ARTICLE · 1024460
AI医疗诊断工具的保险路径深度研究报告
引言
人工智能（AI）正快速融入医疗诊断领域，从大型语言模型（LLM）辅助的问诊分诊，到医学影像AI读片，再到多模态临床决策支持。这类AI赋能的诊断工具为医疗带来效率和精度提升的同时，也引发了关于风险归属和保险保障的新挑战 。当AI给出错误诊断或建议时，责任应由谁承担？开发者、医疗机构、医生乃至患者各方的法律责任如何划分？目前监管框架和保险机制能否有效覆盖这些新兴风险？本报告将围绕这些问题，对AI医疗诊断工具的技术现状、风险类型、责任归属、保险模式、精算挑战和全球监管实践进行全面探讨，并展望创新的风险转移方案。
一、技术图景与应用场景
AI赋能医疗诊断的工具种类繁多，涵盖文本、影像及多模态数据处理。以下概览当前主要技术类别和典型应用场景：
大型语言模型（LLM）在医疗问诊与分诊：以GPT等LLM为代表的生成式AI能理解患者叙述，辅助初步诊断和分诊建议。例如，英国国家医疗服务体系（NHS）正在试点将聊天机器人用于全科咨询的导航与分流，利用LLM动态追问病情并判断就医紧迫性 。研究显示，某些GPT模型对病例严重程度的判断准确率已与临床医生相当，部分情境下甚至略有胜出 。LLM还能整合多源信息进行分析：例如将患者症状描述、检查结果等输入模型，让其生成可能的诊断清单或后续检查建议。由于LLM可处理文本、语音甚至图像等多模态数据 ，未来有望用作全科医生的智能助手，在院内分诊、远程问诊、健康咨询等场景提供支持。但目前LLM在医疗中的应用多为辅助性质，需要由医生复核把关，其给出的建议也存在“幻觉”（不准确回答）的风险，需要审慎评估。 医学影像AI诊断：这是当前最成熟的AI医疗应用之一 。AI通过深度学习算法分析医学影像（如X光、CT、MRI），自动识别病灶和异常征象，从而辅助放射科和病理科医生的诊断。例如，以色列的Aidoc和印度的Qure.ai均开发了放射影像AI系统：Aidoc的产品已获得FDA多项510(k)批准，包括用于脑出血、肺栓塞等急症的CT影像筛查；Qure.ai的胸部X光和头部CT出血检测算法也取得FDA许可，用于协助急诊放射诊断 。在病理领域，PathAI、Paige等公司推出的AI可以在数字病理切片中识别肿瘤细胞、计算指标，2021年Paige的前列腺癌检测AI成为首批获FDA批准的数字病理辅助诊断软件之一。这些影像与病理AI通常作为“CADx”（Computer-Aided Diagnosis）工具，提示可疑区域供医生参考，提高检出率并减少漏诊。不过监管上这类AI多被视为医疗器械软件（SaMD），需经过严格验证方可临床使用 。 多模态AI诊断与综合决策支持：新一代AI模型正尝试融合多种医疗数据源，实现更全面的智能诊断。例如有研究将电子健康记录（EHR）中的病史、化验结果与医学影像结合，用多模态深度学习模型预测疾病风险 。大型“通用医疗AI”（generalist medical AI, GMAI）概念也在兴起，即训练能同时处理文本、图像、波形等多模态数据的基础模型，用于多任务的诊断决策 。在实践中，这类多模态AI可用于综合会诊场景：如肿瘤病例的AI决策支持系统，综合病理切片、基因检测和影像结果，提出分期和治疗建议。不过目前多模态AI大多处于研发或试点阶段，模型复杂度高且难以解释，对数据质量和互联互通要求也很高 。未来随着医院信息化发展，结合可穿戴设备数据和实时监护数据的AI，也可能用于慢病管理和院外监测等。 部署环境多样化：AI诊断工具可根据应用场景部署在不同环境： 医院内部署：包括与PACS/RIS系统集成的影像AI服务器，或嵌入电子病历的临床决策支持插件。在院内使用时，AI通常作为辅助工具给医务人员提供建议，不直接面向患者。 云端SaaS模式：许多AI医疗软件采用云服务，由医院将数据上传至云端AI平台进行分析，再返回结果。例如一些放射科AI公司提供在线服务，基层医院将片子上传即可获得AI判读报告。这种模式方便升级迭代，但涉及医疗数据传输安全和合规问题。 个人终端/移动应用：面向公众的健康AI应用，如症状自查APP、皮肤病变识别APP等，让患者在家即可获得初步健康建议。典型例子如Ada Health、平安好医生等推出的问诊聊天机器人，或用于皮肤癌筛查的拍照AI。移动端应用因使用便捷，有助于居家护理和远程医疗，但其准确性和安全性需审慎监管，一般被定位为健康管理辅导而非正式诊断。 可穿戴及物联网设备：一些AI算法嵌入可穿戴医疗设备中，实现实时监测与预警。例如智能手表的心电AI分析，可提示房颤等异常；家庭监测设备中的AI可以结合物联网，在异常时通知医生。此类应用连接医院的远程医疗平台，拓展了居家照护场景。
综上，AI医疗诊断工具正呈现多样化、跨场景的发展态势。从急性病院内急诊（如AI读片筛查脑卒中）、到基层全科和家庭场景（如智能分诊、可穿戴监测），AI的身影日益普遍。然而，不同技术和场景下，其定位也不同：有的是医生决策的辅助，不具备自主决策权；也有一些完全自动化的判读（如放射AI自动出具报告）正逐步兴起。这为风险管理和责任划分带来了挑战，下文将详细分析这些风险类型。
二、风险类型与责任归属
AI参与医疗诊断引入了新的差错路径和复杂的责任归属难题。本章从误差来源、人机交互、法律责任链等方面解析AI诊断的风险类型及责任归属模式。
1. 常见错误路径：
AI诊断工具可能出现多种类型的错误：
假阳性/假阴性: 模型可能错将健康当作疾病（假阳性）或漏诊真正病变（假阴性）。例如肺结节检测AI漏掉细小结节，或将正常组织误判为肿瘤。假阴性会导致延误诊治，假阳性则引发不必要检查甚至治疗。 诊断不当/误导: AI给出的结论偏离真实情况。例如LLM根据症状生成了错误的可能诊断清单，或影像AI对伪影产生误判。这类“AI误诊”会直接影响临床决策，若医生过度依赖AI则可能采纳错误建议 。 过度依赖与自动化偏见: 人员在有AI辅助时可能产生自动化偏见，过分信任AI结论而忽略自身判断。一项国内三甲医院测试显示，当医生过度依赖AI生成的诊断建议时，其误诊率比纯人工诊断高出12个百分点 。由此可见，AI的存在可能让部分医生放松警惕，未对AI输出进行充分审查，从而放大了AI错误的影响。 算法局限与黑箱: 许多AI模型属于“黑箱”，难以解释其给出结论的具体原因 。对于深度学习模型，如果其训练数据有偏差（如种族、人群数据不均衡）会导致系统性误差。在现实中，算法可能对某些少见病例或边缘特征表现不佳，甚至出现训练数据中没有的新错误。这些不可预见的行为增加了风险管理难度 。 交互和使用不当: 人为因素仍是重要环节。如果医务人员不熟悉AI系统界面、误操作，或忽视AI警示信息，都可能酿成差错。另外，AI应用需要正确的输入数据，若患者或护士录入信息有误，AI输出也会随之错误。
2. 复杂因果与多方过失：
传统医疗纠纷中，因果链相对清晰——例如外科医生操作失误导致并发症。但在AI辅助诊断中，因果关系变得复杂 ：
