要释放系统性价值，AI医疗需走出医院

AI医疗已经成为近几年最受关注的赛道之一。从影像识别到辅助诊断，从智能随访到医疗大模型，AI正以前所未有的速度嵌入从三甲医院到基层中心的各个层级。

然而，一个值得关注的现象正在显现：尽管 AI 医疗的部署范围持续扩大，其应用更多体现在医院局部效率与流程优化层面，而对医疗体系中一些长期存在、由结构性因素决定的问题，并未产生方向性的改变。这包括：高水平临床医生的供给依然受限于培养周期与制度安排；优质医疗资源仍高度集中于大型医院，基层医疗能力建设进展缓慢；慢性病负担持续上升，医保支付体系面临的成本压力等并未因 AI 的引入而出现明显拐点。

我们对国内30多家AI医疗企业运营模式的调研显示，其商业化的主流路径呈现出高度收敛的特征：AI并未发展为独立的医疗服务提供者，而是作为技术增强工具嵌入医院既有体系。商业目标更多聚焦于帮助医院实现流程提效、成本控制与合规管理，同时在研发与产品迭代上高度依赖于医院数据与应用反馈。总之，其商业实现方式与医院的采购机制、运行效率以及风险控制逻辑深度绑定。

一、医院中心型模式的三重困境

第一，责任与收益错位：AI企业参与决策，却不对健康结果承担责任。

在现有体系中，绝大多数AI医疗产品及其开发企业都会强调“系统仅作为辅助工具，最终诊断责任由医生承担”。这一表述在法律与伦理上具有合理性，但同时也是一种明确的商业与制度选择：通过将自身定位为工具提供者，AI 医疗企业得以深度介入诊疗决策，却对健康结果不承担责任。

在这种结构下，AI可以通过算法输出影响诊疗路径、资源配置和临床判断，而由此产生的健康结果风险，则主要由医生与医疗机构承担；与之相对，软件授权费、服务费以及数据积累所带来的长期模型价值，则主要由 AI 企业获取。由此，逐渐形成责任与收益的错位：参与决策的一方不承担健康结果风险，而承担风险的一方却难以对技术的设计、演进和使用方式拥有实质性控制权。

这种错位的结果是：AI企业的商业回报与误诊率、并发症率、再入院率等健康结果指标脱钩，而更多绑定于效率与合规指标，如阅片速度、医生时间节省或病历规范程度，成为“流程提效与合规工具”。这些指标本身固然重要，却系统性地回避了医疗体系的核心问题：患者的健康结果是否因此真正改善？

当商业回报与健康结果无关，AI医疗企业的理性选择，便是持续向“低风险、低责任、易复制”的方向收缩，而非主动承担更复杂、更长期的健康结果改善任务。

第二，医院并非“健康结果”的最佳承载主体。

这一问题相对隐蔽，却同样关键。现行医疗制度主要将医院的责任边界限定在单次诊疗行为之内，而非个体的长期健康轨迹。事实上，多数健康结果的形成，恰恰发生在医院之外，且往往不受医院直接控制。慢性病控制高度依赖于长期生活方式管理，并发症多发生于出院之后，疾病复发与患者依从性密切相关，老龄化相关健康问题更是一项跨时间、跨场景的系统工程。

在这一制度框架下，医院的激励机制天然偏向当下诊疗效率，而非长期健康结果改善：一方面，医院难以对患者出院后的健康行为进行持续、系统性干预；另一方面，其收入与绩效体系也难以从预防疾病发生、降低长期风险中获得直接回报。这决定了医院并非缺乏意愿，而是在制度上并不适合承担长期健康结果的主要责任。

近年来，市面上确实已经出现了一批面向院外健康管理的AI应用与平台，尝试在随访、慢病管理、用药提醒和行为干预等环节发挥作用，其价值也开始在局部场景中显现。然而，这类 AI 多数仍处于制度边缘位置：它们往往未被纳入清晰的责任分配体系，既难以成为健康结果责任的主要承担者，也难以与支付机制稳固绑定，其角色更多是对医院体系的补充性延伸，而非健康治理体系中的核心节点。

