AI来了,不是狼来了

这几年，"AI 要取代医生"喊得太多，喊到没人再抬头。

现在它真的进来了——来的不是狼。它不撕人，不抢岗位，只把一些东西挪走，一点点地挪，一声不响。

狼来了要跑。狼来了，反而没人动。这才是麻烦的地方。

01  先把政策摆清楚：在推，也在划线

国家在推的这一半，力度不小。 2025 年 8 月国务院印发《关于深入实施"人工智能+"行动的意见》；两个月后，卫健委等五部门印发《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》：2027 年建成一批高质量数据集和可信数据空间，形成一批临床专病专科垂直大模型；2030 年，二级以上医院普遍开展临床智能辅助决策。2024 年 11 月的《卫生健康行业人工智能应用场景参考指引》已列出 84 个细分场景。透析是最典型的慢病长程管理。

但文件名字的后半句是"规范"。2022 年《互联网诊疗监管细则（试行）》第二十一条明确，处方应由接诊医师本人开具，严禁 AI 自动生成处方，AI 不得冒用、替代医师本人。

责任这条线，法律讲得很死。 AI 不具备民事主体资格，无法独立担责；医师具有法定专属性，无权把处方权或医疗决策权授权给算法；医疗 AI 被视为产品，医疗机构是第一责任人。

落地环节也在加护栏。上海 2025 年 4 月明确：上线前须通过验证中心的医疗伦理安全评价，未过不得宣传。浙江建立"推荐—审核—评价"全流程管控，对话留痕不少于三年，划清平台方、医生方、技术方三方责任。

一句话：> AI 是医生的辅助工具，签字的人永远是人。

国家也没把它当狼——不然不会一边推一边划线。

02  它能做的事，比"弹个窗"深得多

透析中低血压，可以提前 10 到 75 分钟算出来。 不是看血压掉没掉，是拿连续血压、血流量、超滤率、透析液温度和钠浓度一起跑时序模型，AUC 能到 0.80~0.94；反过来算透析高血压，三十万次治疗记录的深度学习模型 AUC 0.889。

内瘘不用只靠听诊和触诊。把血流声音做成频谱图喂给卷积网络，判断狭窄是否超过 50% 的 AUC 达 0.98；一万三千多例的数据能提前三个月算出失功风险。

干体重不再是"掰扯"。 生物电阻抗、相对血容量、检验指标一起进模型，AI 与肾内科医师的判断平均只差 0.497 公斤。

充分性从事后评价变成过程监测。 模型通过尿素清除轨迹预测这次够不够、还要多久，AUC 0.874。

透析间期的管理也开始进网。 胸部阻抗、光电容积描记的可穿戴设备，把"两天半没透析"的空白连上。

终点是那个词——预测、干预、反馈的闭环。

但边界也在这：多数模型仍是回顾性数据，缺前瞻性验证；说不清依据的建议没人敢在高风险场景采纳。医生必须还在——不是舍不得，是还没到能走开的时候。

03  被拿走的，两种人不一样

护士丢的是警觉。

3 床透到一小时四十分钟。护士从床边过，看见他一只手压在上腹部。

"肚子不舒服？"

"没有。"他把手挪开了。

血压 132/78mmHg，血流量 250，屏幕是绿的。

她把这张床的巡视改成十五分钟一次，跟对班说了一声，没往系统里写。三十分钟后，血压掉到 86/54mmHg，HR 130次/分，房颤。

系统全程没响——每个数都在正常区间。真正该让它响的那件事，在它读不到的地方：那只按着腹部的手，和那句"没有"。

护士的活，一半读数据，一半读那些不打算说出口的人。

医生丢的是判断。

12 床的血磷，三个月里从 1.9 爬到 2.4。系统给的建议是磷结合剂加量，医生点了采纳。

加量，复查，还是 2.4。再加量，还是 2.4。

第六个月随访，新来的护士多问了一句才知道：他老伴冬天走了，一个人吃饭，一天两顿方便面卧鸡蛋。

磷不是从药上来的，是从饭上来的。

那六个月的处方张张合理：指南支持、剂量正确、系统认可。被跳过去的一步是"为什么"。

带小数点的建议尤其麻烦："下调 0.8 公斤"看着像算过的，医生的犹豫只是"好像有点多"。差 0.5 公斤就是五百毫升水。

狼咬人的时候，你是知道的。不是被咬的那个，你不会知道。

04  先动的也许是医助，然后是钱

最先被搬走的活，未必就是医生的。 建档案、录医嘱、写首程、填质控报表、病案编码、结算清单核对、随访、排班——透析室医助岗位干的，几乎全是标准化、规则清晰的流程活，正是 AI 渗透最快的那一类。病历一键生成、医嘱自动校验、编码自动匹配，都已成熟。

