摘要：本文围绕AI在医疗领域的应用争议展开，核心观点包括：复旦大学附属华山医院感染科主任张文宏对AI接入医院电子病历系统持审慎态度，担忧年轻医生过度依赖AI会削弱其临床判断力的培养，并指出AI生成内容存在错误风险。另一方面，实践显示AI工具（如临床决策支持系统CDSS、智能病历生成）在三级医院能提升医生15%-20%的工作效率，并优化工作流程。此外，数据显示全球有超过2.3亿人使用ChatGPT等工具获取健康建议。文章同时探讨了AI在基层医疗机构的应用潜力与风险，以及行业对未来AI与医生协同模式的展望。
线索：
* 投资机会：
1. 效率工具市场：在三级医院场景下，能无缝集成、切实提升诊疗效率（如病历智能生成与质控、影像报告辅助）的AI工具有明确需求与付费能力，市场稳固。
2. 基层医疗赋能：针对基层医疗机构医生诊断能力不足的痛点，开发高可靠性、强解释性且能辅助培训的AI诊断辅助系统，存在巨大的市场下沉空间。
3. 消费者健康市场：超2.3亿用户使用AI进行健康咨询，表明面向消费者的、提供可靠日常健康管理与分诊建议的AI应用拥有广阔市场，但需严格区分保健与诊疗界限。
4. 医学教育与培训：开发用于医生终身学习、能模拟病例并进行循证逻辑训练的“教培一体化”AI模型，是新兴的增长方向。
5. 数据与算法服务：为医疗机构提供高质量临床数据治理、隐私计算及持续算法优化服务的公司，将伴随AI医疗深化而获得长期价值。
* 投资风险：
1. 临床接受度风险：资深医生对AI的抵触情绪（如不愿共享诊疗数据）可能阻碍医院端产品的落地与效果优化。
2. “自动化偏差”风险：尤其在基层，医生可能因过度信任AI而忽略其错误，导致医疗事故，引发监管收紧与产品责任风险。
3. 技术可靠性风险：AI生成内容的“幻觉”问题在医疗领域后果严重，任何重大误诊案例都可能打击市场信心，影响整个赛道估值。
4. 监管与伦理风险：AI直接面向患者提供诊断建议的模式面临严格的监管审查，政策不确定性高。
5. 商业模式风险：当前部分AI工具缺乏基于院内数据的持续训练能力，可能导致效果瓶颈，影响客户续约与扩张。
正文：
复旦大学附属华山医院感染科主任张文宏近期在一次行业论坛中，对其所在医院电子病历系统引入生成式人工智能（AI）表达了明确的审慎立场，引发了关于AI在医疗领域中角色的广泛讨论。
张文宏的观点主要基于两方面。其一，他在日常使用AI处理海量病历时，常发现AI生成的结果存在错误。其二，他担忧若AI系统能直接生成类似资深医生的诊断结论，将从根本上改变医生的培训路径。年轻医生可能跳过传统的、循序渐进的实践积累过程，导致其缺乏独立判断AI输出对错的能力，长远来看这不仅干扰医生成长，也可能埋下医疗安全隐患。他强调，资深医生的临床鉴别能力在多数情况下仍比AI更准确。
然而，在医疗实践的另一面，AI工具已在部分场景中证明其价值。一项针对30余位三级医院医生的调研显示，超过70%的医生认为与电子病历相关的AI应用最为实用。例如，临床决策支持系统（CDSS）能根据患者检查结果提供诊断建议，智能病历系统能实现实时质控。广东一家三级医院的信息科主任表示，此类工具约能提升医生15%至20%的工作效率。
在放射科等特定科室，AI的应用改写了工作流程。通过将AI内嵌于医学影像归档和通信系统（PACS），可在生成影像的同时初步生成报告，将医生的角色从“书写+审核”转变为以“审核调整”为主，从而解放人力、提升科室运营效率。此外，AI在帮助医生将非结构化报告转化为结构化数据以供科研使用方面，也显著节省了时间。
这些案例呈现了与张文宏担忧有所不同的“人机协同”路径：即AI主要作为初步内容生成与提示工具，而医生承担最终审查与决策的责任。随着大模型发展，其解释性得以增强，能够展示推理逻辑，这在一定程度上降低了医生的审核难度，甚至可能通过纠错过程辅助医生学习。
张文宏的担忧在基层医疗机构中显得更为突出。与三级医院相比，基层医生诊断能力相对不足，当AI生成错误结论时，他们可能既难以识别，也缺乏即时获得资深医生指导的渠道，这可能导致其对AI产生依赖或误用。当前，医疗AI产品正呈现向基层“下沉”的趋势。
针对AI医疗的发展，行业存在不同声音。百川智能创始人王小川提出了不同看法，他认为AI与医生的利益存在不一致性，AI应更直接地服务于患者需求。在全球范围内，AI医疗被视为重要方向。数据显示，有超过2.3亿人使用ChatGPT获取健康建议。OpenAI和Anthropic等公司也推出了健康相关功能，但其定位多为提供日常保健建议、总结健康信息或提升医患沟通效率，而非直接替代医生诊断。特斯拉CEO埃隆·马斯克则更为激进，他曾公开测试其AI产品Grok的医学诊断能力，并认为在诊断准确性上AI终将超越人类。
历史经验提示了相关风险。早在计算机辅助检测（CAD）系统应用于放射科时，研究就发现当系统出现漏标或错标时，医生的检测敏感度会下降，这种现象被称为“自动化偏差”。2020年一项关于皮肤癌检测的研究也表明，当AI给出错误诊断时，经验不足的医生准确率下降更明显。这印证了张文宏关于医生需要足够训练才能有效驾驭AI的观点。
对于普通用户而言，生成式AI在提供健康建议时可能表现出“过度自信”，甚至引用虚构文献，这对缺乏医学背景的用户构成风险。因此，区分AI在疾病治疗与日常健康管理中的不同作用至关重要。前者复杂且高风险，后者则更侧重于信息整合与初步建议。
尽管存在争议与挑战，一个行业共识是，随着高质量临床数据的积累和算法迭代，医疗AI的准确性将持续提升。在医学教育领域，AI已被视为加速医生临床学习速度的工具。市场上已出现教培一体化的AI模型，部分医学院校也开始引入相关课程。
未来，医院、医生与企业可能需要共同探索新的协同模式，以量化AI价值、化解应用矛盾。智能化的趋势已被认为不可逆转，但其与医疗安全、医生成长的平衡仍需在实践中不断摸索。
发布时间：2026-01-15 09:53:25
评论 ( 0 )