因此，即便AI已具备跨场景、跨时间管理健康的技术能力，只要责任与支付结构仍然以医院为中心，这些能力就不可避免地被限制在医院边界之内。一部分最适合在院外发挥系统性价值的 AI 能力，或被迫工具化、碎片化，或游离于主流医疗体系之外，难以真正承担健康结果责任，其潜在价值也被长期低估。

第三，支付结构锁定创新空间：几乎无人为“健康本身”付费。

如果说前两个问题主要来自医院侧，那么第三个困境则根植于支付结构。

当前我国医疗体系的支付逻辑，仍然高度围绕“医疗行为”展开：医保支付以项目计费为主，医院收入与服务量及效率紧密相关；AI采购预算多从信息化或设备支出中安排，尚无成熟的资金机制专门用于基于“健康结果”购买服务。

受此逻辑支配，AI医疗项目很难自然演化为结果导向型模式。即便AI能显著降低未来住院率、改善慢病控制，其价值也难以直接变现。几乎所有的创新，最终都会被归结到一个问题上，即医院是否愿意买单。

这构成了一种典型的结构性困境：AI的价值潜力存在于医疗系统层面，而其付费场景却被严格限制在医院层面。久而久之，真正有可能重塑医疗体系的AI创新，要么难以启动，要么被迫项目化，逐渐丧失系统性价值。

二、欧美AI医疗模式的对照与启示

与中国以“医院中心型”为主的AI医疗路径不同，欧美国家近十年的实践整体上呈现出更明显的结果导向与责任分散特征。这种差异并非源于技术能力的代差，而是植根于医疗支付结构、数据治理方式与商业激励逻辑的系统性不同。

需要澄清的是，欧美AI医疗企业并非“更容易从医院获得数据”。事实上，单个医院在数据共享上的谨慎程度，并不亚于中国同行。真正的差异在于，欧美医疗体系中长期存在多条制度化的数据获取与使用通道——包括公共或半公共临床数据库、医保与商业保险支付数据、经伦理审查的研究型数据通道，以及基于患者授权的健康与随访数据。这种多元数据结构，使AI医疗不必完全依附于单一医疗机构，也为其商业模式从“服务医院”转向“改善健康结果”提供了现实基础。

因此，在欧美国家，AI医疗并未首先深度嵌入医院信息化体系，而是更多部署于支付方、保险方及独立健康管理体系之中。大量AI医疗创新的直接客户并非临床科室，而是商业保险公司、责任制医疗组织（ACO）、雇主健康计划或专业的慢病管理机构。

这些主体的核心关切不是单次诊疗的流程效率，而是总体医疗支出、风险暴露水平以及人群健康指标的变化。AI的商业价值从而直接与临床与健康结果挂钩，例如住院率与急诊使用率的下降、慢性病指标的长期改善，以及整体赔付成本的可控性。

这一模式的制度基石，是支付结构向“结果导向”的实质性转型。在美国的价值医疗（Value-Based Care）体系中，医疗服务提供方、管理组织与技术平台需要共同对患者在一定周期内的整体健康结果承担责任，而非仅完成离散的诊疗行为。在此情境下，AI更多被视为风险预测、分层管理与主动干预的工具，而非医院内部的效率插件。

欧洲国家在商业化扩张上相对克制，但在公共卫生与长期健康管理领域，更早形成了跨机构、跨场景的AI应用逻辑。AI系统被广泛部署于基层医疗、社区护理与公共卫生体系，其绩效评估往往依据区域健康指标、疾病负担变化及长期照护效果，而非单一医疗机构的工作量或收入规模。

值得注意的是，在欧美体系中，医院不再是健康结果的唯一、甚至并非主要责任主体。相当一部分管理与风险责任被转移或分散至保险机构、健康管理组织及技术平台之中。这为AI医疗企业提供了一条不同于“医院依附型”的生存路径：不必完全围绕医院采购逻辑运转，而是围绕风险控制与结果改善构建相对独立的商业闭环。

当然，欧美模式并不能被简单复制到我国。其运作高度依赖成熟的保险体系、数据互操作机制与配套的法律环境，也同样面临隐私保护、算法偏见与公平性等现实挑战。但从结构上看，它提供了一个清晰的对照：当AI医疗不再被禁锢于医院这一单一主体，当支付方愿意为“健康结果”而非“医疗行为”买单，且责任能够在多方主体间合理分配时，AI才有可能释放其系统性价值。

