斯坦福健康 AI 周：在医学 AI 中区分炒作与进展

AI 正在让患者获取知识更加民主化

人工智能已经在患者层面产生最直接的影响，通过平衡获取医学信息的渠道。患者越来越多地使用 AI 工具来导航诊断过程、管理慢性疾病以及为就诊做准备，往往填补了紧张的医疗系统留下的空白。

填补获取渠道的缺口

患者求助于 AI 不仅是为了获取信息，更是为了获得可及性。在医疗提供者稀缺的地区，AI 成为主要的接触点。此外，AI 提供了一个不带评判的环境，让患者感受到自己的担忧被倾听和记住，这与仅有 15 分钟、往往会忽略病史的临床会诊形成鲜明对比。

文化摩擦的风险

知情患者与传统临床文化之间的紧张关系日益加剧。一些临床医生将 AI 赋能的患者视为“挑医生的人”或问题患者，而倡导者则认为知情的患者是诊断错误的解决方案。目标是将关系从权威转变为合作伙伴关系，让患者将自己的数据（来自可穿戴设备和 AI 工具）带给提供者。

加速药物研发和临床试验

AI 正在从理论潜力转向制药行业的具体运营成果，特别是在缩短药物上市时间和成本方面。

制药业的运营成果

真实世界的应用已经显示出显著成效：

• 制造质量：AI 正在大规模使用，以最小化制造现场的质量问题。
• 安全信号检测：在一次案例中，AI 工具在三周内识别出研究第一阶段与第二阶段之间的制造工艺变更——这在几年前是不可想象的——从而拯救了一个药物候选者免于失败。
• 研发时间线：一些组织的目标是将首次人体试验到监管批准的时间缩短 30%。

改造临床试验招募

临床试验入组仍是主要瓶颈。焦点正转向向前线提供者“呈现信息”。通过简化开放试验的发现（例如使用绿色/红色指示器显示站点可用性），系统可以显著提升招募率。长期愿景包括使用 AI 从非结构化电子健康记录数据中识别符合条件的患者，并可能利用历史标准来减少罕见病试验中大规模安慰剂组的需求。

技术基础设施：向混合与代理 AI 转变

医学 AI 的未来正朝着“代理系统”迈进——AI 不仅回答提示，还通过与工具和知识库交互来执行任务。

混合部署模型

由于医疗数据的敏感性以及 Windows 传统系统的普遍存在，分层基础设施正在形成：

1. 通用云：用于广泛的知识和通用 API。
2. 领域专用云/本地：用于将公司深厚领域专长编码为专用代理。
3. 本地/桌面：用于必须置于防火墙后面的核心 IP 和患者敏感数据。

从提示到监控

临床中的 AI 演进正从“提示-响应”模型转向“始终在线”监控系统。代理可以实时感知患者数据的变化并提示临床医生，而不是等待医生去提示计算机。

克服组织与文化约束

尽管技术能力已具备，医疗领域 AI 采纳的主要障碍是文化和结构性的，而非技术性的。

“影子 IT”问题

许多医疗专业人员在个人设备上使用 AI 工具（将笔记本电脑连接到手机），因为机构禁令或缓慢的采购流程在工具的实用性与组织的许可之间制造了鸿沟。这导致出现“影子组织”，生产力提升发生在官方监管之外。

衡量影响与 ROI

量化 AI 的价值困难重重，因为收益往往是碎片化的。组织正在采用两层投资策略：

• 素养投资：小规模项目，不追踪 ROI，目标是提升全体员工的 AI 素养。
• 战略投资：大规模项目，使用强力追踪来衡量时间或成本的具体差异。

人的因素与岗位流失

关于劳动的叙事存在明显分歧。在某些领域，AI 被用于消除行政负担（例如用于临床记录的环境语音技术），让提供者能够在“执业许可的最高层面”工作。而在其他领域，生产力提升被用作裁员的理由，导致公众认为 AI 将带来更多危害而非益处。

摘要

来自医疗、生命科学和产业的领袖们讨论了 AI 如何让患者知识更加民主化、加速药物研发，以及阻碍可规模化影响的文化和结构性障碍。

标题

斯坦福健康 AI 周：在医学 AI 中区分炒作与进展