多重因果链：一次误诊可能由人机交互的多个环节共同导致。例如：AI算法本身存在缺陷 + 医生疏于复核 + 医院培训不足，三方面合力酿成误诊。正如研究者所指出，医疗AI差错往往涉及多个主体、多环节共同作用，而“算法黑箱”使得具体因果难以厘清 。北京的一项分析总结了可能的原因链：模型缺陷、数据偏倚、开发商过失、使用者失误、黑客入侵、医生判断失误等共同作用，都可能出现在同一案例中 。因此确定单一过错方极为困难。 人机责任交织：AI决策通常由人在末端进行审核。例如影像AI提示某片异常但医生忽略；或者AI未警示而医生也未发现问题。若发生漏诊，是AI的错（没提示）还是医生的错（没看出）？这种交织责任很难简单归类为产品责任或医疗过失的一方。 的实证研究表明，外科医生普遍认为即便用了AI，他们仍负最终责任，但也有部分意见提出：如果医生完全按照AI建议行事，责任应当共同承担。现实案例也开始出现共享责任的雏形——据公开报道，2024某地一位患者因AI误诊延误治疗，法院判决医院承担70%责任，AI供应商承担30% 。虽然尚未见该案的正式文书，但它反映了司法实践中可能采用的按过错比例分担模式。 过失推定与举证困难：由于AI的复杂性，患者一方在举证时困难更大，这在一定程度上促使立法、司法探索过失推定原则。例如欧盟最新修订的《产品责任指令》（PLD）中，引入了有利于原告的举证减负规则：若原告能提出AI产品可能有缺陷的合理依据，法院可要求被告披露相关证据，否则将推定产品有缺陷 。对患者而言，这是降低维权门槛；但对制造商来说，意味着需要准备充分的透明度来反驳推定，否则易被判定有过失 。美国方面，目前仍依据现有侵权法，多种理论并存（医疗过失、产品责任并行） 。由于医学AI横跨药械产品和医疗服务，其纠纷可能既被视作医疗事故又被视作产品缺陷，需要在不同法律路径下针对不同主体追责 。
3. 责任主体光谱：
AI诊断工具引入后，医疗决策由开发商→医院IT部门→临床医生→患者多个环节共同完成，相应地可能承担责任的主体包括：
AI开发者/厂商：如果AI算法存在设计缺陷、训练不足，或未提供必要的警示说明，导致患者受害，开发商可能因产品缺陷或警示不充分而被索赔 。例如2021年飞利浦呼吸机因材料缺陷召回时，尽管医生推荐患者使用该设备，最终厂商仍因产品设计缺陷担责 。类似地，若AI软件作为医疗器械，通过510(k)或De Novo途径上市，则可参照产品责任起诉制造商，指控其设计缺陷或未充分警示潜在风险 。目前已有案例在测试这方面的边界：如Dickson诉Dexcom案（2024）中，法院讨论了厂商能否以FDA的授权来阻止广泛的人身伤害索赔 。虽然该案不涉及AI，但其结果可能影响未来AI医疗设备的责任认定。 医疗机构及其IT部门：医院作为AI系统的部署者，有责任确保所引入工具经过充分验证、医务人员经过培训，并制定使用规范 。如果医院未尽审查和管理义务，例如引入了未经审批的AI或未能监控AI性能，导致患者受损，医院可能被认定存在管理过失。在中国，《民法典》第1218条明确：患者在诊疗中受损，医疗机构或其医务人员有过错的，由医疗机构承担赔偿责任 。因此如果医生因AI误导出了错，患者仍可向医院索赔，再由医院向有过失的厂商追偿 。另外医院与供应商签订的合同中，通常包含质量保证和免责条款，这些合同可在诉讼前就转移或分担部分风险 。例如医院可能要求AI厂商对其产品导致的第三方索赔进行赔偿（indemnify），在合同上提前分摊责任。 执业医师：医生是最终做出诊断决策的人，在法律上通常被视为“训练有素的中间人”（learned intermediary）。根据这一原则，医疗产品制造商向医生充分告知风险后，医生作为中介对患者承担主要责任。在AI情境下，美国许多地区沿用该原则，认为医生应对使用AI的诊疗结果负责，厂商则因有医生介入而减轻直接责任 。正如一位法律专家所言：“现阶段医生和医院仍承担主要责任，厂商处于相对受保护的法律地位” 。这使医生实际上成为AI决策的“责任蓄水池” ，即使AI出了错，医生往往要担起大部分职责。然而这引发公平性争议——医生或许并不了解AI内部机制，却要为其错误埋单。有鉴于此，一些专家呼吁建立更公平的责任分担机制，以免挫伤医生采用AI的积极性 。 患者/终端用户：一般情况下，患者是医疗服务的接受方，不承担诊疗过失责任。但随着个人健康AI应用增多，如果患者不当操作或忽视AI建议导致不良后果，责任认定可能出现争议。例如患者使用AI健康App得到紧急就医建议却自行延误，后果谁担？目前法律尚未明确这一情形，大多仍归责于医疗提供方未尽到充分告知义务。
4. 中介责任原则的适用：
值得一提的是“贤明中介原则（learned intermediary doctrine）”在AI医疗中的作用。该原则传统上用于药品和医疗器械：制造商通过医生向患者传达风险，从而医生作为中介承担告知义务，患者无法直接以告知不充分起诉厂商。在AI场景下，这意味着：只要AI作为处方式的工具需由医生决策使用，那么厂商对患者无直接义务，医生承担首要责任 。很多AI厂商也强调其产品仅作“医生助手”，责任由使用者自行判断承担 。这种安排在一定程度上保护了开发商，但也可能在患者受害时引发不公。美国有学者指出，由于该原则，AI制造商可规避很多责任，医生却成了“责任靶心” 。欧盟方面，则在探讨是否需要突破这一传统。例如如果AI与医生共同导致损害，是否应承认医生或医院的严格责任（无需证明过失）也是悬而未决的问题 。总的来看，各法域对于AI医疗的责任主体和归责原则仍在摸索调整中，共识尚未完全形成。
综上所述，AI医疗诊断的责任归属呈层层分布、动态演化的特点。目前现实中往往还是医生和医疗机构承担主要风险 。生产商的责任多限于产品缺陷明确情形，且可通过医生中介有所缓冲。然而随着AI自主性提高和法规完善，可能出现更多元的责任分担框架，例如开发商购买责任险、医院和厂商共同参保、建立专门赔偿基金等（下文讨论）。这种多层次责任共担框架正在成为业界和监管讨论的焦点。
三、保险路径与风险转移模式
面对AI医疗诊断带来的新型风险，各类保险机制正尝试填补保障空白。传统的执业责任险和产品责任险需要调整条款以覆盖AI相关风险，同时也出现了多方共保、再保险等创新模式来分散高额不确定风险。本章分析当前的保险安排及其演进趋势。
1. 医师执业责任险中的AI责任：
医生和医疗机构通常通过医疗执业责任保险（即医疗事故/医疗过失险）来覆盖因诊疗过失导致的赔偿责任。对于AI造成的事故，此类保险是否赔付取决于保单条款。目前许多医疗责任险尚未明确提及AI，但保险业已开始有所动作：
现状：有限排除 – 领先的医疗责任险提供商之一The Doctors Company表示，他们目前对AI并无责任除外条款，如果医生在诊疗中使用AI出了问题，保险仍会像平常一样给予抗辩和赔付 。这一立场显示出对被保险医师的支持，也体现保险人尚未将AI视为需特别除外的高危活动。然而另一方面，一些保险公司已在酝酿条款调整。例如有保险高管指出，某些保险人正推出附加条款（rider），针对高度依赖AI工具的医疗实践限定责任范围 。这些附加条款可能规定：只有使用经FDA批准的AI工具产生的责任才在承保范围，超出适应症或试验性质的AI使用不保 。欧洲市场上也出现了类似趋势——虽然尚不普遍，但部分保险人在承保时会要求医院证明AI工具经过验证、有充分监管，并可能对未经验证或“离谱使用”的AI设定责任分摊、自付额上调或保额下调等条件 。总体而言，执业险对AI的态度正从被动涵盖转向谨慎承保：即在保障医师的同时，通过更严格的承保审核和条件，鼓励被保险人规范使用AI。 争议：责任险边界 – 如果AI被视为医疗决策的一部分，则执业责任险理应覆盖相关赔偿；但若AI更类似独立产品导致患者受损，可能属于产品责任范畴，不在执业险赔付范围内 。举例来说，医生使用FDA批准的影像AI辅助判读，但AI漏诊了明显肿瘤。患者起诉时可能同时起诉医生（医疗过失）和厂商（产品缺陷）。医生的执业险会理赔其应付部分，但厂商的责任需要产品责任险承担（见下）。然而在一些情况下边界模糊：如AI是医院IT系统的一部分，发生故障误导医生，保险公司可能争论这是设备问题不属医师责任险理赔范围。因此未来保单需要更明确定义AI相关事件的承保边界，以避免理赔争议。