三、政策建议：走出医院中心型模式的可能路径

要破解前述困境，显然不能止步于“算法的持续迭代”，而必须指向商业模式、责任结构与数据机制的协同重构。

首先，推动从“医院单一中心”向“多责任主体共担”转型。健康结果的实现，本质上是医疗机构、支付方、技术服务平台、社区以及个体共同作用的结果。政策层面应鼓励不同主体在不同环节各司其职、各担其责，打破风险与责任长期过度集中于医院端的结构性僵局。这需要通过制度创新，明确健康管理责任主体、风险共担型服务提供方以及基于结果付费的技术供应商等新型角色的法律地位与责权利边界。

其次，重构以健康结果为锚点的支付与采购机制。若AI的商业价值始终困于“卖系统、卖模块”的信息化采购逻辑，既难以摆脱低水平、同质化的工具竞争，也难以支撑其长期投入与责任承担。政策层面可在慢病管理、再入院率控制、围手术期管理等结果可量化、路径相对清晰的领域先行试点，将支付对价与实际健康产出直接挂钩。同时，应逐步将AI从传统IT采购框架中解构出来，探索从“购买产品”向“购买服务、购买结果”的转变路径，在预算审批、绩效评估与风险认定中引入跨部门、跨主体的综合评价机制。唯有当支付方愿意为健康结果而非技术部署本身付费，结果导向型AI模式才具备可持续的商业基础。

第三，鼓励“风险外包型”与“健康责任型”AI模式试点。在这一过渡路径中，可探索新的协作机制：医院继续承担诊断与治疗决策的核心职责，并将长期健康管理、风险持续监测与人群分层干预等职能，逐步交由AI平台或专业健康服务商承担。后者的收益与患者预后改善程度、风险暴露水平降低程度直接相关。这种模式有助于缓解医院在既有资源与激励约束下难以全面履行健康管理责任的问题，实现更加合理的专业化分工。

最后，构建多元、合规的数据获取与使用机制，降低AI医疗对单一医院数据的结构性依赖。若临床数据仍主要由单体医疗机构封闭掌握，AI医疗企业在商业上就不可避免地被锁定在“服务医院”的路径之中。政策层面可探索渐进式改革方向：推动公共或半公共真实世界数据平台建设，在严格脱敏与用途限定前提下支持科研与结果导向型应用；明确医保与商业支付方在数据整合与合规使用中的角色，释放支付端数据在健康管理与风险评估中的价值；完善患者授权与数据可携带机制，使个体在知情同意下参与数据流通与价值创造。通过多渠道数据供给，为AI医疗商业模式多元化提供制度基础。

四、政策展望

回顾当前AI医疗的发展困境，一个越来越清晰的判断是：技术的演进已明显领先于制度的设计。医院中心型模式并非路径错误，它是AI医疗在拓荒阶段的必然落脚点。然而，若长期停留于此，AI对健康预后和系统性治理的边际贡献必然受限，难以跨越到以“健康结果”为中心的更高形态。

可以预见，下一阶段AI医疗的演进重心将发生结构性迁移——重点不再是“如何进入医院”，而是“如何走出医院”。在不取代医生主体地位、不逾越安全红线的前提下，AI若要真正释放潜能，必须深度参与健康结果的全周期管理，将其触角延伸至更长的时间尺度与更广的治理场景之中。这一转型，必然伴随着责任边界的穿透与重组、支付机制的渐进式调整，以及多主体协同的健康治理结构的成形。

在这一关键的窗口期，政策的核心使命不在于为特定技术路线背书，而在于为新型责任配置与商业模式预留充足的制度弹性和试验空间。只要结果导向的AI模式被允许在实践中试点、评估与纠偏，AI就有可能完成从“增效降本工具”向“风险管理与结果优化助手”的身份转变，从医院内部的软硬件升级进化为健康治理体系的有机组成部分。

归根结底，真正决定AI医疗未来走向的，并非算法的精进速度，而是制度是否具备包容技术创新并驱动范式变革的能力。

（作者赵付春系上海社会科学院信息研究所数字经济研究室主任，副研究员，博士）

来源：赵付春