上个月翻到一期 NEJM Catalyst 的专刊，整期主题叫 From Promise to Practice: The Next Era of AI in Health Care——从承诺到实践，医疗AI的下一个时代。我坐在那儿看了大半天，有点感慨，因为这个问题我在自己的工作里已经撞了好几年了。
做了二十年软件和系统，又在儿童健康科技方向泡了十年，我见过的医疗 AI demo 多到记不清了。有些真的做得很漂亮，精度高，界面好，给投资人看完当场鼓掌。但这些东西进了医院之后怎么样，那是另一个故事——很多就安安静静地消失了，没有人提，没有人问，就像从来没有存在过一样。
最开始我以为是技术不行。做了几个实际落地的项目之后才发现，技术其实不是最大的坑。
鞋里的石子
NEJM 这期专刊里，梅奥诊所的首席临床信息官 Edwina Bhaskaran 说了一个我觉得特别贴切的比喻。她把那些"在会议室里设计得很完美、到了临床一线根本没人用"的 AI 工具，叫做"鞋里的石子"（pebbles in the shoe）。不是大问题，不会把你绊倒，就是一直在那硌着，最后人们选择脱鞋——把这个工具彻底放弃掉。
梅奥自己就踩过这个坑。他们上线过一套败血症早期预测的 AI，预测准确率在技术层面完全过关，部署也顺利完成了。但实际发生的事情是：系统报警，医生不知道该做什么，护士没有接受过配套培训，临床流程没有做任何调整来响应这个新工具。于是这个在技术上"算对了"的系统，在实际场景里就这么失效了。不是因为它错了，是因为周围什么都没变，只有它变了。
我们当年做生长发育监测设备的时候也遇到过类似的事。给某地区妇幼保健院接入了一套智能追踪系统，数据精度比传统方式高很多，报告自动生成，省去了不少手工操作。但用了三个月，医生还是照样把数字抄到纸质档案里，还是按原来的流程走。问过之后才知道，系统填完了还得手动录进另一个平台，加在一起反而比原来多花时间。
这就是真实情况。工具本身没问题，流程没跟着动，工具就变成了一个额外的负担。
NEJM 专刊里说得很直接：
"Well-designed tools only drive value when they are thoughtfully integrated into clinical workflows through iterative refinement with operational engagement."
精心设计的工具，只有在通过持续迭代和运营协同、真正融入临床工作流之后，才能产生实际价值。
拆开来说就是：光把产品做好没用，你得把整个工作流程一起改，而且要反复改，不是上线就可以交差的事。
两次看诊之间，那段没人管的时间
这期里有一个案例，我觉得切到了一个很真实但很少被讨论的问题。
Waymark 是一家做社区医疗管理的公司，服务对象是美国 Medicaid 的患者，基本都是病情复杂、经济条件差、慢性病叠着慢性病的人群。他们有一批现场工作人员，每天上门走访，记录情况，写的是非结构化的日常笔记——大意就是"今天去了某某家，他说最近胸口发闷，冰箱里快没吃的了，情绪看起来不太对"这类东西。
以前这些记录就堆在系统里，没有人系统地看，等到下次门诊可能已经是两周之后了，中间发生什么事完全是个黑箱。Waymark 做了一个叫"AI Oracle"的系统，持续分析这些日常记录，主要识别三类信号：需要立即响应的安全红旗、可以提前干预的预防机会，以及每月给团队出一份反馈报告，帮工作人员知道自己哪些地方做对了、哪些地方可以改。
原文说的是：
"The oracle has three functions: (1) to identify urgent safety red flags; (2) to surface opportunities for preventive care; (3) to generate monthly, strengths-based feedback to foster a learning health system."