医院看到的是两组数：单病种诊疗时长下降，科室人工成本占比下降。在集采、DRG/DIP 和控费的三重压力下，人工是少数还能动的变量——少招、压缩辅助岗位、收紧中台。这不是取代医生，是减少"人类时间的冗余"。

医生降薪不是危言耸听，但传导是间接的。 AI 提高的是效率，而医保支付的是项目和病种，不是医生的劳动时间——效率红利不会自动变成医生的收入。相反，当"这类活现在快了"被写进成本测算，价格、科室收入、绩效依次往下走。中间层的技术溢价同样在回撤：过去"背得多、记得全"是本事，现在大模型全都记得，剩下的只有临床思维、判断与风险权衡。

这是潜在可能性，不是既成事实,但是眼下公立医院薪酬的变化主要来自财政、医保与运营压力，AI 只是加速剂。

更深的一层：台阶的第一级被拆了

医助干的活，从来不只是活。拉化验单、写首程、跟着调参数、在旁边看老护士怎么穿刺——这些看着低效的重复，是一个人从"会"到"熟"的唯一路径。医学没有跳级。

AI 把这些接走了。效率确实上去，代价是台阶的第一级同时被拆掉。

十年后要找能独立判断的主治、能带班的护士长，从哪里来？没有人是从"审核系统建议"直接长成临床专家的。

省下的是今天的人力成本，断掉的是十年后的人。

但是，十年后，我们还需要这么多人吗？

05  数据出去，回不来

一家中心开了十二年，四十张床，每周三班，一年六万多次治疗记录：谁在什么参数下出的事、怎么救回来的、哪些人熬过了十年。这是它最值钱的东西。

模型要用它来练。练完之后，回来的是按月付费的服务。

产权不在科室，定价权也不在。交出去的是原料，买回来的是成品。它越用越准，越准越贵——而让它变准的，是你自己的病人

06  它优化的那个数，不是你想要

厂商最爱讲的是"低血压发生率下降 32%"。没人追问一句：少下来的那些事件，是怎么少的。

目标函数写在代码里：把透析中低血压降到最低。做到这一点最稳的办法，是超滤往保守里调、干体重往高里定。低血压确实少了——代价是有人长期带着多出来的水活着，透后体重一直压不下去，心脏慢慢变大。

一味依赖AI，可能出现指标在变好，人在变差。而那个指标该由谁定，合同里没写。

07  四条底线

前面这些，最后要落成能执行的动作。

一、身份钉死。

辅助不是决策，建议不是医嘱，所有输出一律由人签字。这不是走形式，是把那条红线从文件里搬到班前会上。

落到透析室就是两句话：系统可以拟干体重，但落笔的必须是医生工号；护士可以按应急预案暂停超滤，但改参数是医生的处方。谁签的字谁负责，这条不许含糊——含糊一次，出事那天就没人认得出来是谁的处方。

二、上线前拿自己的病人回测。

厂商给的准确率，是别人的机器、别人的病人群。换一批人，AUC 掉下来是常事。上线前拿本科室过去一两年的记录跑一遍，看它在自己这四十张床上准不准。

更要紧的一条：说不清依据的建议，不具备被采纳的资格。 系统只给一句"建议下调 0.8 公斤"而不给理由，那不是建议，是提示。提示可以听，不能照着开处方。

三、保护否决的人。

采纳率、方案符合率这类数字，一旦进了绩效考核，就等于替医生做了决定。所以必须配一条反向的规矩：否决时把依据写清楚，结果不理想也不追责；反过来，盲目采纳又说不出理由的，出了问题要追。

这条是四条里最难的，因为它要求科室主动放弃一部分"管理上的方便"。但它是唯一能挡住那个机制的东西——不然没人敢划掉那个 0.8。

四、签约前问清两件事。

第一，数据归谁。科室十几年的治疗记录拿去训练之后，科室自己还能不能用、能不能带走、换厂商时能不能迁走。不写清楚，后面就没有谈的余地。

第二，模型在优化哪个指标。它优化的是"低血压发生率"，还是"这个人的长期预后"——两个目标会开出完全不同的处方。指标是写在代码里的，代码不在科室手上，至少得让它在合同里。

08  最后的场景

1 护士长走到 7 床，伸手摸了摸内瘘。

患者说："今天有点闷。"

屏幕上什么都没跳。血压 128/76，一切正常。

她按下暂停超滤，把床头摇低，叫医生过来。

医生来了。

2 接诊时，系统给 7 床拟了新处方：干体重下调 0.8 公斤。医生看了一眼，不采纳这个意见，敲了一行依据：近三月透间期体重增长稳定，无容量负荷加，下调从缓，两周后复评。

AI 会算得越来越准。要守住的只有一件事：让它一直在算，让人一直在看，让那个划掉的手指一直敢划下去。