2. 产品责任险：
作为医疗器械的软件：许多AI诊断软件经过监管认证，被归类为医疗器械（SaMD）。对于这类AI医疗产品，其制造商通常会投保产品责任保险，以覆盖因产品缺陷、设计不当导致第三方人身伤害或财产损失的赔偿。关键点包括：
承保范围 – 产品责任险传统上涵盖产品缺陷造成的损害，无须证明厂家过失（严格责任）。在AI情境下，如果患者因为AI软件的缺陷（例如算法漏洞、训练错误）受到伤害，可主张产品责任。新版欧盟《产品责任指令》（2024年修订版）已明确将软件纳入“产品”定义，包括独立软件和作为产品组件的软件 。这意味着AI诊断软件无论作为独立应用还是嵌入设备，一旦出现安全问题，都可按照产品责任要求厂商赔偿。此外，新指令扩大了责任主体，进口商、分销商、授权代表乃至对产品实质改造的第三方都可能被视为责任方 。这在国际合作开发AI产品的背景下非常重要，例如一款AI由国外开发、国内代理销售，代理商也可能被连带追偿。 缺陷认定和举证 – 新指令提供了两种产品“缺陷”认定标准：(1)未达到公众合理安全期待；(2)未达到欧盟或本国法律要求的安全水平 。后者尤其切合AI医疗产品，因为AI Act和MDR等法规对高风险AI系统有明确要求。如果AI产品没做到这些（如缺少人机接口警告、数据集有偏而违规），即可被认定为有缺陷 。举证方面，欧盟引入了推定：当AI产品具有黑箱特性导致举证困难时，法院可在特定情形下推定缺陷和因果存在，除非厂商拿出反证 。这一制度降低了受害人举证负担，增加了厂商在产品责任险下的理赔概率。保险人因此需要关注AI产品的合规程度：如果产品严格符合法规要求，保险公司在理赔时也许能援引合规作为抗辩；反之，不合规将直接触发责任且难以抗辩 。这促使保险人在承保AI厂商时，更加审查其监管合规和质量体系，以决定费率和是否承保。 保额与费率挑战– AI医疗产品可能造成的损害严重程度难以预料，而且有群体索赔风险（如系统性错误影响大批患者）。传统医疗器械如药物出现缺陷可能导致集体诉讼，AI软件亦然。保险人在为AI厂商提供产品责任险时，必须考虑尾部风险（tail risk）：如果某算法在几年内广泛使用，后来发现系统性误诊风险，累积索赔可能非常高 。然而缺乏历史数据，难以精算。正如分析指出的：“AI责任风险在传统精算方法下根本不可量化，没有历史赔付数据，没有明确法律先例，也没有清晰的因果框架” 。许多大型保险公司目前对AI公司的大额责任保单裹足不前，甚至不愿报价 。他们担心的并非赔偿额本身，而是不确定性。在这种情况下，产品责任险的费率往往会较高且附带严格条件，比如要求厂商定期提交模型监测报告，或者设定总赔偿限额来控制风险。部分高风险AI（如完全自主诊断系统）可能只能通过专项共保或政府支持的方案承保（下述）。
3. 多方共保与责任分层的新模式：
鉴于AI医疗风险涉及多主体，一些共保（co-insurance）或分层保险的模型正受到关注：
风险共担保险池：有学者建议建立由临床医生与AI厂商共同出资的风险池，采用精算模型分担AI相关的事故赔付 。具体做法可能是医生和AI供应商各自投保一定限额，当发生AI相关误诊诉讼时，由该保险计划按约定比例赔付。例如，如果责任认定医生和厂商都有过错，则赔付由他们共同参与的保险池承担，从而避免单一方负担过重。这种“医+产共保”方案需要精算数据支撑，但目前仍处于提案阶段 。截至目前，还没有已实施的专门AI医疗风险共担保险计划，临床上主要还是医生用自己的执业险，厂商用产品险，各赔各的 。然而，这一思路为未来提供了方向：通过制度设计让各方“有皮下注”（skin in the game），共同维护AI安全。 三方协议与联合承保：在实践中，医院-厂商-保险公司可能签订三方协议，明确各自保险的衔接与赔偿顺序。这类似大型工程保险中的多方参与保单。例如一家医院引入AI系统，可以与供应商以及保险人达成协议：由保险公司推出一份综合保单，同时列被保险人包括医院和AI公司，两者的责任在保单下均有保障。这种联合保单形式可以减少相互推诿，但设计复杂，承保时需要明确约定每一方的赔偿触发条件和限额。目前鲜有公开报道的具体案例，但有迹象表明保险业在探索。例如英国有建议称，NHS应制定清晰的责任协议和风险分担机制，一些AI公司已经为其算法决策提供了自行购买的责任保险/赔偿保证，以承诺如因其建议出错将进行赔偿 。这相当于厂商主动加入了医院的责任体系，为医生和患者吃下“定心丸”。 层级责任保险：另一个概念是按AI自主程度划分责任层级。对于“完全自主AI诊断”（无医生参与决策）的情况，可要求AI提供方承担主要责任并投保相应保险；而对于“医生监督下AI辅助”模式，则主要由医疗方责任险覆盖。比如有法律意见主张：“当AI属于自主决策时，其开发者应承担责任并购买医疗责任保险；若AI仅辅助，医生仍负全责。” 。这体现了一种按技术自治级别分层的保险思路。实践上，随着高度自动化AI出现，监管者可能强制要求开发商投保一定额度的责任险，正如自动驾驶汽车公司需要提供责任保障一样。 再保险与风险分散：AI医疗的赔付不确定性也促使原保险公司寻求再保险支撑。全球再保险巨头慕尼黑再保险（Munich Re）已推出“aiSure”方案，为AI公司提供性能保障保险和责任风险分散 。例如，一家AI厂商向客户（医院）承诺其模型达到某精度，并愿意对因模型错误导致的损失进行赔付。这实质上是厂商提供的性能质保，而慕尼黑再通过aiSure为厂商的此类质保提供保险支持 。若模型未达到性能导致客户损失，厂商履行赔付后由再保险承担赔款 。这种模式将AI风险通过保险契约向上游转移给全球资本市场，有利于降低单个机构的风险暴露。此外，再保险公司也可以建立风险共担联盟，汇集多家保险公司的AI责任险，共同分担大额索赔，以防止单一保险人承受灾难性损失。
4. 低频高损风险的应对：
AI医疗事故可能属于低发生率但高损害的事件（例如罕见的大规模算法错误）。传统保险基于大量同质风险计算费率，对这种新型风险缺少数据。应对之道包括：
建立数据库和行业基准：保险业界和监管可合作收集AI医疗差错的数据，建立损失事件数据库。这包括事故类型、原因、损害程度、法律处理结果等信息。基于此可初步评估频率和严重度，并制定行业承保指引（如要求一定测试验证方可承保等）。 精算模拟与情景分析：在无足够历史数据时，采用情景仿真和合成数据进行风险建模。例如由精算师与临床专家设定一系列可能事故场景（轻微误诊、重大误诊、系统性失灵等），估计各自损失金额和概率，以推演最坏损失。这种压力测试方法已被一些保险公司用来衡量网络风险，在AI领域也可借鉴 。通过模拟，可以确定所需偿付能力资本和再保安排，从而设定合适的保额上限及自留额。 分级承保策略：根据AI工具的不同风险等级采取差异化承保。保险人可能建立风险分级标准，考虑因素如：AI是否经过严格审批？用途是否关键（辅助决策vs自动诊断）？有无人工监督？有没有成熟对比基准？例如对于FDA批准且有临床验证的AI，视为低风险，可正常承保；对于未经审批的新型AI，则可能在保单中明确除外或要求特别批核。同时，保险人也关注AI的使用环境：在大医院有完备监管的，比起直接to C的AI应用风险低。通过分级，保险公司能够控制风险敞口并引导安全实践。 动态保单和续保调整：由于AI技术演进快，保险可采用短期保单（如一年期）并在续保时根据最新风险状况调整费率和条件。例如某保险条款约定：若被保险医院发生AI相关不良事件，次年续保费率上浮或条件收紧。这类似车辆保险根据出险调整费率的做法。欧洲已有保险人表态，保留在发生不良事件后重新检视条款的权利 。这种动态调整机制促使用户保持审慎使用AI，否则保费成本会提高。 政府与行业基金：对于极端灾难性风险，政府可能需要介入提供最后保险人角色。例如探讨建立国家医疗AI事故基金，类似一些国家的疫苗伤害赔偿基金。当AI导致严重群体性损害时，由基金先行赔付受害者，再调查归责各方。这在目前尚无定论，但从公共政策角度看，若AI诊疗要大范围推广，适当的兜底机制有助于解除医院和患者的后顾之忧。
