界面资讯记者 | 李科文 黄华
界面资讯编辑 | 谢(xie)欣
界面资讯记者 | 李科文 黄华
界面资讯编辑 | 谢(xie)欣
自DeepSeek再度掀起国内生成(cheng)式AI大模型热潮以来，面向(xiang)C端的个人健(jian)康管理成(cheng)为(wei)国内医疗+AI领域最火(huo)热的应用场景之(zhi)一。
面向(xiang)C端的个人健(jian)康管理医疗+AI，是指利用人工智(zhi)能技术赋能个人用户，实现疾病预防、健(jian)康监测、个性化干预及诊疗辅助的全生命周期管理。其中互联网+医院是该模式最主要的落地场景之(zhi)一。
据(ju)国家卫健(jian)委统计(ji)数据(ju)和公开(kai)数据(ju)，截至2024年9月，我国已(yi)建成(cheng)并(bing)运(yun)营(ying)的互联网医院总数约3340家，涵盖公立(li)医院主导型、企业平台型和民营(ying)专科型等多种(zhong)模式。就在2019年，这个数字(zi)还只有400。
但热潮之(zhi)下也需要沉着，据(ju)第(di)一财经，70%以上(shang)的互联网医院线上(shang)转(zhuan)化率不足1%，意味(wei)着每(mei)100个线下病患，最终转(zhuan)化为(wei)线上(shang)诊疗的不到1个。这一数据(ju)表明，虽然(ran)互联网医疗形(xing)式上(shang)已(yi)初具规模，但普及性和有效性仍是需破(po)解的难题。
“优质医疗资源始终有限，并(bing)非每(mei)一个互联网医院都能成(cheng)为(wei)巨大的流量入口。” 方舟健(jian)客创始人、董事长兼首(shou)席实行官谢(xie)方敏向(xiang)界面资讯表示，用户信任度不足、医患互动障碍、资源分配不均仍是当前(qian)互联网医院发展的三大瓶颈。
线下医患面对面互动的高附加值难以在线上(shang)复现，导致患者对互联网医疗的信任难以建立(li)。因为(wei)互联网医院难以提供足够的安全感和诊疗深(shen)度，许多患者仍然(ran)倾(qing)向(xiang)于线下就诊。
此(ci)外，优质医生资源集中在三甲医院，而互联网平台更多依(yi)赖外部合作医生，导致资源协同能力较弱，诊疗水平受限。这种(zhong)结构性问题使得许多互联网医院难以形(xing)成(cheng)稳定的患者黏性，同时也影(ying)响了医生的参与度和线上(shang)服务质量。
就诊期间的沟通效率低也是一大难题。互联网平台上(shang)的医生互动度效率低，患者难以获得持续、深(shen)度的医疗沟通，最终影(ying)响诊疗效果和患者体验。这种(zhong)局限性不仅降(jiang)低了患者的复购率，也使得医生在互联网医院的积(ji)极性不高，形(xing)成(cheng)了恶性循环。
即截至目前(qian)为(wei)止，生成(cheng)式AI还无法完美(mei)解决(jue)互联网医疗中的所(suo)有痛点。
“整体来看，AI在医疗行业的应用仍在探索阶段，当前(qian)更偏向(xiang)于在‘效率工具’研发上(shang)的探索。AI最主要的价值是提升(sheng)效率，而非替(ti)代(dai)医生。”谢(xie)方敏表示，AI可以承担初步咨询，提高患者的活跃度（月活提升(sheng)），从而促进后续健(jian)康管理、复诊续方等全链条实现闭环。
谢(xie)方敏表示，从多年实践经验来看，80%的医疗咨询存(cun)在重(zhong)复提问，“一直(zhi)回复同样的问题”也变相占(zhan)用了医生大量时间。他(ta)认为(wei)：“接入大模型之(zhi)后，AI医生助理不仅可以更准确识别(bie)语(yu)言歧义(yi)，并(bing)且(qie)可以按照(zhao)医生的问诊逻辑进一步追问，再将问题初筛汇总后交由医生集中处理。”
谢(xie)方敏表示，接到用户问询时，AI医生助手经过(guo)医生准许，会针对患者提出的基础性问题，进行符合专业医学(xue)的解答。尤其是老年慢病患者普遍会存(cun)在重(zhong)复、多次提问的情况，这些老年慢病群体希翼在就医过(guo)程中获得情绪价值的安抚。
利用AI布局和试错的成(cheng)本已(yi)大幅降(jiang)低，很多企愿意主动拥抱AI+医疗寻求(qiu)改变。
