《衛(wèi)生健康行業(yè)人工智能應(yīng)用場景參考指引》發(fā)布推動行業(yè)應(yīng)用創(chuàng)新，AI技術(shù)逐步滲透醫(yī)療場景各個環(huán)節(jié)，加速重構(gòu)醫(yī)療健康服務(wù)新范式。

傳統(tǒng)醫(yī)療場景痛點難點分析

（一）資源分布不均與數(shù)字化基礎(chǔ)能力薄弱。一是醫(yī)療資源分布不均導(dǎo)致供給結(jié)構(gòu)性失衡。醫(yī)療資源過度向城市三甲醫(yī)院傾斜，基層醫(yī)療機構(gòu)處于明顯劣勢。2023年，我國基層醫(yī)療機構(gòu)數(shù)量占比94%，但僅提供51.8%診療量。二是醫(yī)院數(shù)字化基礎(chǔ)能力薄弱。2023年87.99%的三級公立醫(yī)院電子病歷處于初級醫(yī)療決策，實現(xiàn)高級醫(yī)療決策的醫(yī)院占比2.36%。

（二）診療效率與質(zhì)量受限。一是患者就醫(yī)流程繁瑣。《全國患者就醫(yī)體驗調(diào)研報告》指出，患者在傳統(tǒng)就醫(yī)過程中，僅排隊掛號平均耗時30分鐘。二是醫(yī)生過度依賴個人經(jīng)驗，導(dǎo)致診斷準(zhǔn)確性參差不齊。《臨床誤診誤治》指出因醫(yī)生經(jīng)驗不足、缺乏對疾病的認(rèn)識而造成的誤診占25%，且當(dāng)前治療與康復(fù)方案多存在個性化不足問題。

（三）疾病預(yù)防與健康管理滯后。一是居民健康素養(yǎng)不足，疾病預(yù)防意識和能力不足。2024年全國居民傳染病防治素養(yǎng)（29.26%）僅為安全急救素養(yǎng)（61.29%）的一半。二是健康管理體系不完善，難以提供連續(xù)、個性化的健康管理服務(wù)。個人健康信息分散在不同系統(tǒng)，無法支持跨時間、跨機構(gòu)的完整健康狀態(tài)追蹤，居民健康的動態(tài)監(jiān)測能力較弱。

人工智能在醫(yī)療場景中的應(yīng)用成效與現(xiàn)存差距分析

（一）人工智能助力醫(yī)療資源均衡與醫(yī)院智能化升級，AI落地應(yīng)用仍存在局限性。一是優(yōu)質(zhì)醫(yī)療資源向基層機構(gòu)下沉。如深睿醫(yī)療多模態(tài)智慧影像大模型能力平臺通過遠(yuǎn)程指導(dǎo)和統(tǒng)一質(zhì)控推動優(yōu)質(zhì)醫(yī)療資源下沉到基層。二是電子病歷等系統(tǒng)實現(xiàn)醫(yī)療數(shù)據(jù)互通，但加劇隱私泄露等風(fēng)險。如華山醫(yī)院AI數(shù)據(jù)集成HIS、影像等數(shù)據(jù)，病灶標(biāo)記時間縮短至10秒，腫瘤治療有效率提升15%。但醫(yī)療AI在推理過程可能不當(dāng)輸出患者的醫(yī)療記錄、身份等隱私數(shù)據(jù)。三是醫(yī)院朝向智能化方向發(fā)展，但發(fā)展水平參差不齊。DeepSeek在30多家三甲醫(yī)院上線，但在基層醫(yī)療機構(gòu)應(yīng)用率低，如某基層醫(yī)療機構(gòu)引入大模型輔助診斷，由于算力不足和數(shù)據(jù)質(zhì)量，輔助診斷準(zhǔn)確率僅為50%，遠(yuǎn)低于預(yù)期。

（二）人工智能賦能醫(yī)療實現(xiàn)流程革新與精準(zhǔn)診療突破，復(fù)雜病癥診斷及個性化方案落地仍需人工判別。一是優(yōu)化醫(yī)療的資源調(diào)度與分配。如深圳市人民醫(yī)院AI預(yù)問診系統(tǒng)縮短候診時長，月均服務(wù)超2萬人次，病歷小結(jié)準(zhǔn)確率達(dá)87%。二是提升診斷穩(wěn)定性與準(zhǔn)確性，但復(fù)雜場景下仍需人工經(jīng)驗輔助。如華為與上海瑞金醫(yī)院聯(lián)合研發(fā)的RuiPath 3.0模型，在病理切片分析中實現(xiàn)98.7%的準(zhǔn)確率。但罕見復(fù)雜病癥仍需醫(yī)生綜合判斷。三是推動治療方案個性化定制，但細(xì)節(jié)落地仍需醫(yī)生優(yōu)化完善。如左醫(yī)GPT等大模型可通過刻畫患者特征，構(gòu)建“千人千面”的患者管理策略，但個性化方案仍需醫(yī)生優(yōu)化細(xì)節(jié)。

