AI听诊器进了基层,为什么没带来更多早诊?| Lancet 随机实施试验:算法有信号,但真正决定成败的是工作流整合

阅读时间：约5分钟 | 基于Lancet论文《Triple cardiovascular disease detection with an artificial intelligence-enabled stethoscope (TRICORDER) in the UK: a cluster-randomised controlled implementation trial》。

      TRICORDER 做了一件很“落地”的事：不是再拿回顾性数据证明 AI 识别得准不准，而是直接把 AI 听诊器放进英国 NHS 基层门诊，看它能不能帮助更早发现心衰、房颤和瓣膜病。

      设备的动作很简单：门诊听诊时额外记录15 秒单导联 ECG 和心音图，云端返回三类 yes/no 预测。研究纳入 205 家基层诊所、约155 万成年注册患者，是真实世界 cluster-randomised implementation trial。

      结果最耐人寻味的地方在于：总体部署并没有提高主要终点，但在“真正被检查”的人群里，心衰、房颤和瓣膜病的病例发现都出现上升。所以这篇文章真正讲明白的，不是“AI 行不行”，而是：一个看上去有效的 AI 工具，为什么进了医疗系统之后，常常变不成群体级收益。

注：本文配图均根据论文结果重新整理绘制，并非论文原始插图。

01 这篇研究真正想回答什么

      过去很多医疗 AI 论文在回答“模型能不能识别异常”，而 TRICORDER 问的是更难也更现实的问题：如果把一个可在床旁使用的 AI 硬件真正部署进基层门诊，它能不能改变心血管病的早发现？

      这个问题很值钱，因为论文背景说得很直接：心衰、房颤和瓣膜病都常见、可检测、也有治疗机会，但往往发现得太晚。英国 NHS 里，>70% 的心衰是在非计划住院后才被诊断；房颤未被识别会直接累加卒中风险；瓣膜病也常常拖到急诊或晚期路径才暴露出来。

02 它到底怎么做：不是给医生一个分数，而是把新工具塞进日常门诊

      205 家诊所按 1:1 随机分到干预或对照。干预组接受一次 1 小时上手培训，可在常规门诊中酌情使用 AI 听诊器；对照组继续 usual care。关键点在于：设备使用是 discretionary 的，而且并没有和 EHR 真正打通。

图1｜这项试验测的是“部署效果”，不是单次识别准确率。

03 最核心的结果：总体没赢，但‘真正用上’时有信号

      按论文最应该优先相信的intention-to-treat分析，干预组 12 个月内心衰新发诊断率并没有高于对照组：调整后 IRR 0.94（95%CI 0.86–1.02）。房颤和瓣膜病也没有显著差异，分别是 0.98 和 1.00；心衰病例也没有更明显地前移到社区场景。

      但换一个角度看——只看“真正接受过 AI 听诊器检查”的那批人，图景就变了：per-protocol 匹配分析里，心衰 IRR 2.33，房颤 3.45，瓣膜病 1.92，而且诊断时间也更早。

      这组结果不能简单拿来宣称“AI 一定有效”，因为它仍可能受选择偏倚影响。它至少说明两件事：设备本身并不是完全没信号；真正把局部信号放大成群体收益，需要足够高、足够稳定的使用强度。

图2｜真正的问题不是“AI 有没有信号”，而是“信号能不能被工作流放大成系统级收益”。

04 别急着说 AI 没用：算法层面其实并不差

      在12,725 次 AI 听诊器检查里，6,224 次被临床用户标注了患者身份，5,172 次信号质量足够用于算法解释。按这部分真实世界样本看，三组算法的 negative predictive value 都超过 90%：心衰 95%、房颤 96%、瓣膜病 98%。

      但它们的角色并不一样。房颤的PPV 达到 64%；心衰的 PPV 只有 30%，更像“增加警觉”的门诊筛查信号；瓣膜病的 PPV 只有 10%，说明它更适合做结构性杂音提示，而不是单独驱动后续资源消耗。

      AI 结果并不会自动触发下游检查，仍要回到临床判断和 NHS 标准路径。TRICORDER 测的不是“AI 单独诊断”，而是：AI 能不能在真实门诊里增加病例发现，而不被工作流抵消掉。

图3｜负预测值很高，并不自动等于临床已经拿到了人群获益。

05 真正卡住它的，不是模型，而是工作流

      论文把这个现实写得非常清楚。96 家干预诊所里，12 个月后只有 6% 处在高使用强度，15% 中等使用，40% 低使用，另外 40% 基本不用。更极端的是，前 5 家诊所就贡献了 34% 的全部记录，其中 1 家单独占了 19%。

      这说明部署 AI 并不等于 AI 已经进入系统。设备确实被发下去了，也确实做了 12,725 次检查，但没有形成稳定、广覆盖的门诊动作强度，因此最重要的 ITT 结果就不会好看。

      问卷结果也很有启发：用户最希望优先改进的是EHR 集成（61%），甚至还在财务激励（52%）之前；另外，采集足够质量的信号本身也会增加额外操作负担。与 EAGLE 相比，TRICORDER 这类硬件+软件工具如果不嵌进门诊流程，医生就得自己额外多走几步。

图4｜对医疗 AI 来说，工作流 friction 往往比模型分数更决定成败。

06 这篇 Lancet 的边界在哪里

      第一，它最可靠的结果仍是null 的 ITT 主分析；右边那组 per-protocol 信号更像“值得重视的提示”，不是可以盖过主分析的结论。第二，用户问卷响应率只有 15%，而且只有部分检查被完整标注用于患者级分析，所以实施障碍的定量强度仍需更长时间验证。第三，这篇文章没有回答“最终患者结局会不会更好”。它测的是新发诊断、诊断地点和实施障碍，不是死亡、住院、卒中或长期成本效益。第四，论文自己也承认：null result 不是因为算法完全不行，也不是因为样本量不够，而是 adoption intensity 不够。

07 我的判断：这篇文章真正把医疗 AI 的难点讲透了

引用信息:

Mihir A Kelshiker, Patrik Bächtiger, Camille F Petri, Saloni Nakhare, Josephine Mansell, Karanjot Chhatwal, Abdullah Alrumayh, Jahed Zaman, Moulesh Shah, Holly Young, Helena Roy, Melanie T Almonte, Céire Costelloe, Yasmin Razak, Azeem Majeed, James P Howard, Carys Barton, Daniel B Kramer, Carla M Plymen, Nicholas S Peters; Triple cardiovascular disease detection with an artificial intelligence-enabled stethoscope (TRICORDER) in the UK: a cluster-randomised controlled implementation trialLancet (London, England) 2026 Jan 28; doi:10.1016/S0140-6736(25)02156-7