“在某些岗(gang)位上(shang)，AI的应用成(cheng)本甚(shen)至远低于雇佣人力。”瑞慈医疗集团首(shou)席技术官王刘程向(xiang)界面资讯表示，目前(qian)，AI在体检行业的应用已(yi)显(xian)著降(jiang)低成(cheng)本，例如，在辅助主检医生校核和整理体检报告结果方面，AI的使用成(cheng)本已(yi)降(jiang)至每(mei)份(fen)低于0.2元。
刘程先容，以超声报告记录(lu)场景为(wei)例，医生手持探头进行超声检查，身旁还需一名非专业医生记录(lu)检查结果。而在AI辅助模式下，医生通过(guo)语(yu)音(yin)转(zhuan)文字(zi)输入，结合AI医疗大模型便可生成(cheng)检查报告，尽管最终仍需医生复核，但整体流程大幅优化。如果每(mei)个体检中心能减少(shao)6至8名相关人员，按照(zhao)100家体检中心估算，意味(wei)着可以节(jie)约600至800人的人力成(cheng)本。
刘程表示，在体检结论的出具过(guo)程中，传统方式主要依(yi)靠人工提取异常(chang)指标（“红色(se)箭头”标注的项目），这一流程至少(shao)涉及三轮医生，包括检查医生、科室(shi)医生、最终审核医生，同时还需不同科室(shi)的信息整合，整体流程较为(wei)繁琐。而AI大模型具备跨科室(shi)、跨检查项目、跨设备的数据(ju)整合能力，例如，某份(fen)体检报告显(xian)示甲胎(tai)蛋白阳性，但肝(gan)脏超声显(xian)示功能正常(chang)，那么肝(gan)脏异常(chang)风险可能不大；但若多项异常(chang)指标叠加，AI便能迅速评估高风险情况，并(bing)建议患者尽快就诊，优化原有的工作模式。
让医生完全接受AI仍存(cun)有顾虑。不少(shao)医生对生成(cheng)式AI的使用仍较为(wei)谨(jin)慎，更多是将其当作搜(sou)索引擎，而非深(shen)度交互的智(zhi)能助手。
谨(jin)慎来源于暂时还无法完全消除(chu)的AI幻(huan)觉。即AI生成(cheng)的信息可能出现偏差(cha)甚(shen)至编造(zao)虚(xu)假(jia)内容。
例如，截至目前(qian)，AI的认知仍停留在“我不知道自己知道什么”的阶段，导致其在医疗场景下偶尔会出现错误或(huo)不可靠的判断，而医学(xue)领域对精准性和可靠性的要求(qiu)极高，任何失误都可能影(ying)响患者安全。这种(zhong)不可控的“幻(huan)觉”使医生对AI的信任度难以建立(li)，尤其是在关键诊断环节(jie)。
据(ju)《文汇报》引用《美(mei)国医学(xue)会杂志》2023年发表的一项随机(ji)临床试验结果，当医生被故意提供带有偏倚的AI诊断建议时，其诊断准确性下降(jiang)了11.3%。即便在影(ying)像分析领域，AI的偏差(cha)也可能影(ying)响医生的最终判断。
方舟健(jian)客技术负责人向(xiang)界面资讯表示，AI幻(huan)觉的产生主要源于两个因素：一是内容缺失，二(er)是训练内容之(zhi)间的歧义(yi)。当AI无法从已(yi)有常识库中找(zhao)到明确的答案，或(huo)者面对相互矛盾的信息时，就可能生成(cheng)不准确甚(shen)至虚(xu)假(jia)的回答。因此(ci)，抑(yi)制AI幻(huan)觉的最佳方式，就是为(wei)模型提供准确、权威的常识。
“目前(qian)，医疗AI仍然(ran)面临高质量数据(ju)的稀缺问题，AI的训练主要依(yi)赖历史病例、影(ying)像数据(ju)、临床研究和医生经验，而数据(ju)质量的差(cha)异可能直(zhi)接影(ying)响AI的可靠性。”该技术负责人表示，其在内部构建了涵盖药品说明书、医学(xue)指南等专业信息的常识库，确保AI的训练内容基于最权威的数据(ju)来源。其还利用大模型对常识库进行反复检查和优化，确保内容的准确性，减少(shao)AI在输出信息时可能出现的不可预测情况。
该技术负责人补(bu)充，除(chu)了数据(ju)质量，优化AI还需要企业对医疗行业和业务逻辑有深(shen)刻理解，才(cai)能构建更精准的算法来真正赋能医疗场景。医疗AI的核心竞争力由两个方面决(jue)定：第(di)一是高质量的常识库，即企业能否整合行业领先的医学(xue)常识、权威指南和临床实践案例，为(wei)AI提供稳定可靠的训练数据(ju)；第(di)二(er)是算法的优化，即AI如何结合企业的业务逻辑，将行业常识与机(ji)器学(xue)习模型深(shen)度融合，使AI的诊断建议更贴合实际临床需求(qiu)。