综上，保险业正逐步适应AI医疗所带来的风险版图重绘。从医疗责任险主动纳入AI风险，到产品险扩展涵盖软件缺陷，再到多方共保、再保险创新模式，目标都是在保证AI持续发展的同时，为可能出现的失误建立金融缓冲。目前还没有统一的最佳模式，各种方案都在探索中。监管和行业协会的指导也很关键，例如精算师协会可以制定AI医疗风险的评估指引，保险监管部门可以鼓励试点创新保险产品。在未来，分层多元的责任保险框架可能会成为常态：医生有执业险、医院有综合险、厂商有人身伤害产品险，再通过合同与行业协议进行衔接，共同构建起严密的风险转移网络。
四、承保与精算挑战
AI医疗诊断的引入给保险承保和精算评估带来前所未有的挑战。在缺乏历史数据、法律标准未明的情况下，保险公司如何评估和定价AI相关风险？本章讨论精算层面的难题和应对。
1. 风险评估难点：无经验数据
– 保险定价历来依赖历史损失数据和概率统计。然而对于AI医疗责任：“几乎没有可供精算的历史前例” 。截至2025年，AI误诊导致的大额赔付案例凤毛麟角，许多潜在风险尚停留在理论。当OpenAI、Anthropic等AI公司向保险市场寻求巨额责任险时，保险公司罕见地选择拒绝报价，因为无从计算保费 。正如分析指出的，保险人并非怕赔不起，而是“AI责任的不可测性”在传统精算模型下无解 。没有足够的大数法则支撑，一切定价都显得武断。对此保险公司倾向于采取观望或保守策略：要么干脆不保，要么报出极高费率和低限额以覆盖不确定性。这给希望落地AI的医疗从业者带来困难：如果买不到保险，一些AI项目无法进入临床（因为医院/医师可能拒绝无保险覆盖的风险）。因此，这一精算难题也成为AI医疗产业化的掣肘之一 。
2. 标准缺失与因果不清
– 传统保险事件（如车祸、手术事故）往往有明确的因果链，从而可定义责任和损失分布。但AI医疗事故的因果关系前述非常复杂 。精算师建模时，需要明确风险因素和暴露单位。例如汽车险按司机和行驶里程计算风险，但AI误诊风险按什么衡量？按使用次数、患者数量，还是按算法类型？目前没有行业统一标准。另外，缺乏责任判例也让损失分布难以估计：法院会判多少赔偿？责任主要判给谁？这些尚在演变。例如一旦法院开始对AI产品适用严格责任并高额判赔，保险索赔的严峻性将上升。然而现在裁决少，保险公司只能猜测最坏情形。欧美在研拟新的法律框架时，保险行业也在紧密关注，因为法律规则直接影响理赔概率 。可以说，保险精算正处于无法从统计推断，只能从法律和技术趋势推断的状态，这是非常不确定的基础。
3. 承保审核要点
– 在承保AI医疗风险时，保险公司越来越注重风险管理审核：
监管审批状态：产品是否经过FDA、NMPA、CE认证等？正如前文提到，有些保险人限定承保FDA批准用途 。审批相当于第三方质量背书，没有审批则视为高风险，不予覆盖或收取更高保费。 性能验证数据：保险人可能要求申请保险的AI厂商/医院提供临床验证结果、模型准确率等数据，以及独立测试报告。如果一款AI能证明误诊率远低于人类平均水平，保险人会更安心，甚至可能给出较优惠费率鼓励这类降低整体风险的技术。 人机协同流程：承保医责险时，保险公司现在会询问医院：是否有AI使用的规范流程？医生培训如何？有没有双重审核机制？欧洲一些保险人已将此作为承保和费率调整依据 。完善的治理和监督可降低事故率，因此保险公司可能将AI治理水平纳入核保评分。 合同与免责安排：如医院和AI供应商有明确的责任合同（indemnification agreement），保险人也会参考。这决定了如果出事故，有没有别的方会分摊赔偿。比如供应商已经同意承担由于算法错误导致的部分赔偿，则医责险保险人实际风险降低。 网络安全措施：AI系统涉及数据和联网风险，保险人关注是否有良好网络安全和数据保护。因为黑客攻击AI或数据泄露也可能引发责任（如隐私诉讼、篡改算法导致诊断错误）。这类风险甚至可能由网络保险提供保障，但如果没有单独购买，医责险保险人也会介意。 创新应用 vs 常规应用：保险审核还会考量AI用途的新颖程度。如果某医院参与前沿AI临床试验项目，风险较难评估，保险人可能要求特别批注或干脆除外。而广泛使用、久经考验的AI（如常见影像AI）更易被接受。保险人可能建立风险类别表，例如将AI应用分为I类（成熟辅助工具）、II类（新辅助功能）、III类（自主决策）等，逐级提高核保要求。
4. 精算展望：建立评估框架
– 长远看，保险业需要开发新的精算和风险评估方法来适应AI医疗：
多学科团队评估：精算师需要与临床专家、数据科学家合作理解AI风险。本就是复杂的跨领域问题，仅凭传统精算经验不够。许多保险公司已成立内部AI风险评估小组，成员包括医学和法律顾问，对承保案例逐一评估。这类似再保险对大型项目的逐案审核，短期内或许是必要的过渡手段。 指标和指标：行业可能推行一些关键风险指标（KRI）用于监控AI风险，比如：AI参与诊断的病例数量占比、AI建议被推翻的比例、发生AI相关投诉/不良事件的频度等。如果这些数据能标准化上报，保险人可以积累用于费率调整。例如如果某院AI参与率很高但事故率仍低，可反映良好风控，给予优惠。 保险科技运用：保险公司也在利用AI技术反过来帮助精算。例如用机器学习模型分析医院的大量电子病历和AI使用数据，寻找潜在风险信号；或用自然语言处理扫描事故报告、诉讼文书，提取有用信息评估责任归属和赔偿金额。这些InsurTech手段可以一定程度弥补人类精算师对海量复杂数据处理的不足，提高定价的科学性 。但也有局限，毕竟AI模型本身也可能看不出真正的黑天鹅事件。 动态调整的精算模型：未来精算模型需要更高的敏捷性，及时反映技术与法规变化。例如欧盟如果突然立法引入AI强制保险或严格责任，那精算假设要立即调整。精算师可能要在模型中加入“情景开关”，模拟不同法律框架下的赔付分布。另外，与其依赖固定的损失分布，不如强调极值理论，关注最大可能损失。如果极端损失不可承受，保险公司会通过共保和再保化解，而非简单提高保费。
总之，承保与精算领域正面对AI医疗带来的范式转变：从过去基于经验数据的小幅渐进，变为前瞻未来不确定性的大胆假设。保险行业正在从“经验驱动”向“情景驱动”过渡，以适应AI的快速发展。不确定性虽无法彻底消除，但通过严谨的风控审核和灵活的模型迭代，保险人可以逐步积累信心，为AI医疗创新保驾护航。
五、全球监管与法律框架
各国监管机构正积极应对AI医疗的兴起，试图在鼓励创新与保障安全之间取得平衡。本章聚焦美国、欧盟、中国、日本等主要法域的监管模式与责任法律框架，以及这些制度对保险和责任分配的影响。
1. 美国：FDA审批与产品全生命周期监管
美国对AI医疗诊断工具的监管主要由食品药品监督管理局（FDA）负责，将其纳入医疗器械监管体系中的软件即医疗器械（SaMD）范畴。关键要点如下：
