01从“演示”到“工具”

说句暴论：现阶段给医院的任何诊疗类智能体，都只是玩具。

先别急着反驳。你一定看到过一些案例：某大模型读片发现漏诊，某 AI 辅助诊断出罕见病，甚至比医生还早发现问题。这些案例是真的，也确实有价值。

但问题是：个案成立，不等于临床可用。

诊疗智能体要从“演示”变成“工具”，至少得过两关：数据关、可靠性关。

很不幸，这两关现在一关都还没真正过去。

这里说的“诊疗类智能体”，不是导诊、不是病历质控、不是患者问答，而是真正进入诊断、治疗建议、临床决策环节的 AI。

判断它是不是玩具，标准很简单：

  • 它能不能进入实时诊疗闭环？
  • 它出了错，责任谁来担？

如果这两个问题都答不好，那它就还只是玩具。

02第一道坎：诊疗数据从哪里来？

这是最基础的问题。模型再强，没有准确、及时的数据，就是空中楼阁。而“数据从哪里来”这件事，远比想象中复杂。

03场景一：实时转写——基本赶不上

实时转写采集，听上去最理想：医生和患者对话，AI 在旁边听，边听边分析。

但现实是，医生在几分钟内就已经形成初步判断。

等转写完成、模型分析完，医生可能已经开完检查、写完了病历。

这时候 AI 给的结果，要么是马后炮，要么根本插不进诊疗流程。

实时这条路，基本走不通。

04场景二：等医生产生数据——链路太长

如果是等医生完成病历、检验、影像之后，再让 AI 分析，那问题就变成：整套数据流程要多久？

医院各自独立的系统，信息化厂商们做过整合后什么时候能传到 AI 里，等 AI 拿到“完整数据”，患者可能已经进入下一个诊疗环节，甚至已经离院。

这不是模型能力问题，而是医疗信息系统的现实问题。

这个链路，目前撑不起实时诊疗。

05场景三：既往病史——看似最可行，但坑最深

最可能落地的方向，其实是读取既往病史。比如现在一些医生版应用已经在做了类似功能。

但院外数据的准确性、完整性、口径一致性，可能比想象中更差。

同一个患者在不同医院的就诊记录，用药记录缺失、检查结果矛盾、基础病史不一致，这些情况太常见了。

AI 如果基于这些数据做判断，或者归纳患者现状，都是在放大既往的噪声，并不能给到医生真正的全貌。

看似最省事，其实是最容易翻车的一步。

所以你看，光“数据从哪里来”这一关，就已经不是模型能力能解决的了。

它需要医院投入大量成本做数据治理、系统对接、流程改造。而在这些没有解决之前，诊疗智能体更像是演示系统，而没法成为真正的临床工具。

06第二道坎：它说对了，你敢信吗？

就算数据问题解决了，还有一个更隐蔽、更致命的问题：可靠性和责任。

07第一层：自动化偏见

看一个很现实的问题：如果智能体初期表现基本符合预期，医生会怎样？

大概率是慢慢不再真正复核。

这不是医生不负责任，而是人性。

但问题在于，医疗场景里，模型的错误往往不会像 ChatGPT 那样明显。

它可能漏掉一个关键病史，可能把罕见病误判为常见病。

当医生习惯了 AI 的“靠谱”，这种错误就会被系统性地放大。

到那时候，AI 不是减少了误诊，而是制造了一种新的误诊类型：看起来很正确，但实际上错了。

08第二层：责任悬空

误诊了，算谁的？

医生可能会说：我是参考了 AI 建议。

医院可能会说：这是厂商算法问题。

厂商可能会说：AI 只是辅助，最终决策在医生。

这种责任链条一模糊，诊疗智能体就很难真正进入临床。

因为医疗系统可以容忍工具不好用，但不能容忍责任说不清。

09第三层：年轻医生怎么办？

我之前和某顶级医院的一位院长交流，他提到一个很少被公开讨论的问题：

如果大量依赖辅助诊断，年轻医生怎么办？

一个医生从住院医成长起来，靠的是大量独立判断、试错、修正。

如果从一入行就习惯看 AI 给出的结论，那他的临床训练就断了。

十年后，AI 可能更强了，但能独立判断的医生反而变少了。

这个问题，比模型准确率严重得多。

所以，可靠性这一关，不只是技术问题，更是人性和制度问题。

它比数据关更难。

10当然，不是全盘否定

这不是说大模型在医疗里没有价值。

它在科研、教学、病历质控、患者教育、报告解读、信息检索这些场景里，确实有用。

但“诊疗类智能体”是另一回事。它要进入的是诊断和治疗的核心决策链。那个地方，对时效、数据、责任、容错率的要求完全不同。

用消费品 AI 的打法去做诊疗 AI，做出来的自然只能是玩具。

11写在最后

所以，现阶段给医院的诊疗类智能体，不是技术不够炫，而是医疗场景太严肃。

它最大的风险，不是不聪明，而是看起来已经足够聪明。

玩具可以在展厅里跑得很漂亮，但别急着把它放进诊疗闭环里。至少现在，它还不够格。

你在临床里用过类似的智能体吗？它给过你惊喜，还是惊吓？欢迎评论区聊聊。