（三）人工智能加強疾病預(yù)防與健康監(jiān)測能力，但規(guī)模化應(yīng)用需解決泛化性低和成本高昂問題。一是AI支撐疾病預(yù)警成效顯著，但泛化能力不足等問題制約臨床落地。如衛(wèi)數(shù)數(shù)據(jù)醫(yī)療大模型WeEnable通過分析血常規(guī)數(shù)據(jù)，實現(xiàn)布魯氏菌病91%以上的早篩準(zhǔn)確率。但仍存在模型實際應(yīng)用于不同地區(qū)、不同設(shè)備采集的數(shù)據(jù)時，準(zhǔn)確性下降的問題。二是AI結(jié)合可穿戴設(shè)備實現(xiàn)持續(xù)且個性化健康管理服務(wù)，但設(shè)備成本高制約智設(shè)備普及推廣。如AliveCor公司開發(fā)的KardiaMobile設(shè)備能夠遠(yuǎn)程監(jiān)測心律。及時預(yù)警房顫等問題，但當(dāng)前智能健康監(jiān)測設(shè)備成本高，且大多未納入醫(yī)保，限制規(guī)模化普及。彼得森醫(yī)療中心調(diào)研顯示，農(nóng)村地區(qū)地區(qū)居民使用遠(yuǎn)程生理監(jiān)測的比例比城市低23%，遠(yuǎn)程治療監(jiān)測使用率差距更達(dá)31%。

人工智能+醫(yī)療發(fā)展趨勢預(yù)判

一是從流程優(yōu)化向核心診療環(huán)節(jié)滲透。初期聚焦醫(yī)院管理、醫(yī)保服務(wù)等行政支持，如今加速向動態(tài)健康干預(yù)、實時手術(shù)輔助等臨床主戰(zhàn)場深度拓展。如約翰斯·霍普金斯手術(shù)機器系統(tǒng)通過外科醫(yī)生手術(shù)視頻訓(xùn)練，可自主完成縫合等精細(xì)操作。

二是醫(yī)療AI從單一模態(tài)處理向多模態(tài)融合方向加速發(fā)展。多模態(tài)大模型持續(xù)突破技術(shù)邊界，為醫(yī)療應(yīng)用奠定基礎(chǔ)。如谷歌推出的MedGemma醫(yī)療大模型，即是基于多模態(tài)大模型Gemma3架構(gòu)構(gòu)建，通過無縫結(jié)合醫(yī)學(xué)圖像和文本數(shù)據(jù)的分析，提升醫(yī)療診斷效率。

三是生態(tài)協(xié)同加強推動醫(yī)療AI普惠化發(fā)展。醫(yī)療AI涉及多領(lǐng)域能力，需藥企、AI公司、云公司等各方加強合作，打破數(shù)據(jù)孤島、整合技術(shù)資源。如螞蟻集團(tuán)與華為阿里聯(lián)合推出醫(yī)療大模型一體機，醫(yī)療機構(gòu)可一鍵實現(xiàn)私有化部署，推進(jìn)醫(yī)療AI快速落地。

人工智能+醫(yī)療應(yīng)用發(fā)展的啟示及建議

一是強化技術(shù)攻堅與數(shù)據(jù)底座建設(shè)。鼓勵產(chǎn)學(xué)研聯(lián)合研發(fā)醫(yī)療垂直領(lǐng)域大模型，開發(fā)適配縣域醫(yī)療場景的輕量化醫(yī)療AI模型，降低硬件依賴。建設(shè)國家級醫(yī)療數(shù)據(jù)可信流通平臺，制定統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)與互操作規(guī)范。

二是推進(jìn)高價值場景落地。設(shè)立"AI+醫(yī)療"專項補貼，支持診療關(guān)鍵環(huán)節(jié)的AI應(yīng)用試點，重點突破基層常見病輔助診療、公共衛(wèi)生服務(wù)等場景。

三是構(gòu)建產(chǎn)業(yè)協(xié)同創(chuàng)新生態(tài)。打造常態(tài)化醫(yī)療AI產(chǎn)業(yè)對接平臺，支持組建行業(yè)創(chuàng)新聯(lián)合體，開展聯(lián)合技術(shù)攻關(guān)與市場開拓。完善金融支持、咨詢服務(wù)等產(chǎn)業(yè)配套服務(wù)體系。