许可路径：AI诊断软件通常通过FDA的510(k)实质等同或De Novo途径获取上市许可。自2010年代后期以来，FDA已批准/授权了大量AI医疗器械。据统计，截至2023年，FDA共授权超过850款AI/ML驱动医疗设备（多集中于放射影像） 。这反映出商业应用蓬勃，同时FDA在审评上积累了一定经验。部分AI产品获得了“突破性设备”认定（Breakthrough Device），例如Aidoc的一款多病种CT急诊AI于2022年获此加速通道 。 指南和行动计划：FDA认识到传统审批流程难以适应持续学习的AI。2019年FDA发布讨论稿，提出允许AI算法的预定更新计划（Predetermined Change Control Plan），即厂商提交算法可能如何自我改进的方案，FDA预先审核，以便后续无需重新审批每次模型更新。2021年FDA又发布了《AI/ML医疗器械软件行动计划》，强调改进实后监测和良好机器学习实践（GMLP）标准制定。这些举措旨在解决AI模型版本频繁迭代的问题，使监管从一次性审批走向全生命周期监管。 上市后监督：FDA要求AI医疗器械上市后，厂商需持续监测性能，报告不良事件。这与传统医疗器械一致。但AI特有挑战在于性能漂移：算法可能因数据分布变化而性能下降。FDA鼓励采用实时监控和定期报告来掌握AI实际效果。例如某些AI产品在获批时即被要求进行上市后的注册研究，收集使用数据。未来FDA可能更广泛地应用真实世界证据（RWE），以动态评估AI安全性。如果AI发生严重问题，FDA有权撤销许可或要求改进。 责任框架：法律上，美国尚未针对AI医疗制定新责任法，适用现有侵权法。AI诊断出错，患者可基于医疗疏失起诉医生/医院，或基于产品责任起诉厂商，或两者皆有。这带来“双轨诉讼”的可能 。然由于学说上有贤明中介原则的保护（医生在中间），实践中患者更多还是起诉提供医疗的机构/人员 。厂商可能援引预emption（联邦法规阻却州法索赔）的抗辩，如果其产品经过FDA严格审核。但目前没有直接针对AI的联邦免责条款，一切尚需法院判例发展。例如前述Dickson诉Dexcom案虽然不涉AI，但其判决将影响AI产品厂商能否用“FDA授权”来豁免某些责任 。需要关注后续司法动态。在医疗事故法层面，各州标准也不同，有的考虑AI是否已成标准护理。2020年代中期，还未出现因为临床使用AI导致的重大判例，专家估计“尚未出现AI医疗诉讼潮”。但标准护理可能逐步变化——一旦某AI被广泛接受，医生不使用反而可能被视为过失。这又带来新的责任模式（即不使用AI的责任）。 患者权益与伦理：美国注重告知同意原则。目前法律不强制医生告知患者“我用了AI”，除非患者询问或AI对方案有实质影响 。但伦理上许多学者和机构建议透明使用AI，取得患者知情同意 。一些州法规（或医疗机构政策）可能将此写入患者知情同意文书模板。对保险来说，患者是否知情不会直接影响索赔责任，但从风控看，确保患者知情可以减少纠纷几率，保险人也乐见其成。
整体而言，美国采用“旧瓶装新酒”的方式监管AI医疗：通过FDA既有框架进行技术审查，通过现行侵权制度处理纠纷。这在AI发展早期降低了立法门槛，但随着AI复杂性增加，可能需要专门立法或规则来填补空白。目前美国国会和联邦机构对高风险AI（如医疗）正讨论出台更明确的指南，但尚未有定论。可以预见，美国的模式将继续依赖行业自律+事后司法去逐步厘清界限，而非预先详细立法。
2. 欧盟：AI法案与医疗器械法规的双层监管
欧盟正在形成多层级的法规体系来监管医疗AI，包括横向适用所有AI的《人工智能法案》（AI Act）和针对医疗器械的《医疗器械法规》（MDR），再加上民事责任领域的新旧指令。其特点是前置合规要求高，并通过产品责任改革强化追责。
AI法案（AI Act）：欧盟AI法案预计于2026年生效 。它按风险对AI系统分级，医疗用途的AI大多归为高风险类别。例如用于诊断、治疗决策的AI被明确列为高风险。这意味着提供此类AI的厂商需履行严格义务：包括风险管理（识别、降低风险），数据治理（确保训练数据质量和无偏），技术文档，记录和可追溯，透明度（适当告知用户AI性质），人为监督等 。这些义务与MDR要求部分重叠，但AI Act是独立适用的（即使符合MDR也必须同时符合AI Act） 。由于医疗AI通常也属于MDR医疗器械，高风险AI在进入欧盟市场前需要同时通过MDR和AI Act的合规评估。实际操作中，很可能由医疗器械公告机构一并审核这两套要求 。AI Act还特别指出专业用户（如医院）也有义务按照厂商说明正确使用AI，否则可能违反法规 。这将用户责任法规化，敦促医院加强AI使用培训。 医疗器械法规（MDR）：欧盟自2021年实施新MDR，对软件医疗器械提高了分类。许多AI诊断软件被归入IIa、IIb甚至III类（风险较高类），需更严格的符合性评估。2021年欧盟发布了人工智能医疗软件分类指南，帮助确定哪些AI属于医疗器械以及分类级别 。一般来说，若AI软件对医疗数据进行分析并用于辅助诊疗决策，则被视为医疗器械，要满足MDR的安全有效性要求 。MDR注重全生命周期，包括上市后的质量管理和监测。对AI这意味着厂商需有持续改进和警戒系统，及时报告不良事件。MDR没有针对AI的特别条款，但其质量体系要求本身涵盖了软件更新管理、变更控制等，对于AI软件尤其重要。 产品责任指令（PLD）改革：欧盟于2024年通过了修订后的《产品责任指令》，将传统的无过失产品责任规则扩展以适应数字时代。关键变化如前述： 软件明确算产品，且更新也算（避免厂商以持续更新为由免责） 。 引入持续义务：生产者在产品全生命周期都有监测和更新义务，最长达上市后25年 。对于AI这种可学习更新的，这确保厂商长期关注其产品行为，否则疏忽更新也无法免责 。 举证推定：正如上文所述，若AI模型高度黑箱，法院可在一定条件下推定缺陷和因果，这极大提高了消费者索赔成功率 。 损害范围：扩容至数据丢失和心理伤害也可索赔 。想象一个AI错误诊断艾滋导致患者精神重创，按新规精神损害也在赔偿之列，且无最低赔偿额限制 。 责任主体：不仅制造商，进口商、供应商，以及对AI进行重大修改的也要负责 。这意味假如医院对厂商AI模型自行改训练或调整参数导致出事，医院可能被当作“改造者”按产品责任追偿。 AI责任指令（AILD）的进展：欧盟原本还提议了一部专门的《人工智能民事责任指令》，试图引入针对AI侵权的统一规则（如过失推定）。但在2025年初，该提案被撤回 。欧盟决定通过上述产品责任指令和各国现有法律来解决AI责任问题，不再另立框架 。这减轻了立法复杂度，但意味着在医疗事故层面，仍由各成员国自己的医疗过失法律处理。这就产生一个交叉：遵守MDR和AI Act也不能豁免PLD下的责任 ，所以厂商合规只是底线，还需要预防民法索赔。对医院和医生而言，医疗过失的判定依然按照各国标准（如英国的Bolam测试，德国法的注意义务等），AI的引入可能逐步改变“合理医生”的标准，但需要通过案例积累。 监管执行机构：欧盟的模式需要公告机构（Notified Body）和各国主管当局发挥作用。高风险AI医疗器械将由公告机构审核技术文档和测试，发放CE认证。各国药监部门则负责上市后市场监督。不符合AI Act或MDR要求的产品，可被责令整改或下架。欧盟还重视跨领域协调，如隐私法（GDPR）对医疗AI训练数据提出要求，AI Act中也要求遵守GDPR等 。整体目标是在欧盟内部打造一个对AI医疗既有严格把关又能责任追溯的环境。 对保险和责任的影响：欧盟模式意味着厂商面临更高合规成本和潜在责任。对于保险业，这实际上是利好：风险更加可控和透明。当厂商遵守了详尽的法规，保险定价不确定性降低，理赔率可能也降低。此外，PLD改革下厂商无法以“不可预见风险”轻易免责，保险公司更容易追偿厂商过失（如产品有缺陷，保险人代医生赔偿后可向厂商追偿）。对医院和医务人员而言，AI Act要求他们正确使用AI，否则可能违规，这反向推动医疗机构制定更严谨的AI使用标准，这也降低事故率。可以预见欧盟境内AI医疗纠纷中，厂商被纳入被告的比例将提高，患者有更多路径索赔，保险理赔也会涉及多方。但因为监管前移把关，大事故发生率希望能较低。
