲，它能根据患者的检查结果给出一些建议，进而缩短医生思考的时间以及书写病历的时间。目前所有引入了相关AI的科室表现都不错，大概能够提升医生15%～20%的工作效率。”

此外，当下的AI电子病历多数都做到了实时质控+内涵质控，既能随时提醒医生的书写错误，又能在写好之后找到整份病历的逻辑错误，有效降低医生在病历方面的出错率。

李行表示，AI电子病历的临床价值是明确的，但由于涉及业务比较广泛，他没法给出具体的指标来衡量AI对于业务层面的效率提升。

除了信息科外，一些临床科室也乐于引入AI工具，缩短工作流中繁琐的报告书写流程。

以放射科为例，常规流程下放射科医生需要先逐层浏览影像，再去报告模板里描述他在放射影像中的所见，形成影像学结论。但现在许多AI厂商将AI应用内嵌于PACS系统中，在生成CT、MR影像的同时直接生成影像报告。

通过这种方式，影像科的工作流程在事实上被改写了。过去需要一个医生写报告，另一个医生审核报告。如今在AI赋能下，医生只需要做好审核、调整的角色，人力被极大解放，科室的经营效率也显著提升。

还有一部分医生存在科研需求，需要先把影像报告进行“结构化”。这是一个很耗时的工作，“结构化”一份报告大概需要花费医生不下半小时的时间。而在AI的帮助下，医生的工作方式由“自行归纳”转变为“关键词勾选”，甚至可以用大模型直接把关键词及对应关键数据生成出来。

回顾上述两个案例，我们可以发现，AI电子病历在临床中的价值路径和张文宏描述的场景有所区别。

张文宏强调的是AI的“生成能力”，认为该能力达不到开箱即用的标准，且普通医生没有识别能力，无法对AI生成的内容进行纠错。

但在绝大多数情况下，信息化企业与三级医院普通医生通常更为强调“人机协同”，即在信任医生现有水平的基础上，将其定义为“审查者”的角色，将主要工作的内容书写报告转变为纠错报告，因而医生会投入精力与时间对生成内容进行审核。

需要注意的是，伴随大模型的不断发展，现有的AI已经增强了它的解释性，它能将生成结论的逻辑向医生展示，因而一定程度上降低了医生的纠错难度，甚至还能帮助医生通过纠错过程强化循证逻辑，加速自身成长。

因此，AI的出现虽说在一定程度冲击了三级医院医生的传统学习流程，但也展现出了另一条更为高效的成长路径。其中的利弊，我们或许不能单凭个人经验得出结论，还要综合考虑更多临床场景下的真实需求。

存在抵触，但不会逆转

在三级医院，AI有机会做到在提质增效的前提下助力医生成长。但在更为基层的医疗机构中，张文宏的担忧确实戳中了它们的痛处。

相较于过去聚焦头部医院的策略，现在的医疗AI产品主打下沉——哪里缺乏能力充分的医生，企业就将AI应用落在哪里。

和三级医院相比，基层医疗机构的医生在诊断能力上存在一定差距。且当AI生成的答案与实际相悖时，他们即便发现了问题，也可能无法快速找到一个能够帮他们精准答疑的资深医生，进而错失学习机会，最终导致惰性的产生。

但上述问题并非没有答案。数智行业常拿自动驾驶技术与医疗AI进行对比，因为两者都需要研发者为使用者的生命安全负责，因此对性能要求极为苛刻。

过去十年，自动驾驶已经发生了肉眼可见的变化，由概念技术前进至L3级有条件自动驾驶，一线城市随处可见试点的自动驾驶测试公路。

而同一时期内，医疗AI也由最初的辅助诊断工具逐步切入治疗环节，形成了全病程全模态的赋能，鲁棒性及准确性均实现了突破性提升。

现在的问题是，部分三级医院的资深医生依然对AI存在抵触心理。一位受访医生告诉《健闻咨询》，在院内训练大模型时，很多资深医生并不愿交出自己的诊疗相关数据，“他们会觉得这是个人的知识成果，不愿意直接交给医院，转化成一种公共产品。”

“现有的很多AI工具背后是规则库，不带自我训练功能。”一位AI医疗厂商负责人表示，选择这样的产品，并不是出于技术难度的考虑，而是一些合作医院的专家不愿自己的数据被采集，“如果能够基于院内的数据进行自我训练，AI所带来的提效会更为直观。”

但无论这个过程有多长，一个基本的行业共识是，伴随高质量临床数据的不断加入及算法的持续优化，医疗人工智能的准确性必然会向“1”无限趋近。

再谈培训方面，AI为医生带来的不仅是效率的提升，更是知识获取速度的提升。作为一项需要终身学习的职业，AI纵然不能缩短本科、规培阶段的时间，但能提升他们在临床环境中的学习速度，缩短成为高资历医生所需的时间。

目前市面上已经有大量教培一体化的AI模型出现，亦有不少学校（如哈佛大学）开始在教学阶段引入AI课程。

因此，身处传统与智能的时代交错点，医院、医生、企业或许需要协同探索一种新的合作模式来量化价值，化解矛盾，共同迎接AI时代的来临。

毕竟，时间总会补足AI的能力缺陷，智能化趋势已不可逆转。