犹他州AI开处方:当算法获得问诊权,医疗行业的试验闸门正式拉开

Cong Hui/EzCollegeAPP团队提供

犹他州议会大厦圆顶之下，一纸为期一年的试点许可，正在改写现代医疗持续百年的底层规则。

这张在海外社交平台广泛传播的新闻截图，记录下这个标志性事件：美国犹他州，成为全美第一个允许AI独立评估患者、开具处方，无需医生逐例前置审核的地区。试点的切入点，选在了门槛相对温和的痤疮诊疗。Nolla Health旗下的Nolla Derm系统，是这次试点的执行主体。用户上传面部照片，AI完成皮肤状态评估、痤疮分级，结合用户填报的病史信息，在符合准入条件的前提下，直接生成外用痤疮药物处方，流转至药房配药。

消息一出，舆论立刻撕裂。有人将其定义为普惠医疗的新时代起点，也有人警告，这是把人体健康交给算法的危险实验。很多人第一眼会把这件事简化成“AI取代医生”，但拨开社交媒体上的简化叙事，犹他州这场试点，本质是一场在监管沙盒内，对医疗权责边界的试探。

很多媒体标题里“无人类监督”的表述，其实存在一定的简化。犹他州商务部AI政策办公室设计的这套试点，采用分级风控机制，并非从第一天起就完全脱离医师审核。

项目启动初期，AI开出的每一份处方，都需要两名拥有犹他州执业资质的医师复核，确认安全后才能生效。随着试点数据持续积累，系统准确率、不良事件率达到预设安全指标，才会逐步进入下一阶段，放开人工前置审核，转为事后抽查与风险回溯。一旦系统识别出高危信号，比如患者存在过敏史、孕期状态、严重皮肤感染等情况，会自动触发熔断，直接转入真人医师问诊通道。患者在任何时候，都可以主动要求接入人类医生。

即便如此，它依然具备里程碑意义。在此之前，全球范围内落地的医疗AI，定位几乎全部是医生辅助工具。AI读影像、生成建议，最终诊断、处方决定权牢牢握在执业医师手里。犹他州这次试点，第一次把开具全新处方的权限，阶段性交给算法。区别于此前部分地区AI仅能完成旧处方续药的模式，Nolla Derm可以根据首次评估结果，开出新的痤疮治疗方案。

选择痤疮作为首个落地病种，并非偶然。痤疮属于常见皮肤病，病情可视化程度高，风险上限可控，外用药物的不良反应风险相对有限，是理想的沙盒试验对象。按照项目方案，AI会对皮损严重程度、皮肤出油情况打分，从8套预先划定的治疗方案内匹配用药，不会随意超范围开药。项目为期一年，试点周期内持续收集不良反应、误诊、用药效果等全部数据，一年期满，监管机构再评估是否延续、扩大病种范围。

这场试验扎根于美国医疗体系的现实困境。美国皮肤科门诊预约周期漫长，很多轻症患者需要等待数周甚至数月才能面诊；问诊、检查的高昂成本，也让大量普通人望而却步。轻症痤疮这类问题，很多人并不需要耗时很久的线下面诊，但现行法规强制要求必须由执业医师完成问诊评估，推高了就医门槛。

支持者认为，AI问诊处方体系，可以填补基础医疗供给缺口。低廉的使用成本，无需线下奔波的模式，能够为大量轻症人群提供快速可及的医疗服务。犹他州AI政策办公室的设计思路，就是用监管沙盒，在可控范围内测试新技术，而不是用严苛禁令直接阻断创新。

但质疑声同样尖锐。皮肤病的表象极易混淆，玫瑰痤疮、毛囊炎、甚至部分自身免疫性皮肤病，外观上都可能和普通痤疮相似。单靠照片与问卷信息，AI存在漏判风险。一旦患者隐瞒关键病史、药物过敏信息，算法很难主动识别。更大的争议落在责任划分：当AI开出的处方引发药物不良反应，责任归属于开发企业、算法模型，还是审批试点的州监管机构？传统医疗的医患权责体系，在AI介入之后，出现了巨大空白。

医生群体的担忧不止于误诊风险。医疗诊断不只是图像识别与信息匹配，面诊过程里的肢体语言、情绪状态、患者描述的细微感受，都是临床判断的一部分。这些隐性信息，是当前计算机视觉很难完整捕捉的。如果轻症诊疗逐步交由算法完成，基层医生的临床锻炼场景会不会持续萎缩，长期来看侵蚀整个医疗人才体系？

犹他州的选择，把一个全球共同面对的问题摆上台面：我们该以什么样的节奏，放开AI在临床诊疗里的权限。

一部分地区的监管逻辑是“先安全，后应用”，医疗AI必须作为医生辅助工具，任何处方权，只能属于持证执业人员，绝不允许算法独立签发处方。犹他州代表另一条路径：划定极小范围、限定低风险病种，设置阶段性安全闸门，用试点数据动态调整规则，在风险可控的前提下允许技术先行探索。

这两种路线，没有绝对对错，本质是社会在医疗普惠、创新速度、人身安全之间做取舍。犹他州的沙盒，也不是无底线放开。病种范围、用药清单、风险熔断机制、事后数据审计，全部被写进试点协议。一旦不良事件超出阈值，项目会被立刻叫停。

值得留意的是，这不是犹他州第一次试水医疗AI。在此之前，当地已经批准AI系统完成慢性病旧处方续药，而本次痤疮项目，是第一次授权AI生成全新处方。如果这一年试点运行平稳，可以预见，后续会有更多低风险病种，进入这套AI诊疗沙盒。

人们很容易陷入一种想象：AI医生大规模普及之后，看病变得廉价、即时，所有基础小病都可以交给算法处理。但犹他州的案例提醒我们，医疗AI落地，最大的瓶颈从来不是图像识别或者大模型推理能力，而是一套完整的责任、风控、纠错、兜底体系。

算法可以完成标准化判断，但医疗永远存在大量非标准化的个体特例。技术可以提升医疗可及性，却无法完全替代人体复杂的不确定性。犹他州的试点更像一次大型社会实验：我们正在测试，人类社会到底愿意把多大一部分身体决策权，交给一段代码。

这场试验的结果，也会向外溢出影响。全球各国的医疗监管机构，都会持续跟踪这一年里犹他州试点的不良事件、误诊案例、患者真实反馈。它的成功或者失败，都会成为未来很长一段时间，医疗AI立法的重要参考。

技术浪潮不会停下脚步，但医疗关乎生命，每一步松绑，都需要足够审慎。犹他州打开了AI独立处方的第一道闸门，而闸门之后，是一整套还未成型的全新医疗秩序。

Utah Department of Commerce AI official FAQ

Utah Office of AI Policy pilot introduction

Becker's Hospital Review report

TechSpot coverage