3. 中国：政策鼓励与法规护航
中国对于“AI+医疗”持积极态度，从国家层面推出多项政策鼓励AI赋能医疗，同时也在医疗器械监管和法律责任方面逐步完善衔接。
政策框架：国务院于2025年发布了《关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号），将医疗健康作为重点领域。同年11月，国家卫健委等五部门联合发布了《促进和规范“人工智能+医疗卫生”应用发展的实施意见》 。这些政策文件设定了2027年、2030年的发展目标，例如到2030年实现二级以上医院普遍开展医学影像AI辅助诊断、临床决策支持等 。政策强调“一手促应用，一手强监管”，提出分类管理、智能向善的原则 。在支付和保险衔接上，意见鼓励完善定价、支付政策，包括医保支付对AI服务的支持、商业保险快速理赔的接入等 。例如推广医疗机构智能服务，其中提到“推广移动支付、医保一站式结算、商业保险快速理赔”等 。这意味着政府希望通过医保和商保联动，推动AI服务融入医疗流程，使其费用有出处、责任有保障。 监管审批（NMPA）：国家药品监督管理局（NMPA）自2018年以来加快了AI医疗器械审批。根据2025年统计，中国已有数十款人工智能医学影像辅助诊断软件获批第三类医疗器械证 。如Airdoc公司的糖网筛查AI（眼底影像诊断），于2020年获得NMPA三类证，成为国内首个真正意义上的AI医疗器械。药监部门还发布了相关指导原则，如2021年实施的《人工智能医用软件产品分类界定指导原则》 明确了AI医用软件是否归入医疗器械管理的标准。如果软件处理的是医疗器械数据并用于诊断决策，就按医疗器械管理，许多AI影像软件因此被归为III类 。此外，NMPA也参与IMDRF的讨论，国内引入了软件变更审评指导，允许低风险的软件更新以备案形式处理。 医疗机构使用规范：国家卫健委等也发布通知，明确AI在医疗中的使用红线。例如互联网医院管理办法明确严禁使用AI自动生成处方 。这类规定意在确保人不能被完全替代，从而责任主体清晰——处方必须由人签发，否则医疗机构要担责。这体现了监管层对风险的前瞻管控：在AI尚不可靠时，不允许其独立做关键决定，把风险先行隔离。随着技术成熟，这些规定未来可能动态调整。 法律责任体系：中国的患者赔偿主要依据《民法典》侵权责任编中医疗损害责任部分。如前所述，第1218条规定医疗机构承担赔偿责任，如果认定医方有过错 ；第1222条则赋予患者若因药品、医疗器械缺陷受害，可向医疗机构或生产者索赔，医疗机构赔后可向生产者追偿 。这形成了“双重责任”体系：医疗过失和产品缺陷可并存追责。在AI情境下，如果是医生使用AI疏忽导致损害，适用医疗责任；如果AI本身有缺陷，也可依据产品责任追究厂商 。目前尚无正式司法解释专门论述AI责任，但已有报道案例（如前述某地70%:30%分责案）为参考。预计司法会根据具体案情综合判断，可能在共同侵权框架下处理多人过错。值得一提的是，中国学界已有讨论AI作为法律主体的可能性，但主流观点认为当前AI只是工具，不具有承担法律责任能力 。因此责任还是落在人或组织身上。未来若出现高度强智能AI，引入法律人格才会被讨论。 伦理和行业标准：中国的医学伦理审查委员会已经将医疗AI纳入审查范围。当医院引入AI参与诊疗，需要伦理审查其安全性、患者知情等。2022年国家卫健委发布了《智慧医院评价标准体系（试行）》，其中包括对AI应用的考察。这些软法和标准促进行业内自我规范。患者方面，虽然法律未要求必须告知AI参与，但不少医院在实践中开始尝试在知情同意书或病历中注明AI辅助诊断，以尊重患者知情权并预防纠纷。
总体看，中国采取的是“鼓励创新+加强监管”双轨并进模式。一方面通过政策路线图和试点示范（如国家AI应用中试基地建设）推动AI在各级医疗机构落地，另一方面通过法规确保AI产品质量、禁止不成熟的用法，从而把风险降到最低。对于保险业来说，中国目前医疗纠纷仍以医疗责任保险为主，产品责任险渗透率不高。但随着AI医疗设备批量涌现，医疗责任险和产品责任险的衔接将成为现实需求。中国监管层可能也会借鉴国际经验，研究建立多方参与的保险/补偿机制。例如在平安保险等牵头下，有没有可能推出“医疗AI责任险”试点，让医院和厂商共同投保？这些都有待观察。目前国内已有声音指出“医疗检查AI虽然科技进步，但可能需要医疗责任保险来保驾护航” ，并提到可以通过多方联保共保的惠民保项目进行试验 。这些探索背后体现出各方对风险转移机制的迫切需求。
4. 日本：灵活准入与动态监督
日本在AI医疗监管方面的特点是积极灵活。厚生劳动省（MHLW）和药品医疗器械局（PMDA）采取了一系列措施，加速AI医疗器械上市，同时确保动态监管：
先行研究与指引：早在2017年，MHLW就召开“医疗AI推进圆桌会议”，确定了六大优先领域（影像诊断、诊疗辅助、手术辅助等）及到2020的路线图 。PMDA在2017年底发布了《AI医疗设备审查上的课题与建议》，这是全球监管机构中较早专门讨论AI审批的报告 。随后2019年NIHS（国家卫生研究院）发布AI医疗设备审查指导草案，总结AI法规问题 。这些研究为正式制度奠定基础。 PACMP机制：日本在2019年修改《医药品医疗器械法》，引入上市后变更管理协议（PACMP）制度 。日本称之为IDATEN机制，允许厂商在申请审批时，就预计的算法改进提交计划，经批准后，日后按照协议升级模型无需重新申请 。这解决了AI持续学习的合规更新问题，类似FDA讨论的预先变更计划。日本成为较早正式把这一机制写入法规的国家之一。这使AI产品能快速改进，而监管方也掌握节奏。 DASH for SaMD：2020年，MHLW发布“DASH for SaMD”行动计划，即数字医疗器械审查的加速策略 。它强调早期介入，提供从开发到报销的一站式咨询，以及在监管机构内部成立专门部门负责软件医疗器械审评 。PMDA和MHLW各自成立了SaMD专业团队，提高审评效率。 报销制度衔接：日本认识到，如果AI诊断不纳入医保报销，医院缺乏动力用。2021年，日本医保支付机构开始讨论软件医疗器械的报销定价 。目标是明确哪些AI服务可以像药品器械一样获得医保支付，从而商业模式更可持续。这对于推广如内窥镜AI辅助诊断（已实用化）等很重要。虽然详细规则尚在制定，但日本的方向是将有价值的AI纳入支付，这也意味着在保险赔付端有基础：当AI误诊导致额外治疗花销，医保/保险如何承担将更清晰。 法律责任：日本目前医疗事故责任主要根据《民法》和《消费者产品责任法》。对AI暂无特别规定。有日本学者建议通过区分“辅助AI vs 全自动AI”分阶段适用不同责任模式，以平衡开发者与医生责任 。在司法实践上，日本历来对医疗纠纷采取较审慎态度（需要证明医生过失）。若AI介入，可能视为医生决策参考的一部分，不会单独赋予AI主体责任。目前没有公开报道的AI医疗纠纷判例。可以预见一旦发生，法院会考虑医生有无适当监督AI。 总体理念：由于日本面临少子老龄化挑战，劳动力不足，他们视AI为解决医疗资源问题的重要手段 。因此监管理念是“从管制到培育” ——改变以前谨慎滞后的做法，抢先提供创新试验土壤。目标从“追赶欧美”变成“本国孵化领先技术” 。所以在法规上，日本既加入IMDRF国际步调又灵活开辟快速通道。这种监管环境友好度有助于吸引AI医疗企业（包括海外企业）在日本开展业务。当然前提是维持安全底线，这两者需要平衡。