本质上就是让 AI 守住患者两次就诊之间的空档——而那段时间，偏偏是最危险的，因为没有人在盯着，等出了事才发现已经晚了。
我在想这个逻辑放到国内其实更加紧迫。很多社区卫生服务站，一个医生名下挂了几千个慢病患者，靠人工根本不可能做到日常追踪。但现在国内的数字化医疗建设，大量精力还是花在建档、填表、系统对接上，真正能实时"读懂"患者日常变化的分析能力，基本还是空白。
效率提升了，钱反而少了——这个逻辑得想清楚
斯坦福医学院在这期专刊发了一篇，题目直接得有点意思：Artificial Intelligence in the Clinic: Don't Pay for the Tool, Pay for the Care，别为工具付钱，为医疗结果付钱。
美国的情况是，现有的医保报销体系按时间计费。医生用了 AI，效率提高了，看诊时间短了，结果被扣钱——因为"时间短"本身就意味着报销减少。AI 帮医生省出来的时间，在支付体系里变成了对医生的惩罚，这个逻辑荒谬，但确实是 AI 工具在美国一线诊所推广缓慢的一个真实原因。
国内的纠结方式不太一样，但同样存在。DRG/DIP 按病种付费改革铺开之后，医院从"多做多收"切换到"控成本、控住院天数"，这个时候 AI 辅助诊断和临床路径管理工具才真正开始被认真对待——因为跟院长的 KPI 挂上钩了，能降误诊率，能缩短住院日，这是看得见的数字。
但我发现，很多医院现在买 AI 工具的评价标准还停留在"有没有"这一层，而不是"效果到底怎样"。Gartner 2026 年初的医疗技术成熟度报告里有一个很说明问题的数字：AI 在挂号、导诊这类外围业务的渗透率已经到了 85%，但在重症诊疗、手术规划这类核心业务的实际落地率不足 12%。
容易做的地方已经饱和，难做的地方几乎没有人真正进去。这不完全是技术问题，更多是责任和利益的问题——核心诊疗环节一旦出了事，到底谁来担，这件事说不清楚之前，大家都选择绕着走。
AI 帮你写病历，听起来美好，实际上有点复杂
这期专刊还专门讨论了 Ambient AI Scribe，也就是环境式 AI 听诊记录——AI 实时监听医患对话，自动生成病历，医生问诊时不需要低头敲键盘，可以专心看着病人说话。
美国这边已经有比较成熟的应用了，有医生说文书工作减少了将近七成，而且问诊的感觉明显变了，不再是一边说话一边分心盯着屏幕，交流质量上来了。
国内三甲医院这两年也在做类似的系统，基于语音识别和大模型，能实时剔除闲聊，生成符合 ICD-11 编码标准的结构化电子病历。理论上能把医生 30% 到 40% 的文书时间省出来，听着很诱人。
但北京协和医院信息中心主任周翔说了一个很扎实的观察：医生接诊本来就很紧张，强制推新工具反而增加摩擦；患者那边，很多人其实更倾向于直接跟医生说话，不喜欢提前在平板上填一堆预问诊表格。结果大多数医院的 AI 预问诊使用率不到 20%，投入和效果完全不成比例。
这和"鞋里的石子"说的是同一件事——工具本身不差，但没有真正嵌进实际的使用场景里，最后就变成一个没人主动用的功能，慢慢被遗忘掉。
张文宏那件事，我觉得被误读了
2026 年初，张文宏公开表态反对把 AI 引入医生的病历书写系统，很多人把这理解成"保守"或者"反技术"。我当时看了他具体说的内容，觉得逻辑完全是另一回事。
他担心的是一个很具体的问题：2025 年有行业调研显示，部分实习医生在写病历、做鉴别诊断时，对 AI 生成内容的依赖度已经超过了 60%。这意味着临床思维的训练过程正在被跳过。AI 帮他们省掉了需要自己想、自己推理的环节，表面上效率提升了，实际上是把培养判断力的机会给省掉了。出了问题，责任怎么算，也没有人说清楚。
这不是反对 AI，是在问 AI 应该在哪个位置出现、以什么方式出现。这两件事差很多。
NEJM 专刊的编者 Sara Murray 医生说，AI 未来的方向是：
"reimagining clinical care delivery, while preserving the art and heart of medicine."
重新想象临床医疗的方式，同时保留医学的艺术和温度。
我认为这句话说得很到位。医疗 AI 如果只是把医生变成一个核对 AI 输出的操作员，那从一开始方向就跑偏了，不管技术做得多好都没有意义。
说说我自己的判断
UCSF 的 Bob Wachter 医生在这期专刊里估计，未来五年，10% 到 25% 的临床工作会被自动化，但他同时说，庞大的未被满足的医疗需求会确保对人类医生的持续需求。
这个判断放到国内，我觉得同样成立，而且某种程度上更迫切。中国的医疗资源分布太不均了，三甲医院人满为患，县域医院和乡镇卫生院缺人缺设备缺能力，两端之间的落差大得惊人。在这个背景下，AI 真正应该做的事，不是帮协和的专家再多看几个病人，而是把顶级医院的诊断能力以某种方式往下传——让偏远地方的基层医生在遇到拿不准的情况时，能得到一个靠谱的辅助参考，而不是只能靠自己猜。
这件事如果做到了，才是真正的从承诺到实践，才是医疗 AI 值得花这么多钱、这么多时间去做的理由。
我们离这个目标还有距离。但方向没有错，速度也比以前快了。
原文来源：NEJM Catalyst Innovations in Care Delivery, Vol. 7, No. 3（March 2026 AI Implementation Theme Issue）
原文链接：https://catalyst.nejm.org/toc/catalyst/7/3