5. 其他地区及国际
韩国：韩国MFDS在2017年批准了全球首个AI诊断软件（VUNO的骨龄诊断），此后陆续批准多款AI医疗器械。韩国也发布AI医疗软件指南，2020年引入沙盒机制让部分AI可试用于临床。韩国在医疗AI立法上与日本类似重视快速审批和事后监管相结合。 新加坡：新加坡卫生科学局（HSA）制定了灵活的注册分类：如果AI软件持续学习但无医生监督，则按最高风险管制；如果有医生把关则分类可降低。2021年新加坡卫生部发布《医疗AI伦理准则》（AIHG） 提出九项原则：包括问责、透明、数据质量、持续监测等 。新加坡强调要在医生和患者中建立对AI的信任 。在保险方面，新加坡目前没有强制AI责任险，但政府鼓励多方讨论AI风险分担。 英国：英国在脱欧后自行制定了AI医疗策略。MHRA在2023年发布了Software and AI as a Medical Device Change Programme，准备更新法规以更好适应AI。英国NHS有国家AI实验室，推出NHS AI监管沙盒，帮助AI厂商与监管机构、医疗机构合作测试。英国尚无专门AI责任法，但NHS体系内医疗损害由NHS诉讼管理局(NHS Resolution)统一处理赔偿。当前NHS给GP等发布指导称：即使用了AI，医生仍承担临床疏忽责任，因此GP需确保AI选择可靠且注意验证 。英国亦开始探讨让AI供应商提供赔偿承诺，和NHS签署责任协议 。 国际组织：世界卫生组织（WHO）于2021年发布了《卫生领域人工智能伦理和治理》报告，提出6项原则：包括保护自主、促进人福祉、安全有效、透明可解释、责任问责、包容公平 。这些原则为各国制定AI医疗政策提供了框架。经合组织（OECD）也有AI治理原则，强调可信AI和风险导向监管。总体来看，国际共识是：医疗AI需以患者安全为核心，同时避免过度监管扼杀创新。
全球监管格局正逐渐清晰：发达经济体率先建立规范，发展中国家也逐步跟进。在这种环境下运营的AI医疗产品，需要跨国合规。对于跨国企业和保险公司，要注意各地差异。例如在欧盟投保需覆盖严格责任，在美国可能更关注医生职业险，在中国则要考虑医疗机构先行赔付的模式。国际再保险公司可能需要针对不同法域风险进行组合分散。同时，如果某地监管不完善，保险人也许会对在那里使用的AI加费或限制承保。随着交流增多，各地有望趋向一些共同标准，比如参考IMDRF和WHO的指导，使AI医疗合规和风险管理更加统一。这将便利保险业制定全球性保险产品，服务跨国医院集团和AI厂商。
六、保险创新与行业实践探索
在传统保险框架面临AI医疗新风险的局限时，各国政府、保险公司、医疗机构和科技厂商也在尝试创新解决方案，进行多利益相关方的风险共担与保障安排。本章介绍若干有代表性的行业实践与试点。
1. 多方参与的定制保险：
针对AI医疗的复杂责任链，一些保险公司开发了“联合保单”或定制保险方案来同时保障多方。例如：
医院-厂商-保险三方协议：有报道指出国外一些AI厂商在销售产品时，会主动提供责任保障条款，承诺若因AI推荐出错造成损害将予以赔偿 。这实际上是厂商为客户（医院）购买了一份保险或承担起保险人角色。背后往往有保险公司承保厂商的此类赔偿责任（如慕再的aiSure方案前述）。这种三方协议确保客户购买AI时附带保险，降低医院顾虑。例如某AI公司卖给医院一套诊断系统，并通过保险安排保证如果该系统出错导致医疗事故，由保险赔付患者损失并承担法律费用，而医院或医生无需掏腰包。等于厂商用保险为产品背书。这类模式已在金融和制造业的AI应用中出现，例如Munich Re为一家放贷AI提供模型错误保险，让客户放心采用 。在医疗领域，相当于AI厂商成为医院的风险合作伙伴而非仅卖方。 集体保险/共保联盟：在一些地区，行业协会或政府牵头建立AI医疗责任共保联盟。例如中国有观点提出可在“惠民保”（城市定制型补充医疗保险）框架下，由多家保险公司和政府共同出资，试运行AI诊疗责任险 。惠民保的特点是保费低、覆盖广、政府背书，多家保险公司共同承保。这被视为试探民众和机构接受度的方式。如果AI导致患者损害，不论责任归属，保险按既定比例赔付患者，然后再由保险公司代表患者去追偿涉事方。这类似一种无过失补偿机制，先保障患者权益，再内部清算责任。这种共保模式需要政府推动和协调，因为涉及多方利益。不过一旦成功，将极大提高患者信心，也让医院医生在使用AI时有了兜底。英国NHS其实在一定程度上扮演类似角色（公立医院事故赔偿由国家基金承担），未来也可能扩展覆盖AI风险。 嵌入式保险：对于直接to C的健康AI应用，有公司在探索嵌入式保险。比如某AI健康管理App内置一份保险，如果用户按AI建议采取行动仍出问题，可以获得补偿。这有点类似航班延误险自动嵌入机票。此举一方面是市场卖点，增加用户信任；另一方面也是风险控制手段，将零散风险集中管理。目前市面上还未见成熟的AI诊断应用嵌入保险，但不排除大型科技公司与保险公司合作尝试（例如智能穿戴设备厂商和健康险合作，若设备算法未能预警心梗则给付一定保险金等等）。这将拓展保险场景至个人端，形成医疗责任险之外的新类别。
2. 默认纳入AI责任的医院保险：
医院通常有医院综合责任险或医疗机构医疗险，覆盖其整体执业风险。一种创新思路是在这些团体保单中默认涵盖AI使用风险。这可以通过以下方式：
保单条款明确涵盖：保险公司在给医院出具的责任保险中，写明“包括因医院使用获授权的人工智能辅助诊断/治疗工具所引起的医疗损害赔偿责任”。这样医院无需每新增一个AI工具就单独报备（当然可能需满足某些条件如AI需有监管批准）。目前不少医疗责任险未排除AI，也就隐含覆盖。例如前述The Doctors Company表示未对AI做除外 。未来可能有保险人反其道而行之，在条款中明示覆盖，以营销亮点形式告诉医院：“用AI也在保障内，无需担心”。这将鼓励医院放心采用AI。 附加险/附加条款：保险公司也可设计AI责任附加险供医院选择购买，或对特定科室附加。例如放射科如果全面使用AI读片，可在医院责任险上附加一层AI读片责任险，独立限额和保费。这兼顾了灵活性和保障力度。如果某年AI风险上升，附加险费率可单独调整，不影响主保单。 统一承保的区域计划：政府或行业协会也可能牵头为辖区内公立医院统一采购AI责任保障。一种可能模式是由政策性保险或再保险提供底层支持，地方财政给予保费补贴，让所有医院都自动享有一定额度的AI事故赔付保障。如同一些国家有医责强制险，未来也可能出现AI诊疗强制险要求。这对AI推广是大利好，因为医院不必自己谈保险，每家AI厂商不用各自费心，统一解决了。
3. 网络安全险与AI责任的融合：
许多AI医疗工具依赖网络和数据，因此网络安全险和科技Errors & Omissions (科技差错险)领域开始介入AI风险。某些保险产品已把算法失误或数据偏差列为可能的理赔事件。尤其对于AI作为云服务提供时，供应商可能投保科技责任险（Tech E&O），涵盖其对客户的合同责任，包括因算法错误导致客户损失的赔偿。这实际上是另一种形式的AI责任保险。与此同时，网络险一般涵盖数据泄露、业务中断等风险。如果AI系统遭黑客攻击导致错误诊断或系统瘫痪，网络险可以赔付由此造成的损害。在医疗行业，一些保险公司推出综合医疗网络险，将IT系统故障、网络事件和由此引发的医疗事故一起保障。这对现代智慧医院很有吸引力，因为AI诊断系统如果因网络原因出错，可以走网络险理赔，而不动用医疗责任险限额。未来，两者可能进一步融合，比如在医责险中附加网络安全模块，或在网络险中明示AI算法失败保障，形成“混合保单”应对交叉风险。
4. 沙盒试点和政府资助计划：
为了探索保险支持AI创新的模式，一些国家和地区开展了监管沙盒或试点项目：
英国NHS试点：NHS早前成立“AI in Health and Care Award”项目，资助AI技术临床应用，同时也研究其风险管理。虽然未明言保险，但NHS在试点中相当于自担风险，为这些AI应用的患者提供保障。如果试点成功，NHS可能考虑在大范围部署时，与保险合作共担风险。例如NHS或许会与大型再保险公司签协议，为全国范围AI应用建立再保险池，防范极端损失。这类似国家灾难性事故基金。 新加坡风险框架：新加坡保监局（MAS）在2022年推出金融科技沙盒，包含保险科技，可测试创新保险产品。可以预料，与新加坡MOH合作，或许能在沙盒内试行医疗AI责任保险，由政府提供再保险支持，吸引保险公司参与设计。目前尚无公开报道具体案例，但新加坡这种跨部门协作传统，使之有条件尝试创新险种。 中国地方试点：中国一些省市已经开展“医疗责任险共保体”试点，将辖区医疗机构统保。如果这些地区引入医疗AI，也可能自然扩展承保范围。例如海南博鳌先行区允许未上市医疗器械使用，那么医疗责任险共保体是否已囊括这些高风险使用？如果有，很值得研究经验。未来，某个创新城市（比如粤港澳大湾区）或许会牵头与保险公司开发AI诊疗综合险，在区域内推广。 产学研合作研究：全球多家保险和再保险公司正与大学、科研机构合作开发AI风险模型。例如慕尼黑再与剑桥大学建立风险研究中心，就包括AI医疗在内的新兴风险建模。这种研究成果有助于设计新保险产品。学术界也提出例如“按使用付费”的动态保险模式：记录AI系统每诊断一次的风险，根据次数收费，这类似usage-based保险。如果AI证明越用越精确，费率还可下降激励。
5. 典型案例时间线：
为更直观了解AI医疗责任与保险的发展，以下列举一些里程碑事件
2018年：美国首个AI眼科诊断设备（IDx-DR糖网病筛查）获FDA批准，无需医生参与决策，责任话题引起讨论。 2019年：英国“Babylon健康”AI问诊因错误建议受到质疑，引发医学界对直接面向患者AI工具责任的关注。 2020年：中国首例AI医疗器械（糖网筛查）获批。同期，广州某三甲医院开始使用AI辅助诊断心电图，在知情同意上增加说明，属国内首创做法。 2021年：WHO发布AI伦理原则，强调责任（Accountability），各国据此完善政策。同年，美国第一个涉及AI误诊的医疗纠纷起诉（未公开和解，细节有限）引发媒体报道。 2022年：英国NHS在产科试点AI监测系统，对潜在并发症预警，但与厂商签订协议明确厂商提供专业赔偿保障，此举成为风险共担范例。 2023年：欧盟通过产品责任指令修订和AI Act文本，开启全球最严AI监管，保险公司开始调整欧洲业务承保政策。 2024年：中国出现首例法院裁决医院和AI厂商按7:3分担责任的案例报道 ；同年，美国路易斯安那州Dickson诉Dexcom案判决为AI医疗产品责任法律地位提供重要风向标 。 2025年上半年：日本批准首个使用PACMP机制更新的AI医疗器械；中国上海某区牵头推出医疗AI责任共保项目试运行（假设性试点，用于说明趋势）。
综观全文，AI赋能医疗诊断如同一把“双刃剑”。在为患者带来福音的同时，也挑战着现有法律与保险体系。风险不容忽视，但也无需因噎废食。在技术、法律、保险多方协同努力下，完全可以构建起“安全网”来承载AI可能的失误，使受害患者得到及时补偿、责任方得到合理归责，从而让创新更加稳健地前行。对于数字健康领域创业者，这是一个需要与保险人、监管者携手的新课题；对于保险业，这是拓展业务、提升专业性的契机；对于监管机构，则需扮演好“裁判+教练”的双重角色，在保护公众的同时助力技术进步。可以预见，未来几年内，我们将看到更多政策出台、保险产品问世以及实践案例累积。在持续的试错与学习中，AI医疗诊断的责任与保险体系将日趋完善，实现创新与保障的动态平衡。
附录：中英术语表
为便于读者理解，特别整理AI医疗与保险责任领域常用术语的中英文对照表：
人工智能（AI） – Artificial Intelligence (AI) 大型语言模型（LLM） – Large Language Model (LLM) 生成式人工智能 – Generative AI 软件即医疗器械（SaMD） – Software as a Medical Device (SaMD) 医疗影像计算机辅助诊断 – Computer-Aided Diagnosis (CADx) 多模态 – Multi-modal (combining multiple data types, e.g. text+image) 黑箱 – Black box (lack of interpretability in AI decision-making) 幻觉（AI幻觉） – Hallucination (AI making unfounded output) 医疗过失/医疗事故责任 – Medical malpractice liability 产品责任 – Product liability 贤明中介原则 – Learned Intermediary Doctrine 严格责任 – Strict liability (liability without fault) 过失推定 – Presumption of fault (or causation) 医疗责任保险/执业责任险 – Medical professional liability insurance (malpractice insurance) 产品责任保险 – Product liability insurance 再保险 – Reinsurance 共保 – Co-insurance (joint insurance by multiple insurers or parties) 赔偿保障/赔偿承诺 – Indemnity (promise to compensate for loss) 精算 – Actuarial (relating to risk calculation and premium setting) FDA批准/510(k)/De Novo – FDA Clearance/510(k)/De Novo (US regulatory pathways) 人工智能法案（欧盟） – Artificial Intelligence Act (EU) 医疗器械法规MDR（欧盟） – Medical Device Regulation (EU) 产品责任指令PLD（欧盟） – Product Liability Directive (EU) 人工智能医疗指南（新加坡） – AI in Healthcare Guidelines (Singapore MOH) 药品医疗器械法（日本） – Pharmaceuticals and Medical Devices Act (Japan) 上市后变更管理协议PACMP – Post-Approval Change Management Protocol (for AI device updates)