医生还没等来 AI 助手,先等来了 AI 监工

医生还没等来 AI 助手，先等来了 AI 监工

过去两年，医疗 AI 的聚光灯几乎都打在诊室里。辅助诊断、影像阅片、智能体写病历，每一个新进展都被反复讨论。讨论得越热闹，越容易让人忽略一个已经发生的事实：真正在医院里大规模铺开、并且每天都在影响医生和医院收入的 AI，不在诊室，在医保。

一、一个已经发生的变化

先说几组来自国家医保局的数字。

到 2026 年 6 月底，全国定点医药机构的事前提醒系统接入率已经达到 71%，而 2025 年底这个数字还是 43.38%，半年时间抬升了近 28 个百分点。三级医院的接入率达到 92%，10 个省份超过 90%。仅 2026 年上半年，这套系统就发出提醒预警 5562 万人次，涉及金额 128 亿元。^[1][2]

接入率这个词，落到日常工作里其实很具体。医生在系统里开医嘱、下检查、写病历，系统会实时比对医保规则和临床规则，一旦发现可能涉及重复收费、超适应症用药、分解住院之类的情形，会在操作端弹出提醒，由医生确认或修改。问题在进入结算之前就被拦住，不必等到事后扣款。

监管的关口就这样前移了。过去是事后翻病历、追费用，现在是开单当下就提示。配合经办端的事中审核、行政端的事后监管，构成三道防线，一层一层往下拦。^[3]

二、一个出疑点，一个做定性

人工智能并不完美，这一点没有争议。模型会误报，也会漏报，处理高度个体化的病情时尤其如此。一个会出错的系统，为什么在这个场景里反而能被信任、能快速铺开？

答案藏在分工里。

模型承担的是前半段：从海量结算数据里找出偏离正常模式的记录，把数以亿计的单据压缩成一份小得多的疑点清单。它做的是筛查，是把范围缩小。后半段的定性，交给人——医保审核人员、临床专家通过复核和会审，判断这条疑点究竟是违规，还是病情本身的特殊需要。

这两个位置的性质并不相同。模型处在筛子的位置，输出的是可能性，疑点本身不产生处罚；人处在拍板的位置，只有经过复核确认，才会进入扣款和追责。误报在人工这道关口被拦下来，不会直接造成伤害。

理解了这层结构，很多事情就清楚了。系统再强，也没有越过人去做最终决定；医生的判断没有被替代，反而成了整条链条里无法省略的一环。

三、先跑通的，是条件先凑齐的

再往深问一层：为什么最先成熟的是支付端的 AI，诊室里的 AI 却落在后面？

技术成熟度并不是决定先后的关键。一项 AI 能不能在一个场景落地，要看三样东西是否同时凑齐：数据、动力、权力。

先看数据。医保是结算的终点，天然掌握全量、标准化的结算数据，规则口径统一，覆盖所有定点机构。这样的数据基础，适合模型做大规模的交叉比对。

再看动力。医保基金的收支压力摆在明面上，支出随老龄化和新技术持续增长，收入增速放缓，控费是实实在在的刚需。把有限的稽核人力从海量单据里解放出来、集中到高价值线索上，投入产出一目了然。

最后看权力。支付方是规则的制定者，系统可以自上而下推行，不需要逐个去说服每一位医生。规则库和知识库已经收录近 25 万条规则知识点，并且向机构免费开放接入。^[1]

三样条件同时具备，支付端的 AI 自然先一步跑通。

四、诊室里的 AI，为什么慢

把诊室的情况拿来对照，差别就更明显。

临床面对的是一个个具体的病人，病情复杂、个体差异大，很难用一套规则穷尽。这里的判断一旦出错，直接作用在患者身上，代价可能是健康，纠错成本高，责任也重。让模型在这种场景里直接拍板，风险难以兜住。

所以诊室里的 AI 多停留在辅助提示的位置：给出参考、提醒风险，最终的诊断和医嘱仍由医生作出。这和医保稽核其实是同一个道理——人工智能适合先进到那些错了能被及时纠正、而且纠错成本不高的环节。

判断一项 AI 该不该现在就深入某个环节，可以先问三个问题：数据是不是全量、标准化的；错误能不能被后续流程拦住、代价是否可控；有没有责任清晰的人接得住。三个问题都有肯定答案，落地才稳。

五、规则之外，还有代价

任何一种机制都有副作用，智能监管也不例外。看清这部分，才算真正理解这场变化。

一个隐忧是防御性记录。当规则越来越细、提醒越来越多，医生为了顺利通过审核，可能倾向多写一些描述、多做一些检查，病历写得越来越像为了过审，记录病情反倒成了次要。这与控费的初衷之间，存在微妙的张力。

另一个隐忧是警报疲劳。提醒如果过于频繁、其中还夹杂误报，医生容易在反复弹窗中变得麻木，真正重要的风险反而可能被一带而过。噪音过多，提醒本身的价值就会下降。

还有更深一层的冲突。规则是刚性的，病情是复杂的，合规与合理并不总能重合。当一条规则在某个具体病人身上显得不合时宜，临床判断的空间需要被保留，不能让规则机械地压倒专业。

这些问题没有简单答案，却值得摆在台面上。它们决定了系统该怎么设计、规则该怎么校准，也决定了医生和这套系统之间最终是什么样的关系。

六、能解释，才好配合

正因为存在上述代价，算法的可解释和可申诉就格外重要。

一条疑点是怎么来的、依据哪条规则、命中了哪些数据，需要说得清楚，避免给出黑箱式的结论。医生和机构对疑点有异议时，要有申诉和复核的通道，由专家会审再作判断。从公开案例看，重大违规的认定都经过人工复核和质证，系统线索只是起点，定案依靠的是完整证据链。

可解释解决的是信任问题，可申诉解决的是容错问题。这两道通道在，机构才愿意认真配合，不会走向消极应对；医生也才敢于在规则与病情冲突时，依据专业作出自己的判断。

规则划定的是底线，告诉医生哪些行为有风险；底线之上的诊疗决策，仍然握在医生手里。把这两者分清楚，智能监管才不会偏离它本来的目的。

七、医信人的位置

这场变化对医院信息科意味着什么，已经越来越清晰。

建设的重心在迁移。全病历质控、结算清单管理、智能合规、医保规则对接，会成为持续性的投入方向。系统要保障规则版本及时更新、提醒响应顺畅，还要把每一次确认和修改留痕，为后续申诉提供依据。

能力的要求也在变。单纯会建系统、做接口已经不够，还要理解支付规则、能做数据治理、能把规则引擎和临床流程衔接起来，并处理好提醒的优先级，避免把所有风险都做成同一种弹窗。

信息科的角色由此悄然改变。从过去搭建和维护信息系统的人，转向规则、数据与合规的守门人，夹在支付要求和临床合理性之间，承担把两者对上的职责。这个位置更考验判断力，也更有分量。

写在最后

回到最初的问题。

人工智能进入医疗，最先站稳脚跟的角色，承担的是替监管筛出疑点的工作，最终定性仍由人完成，并不替医生做决定。它能被信任，恰恰因为它没有被放在需要独自承担后果的位置上。

工具承担事务性的筛查，人保留最终的判断。把这条边界守住，技术走得越快，临床的底气反而越足。

---

资料与说明

[1] 国家医保局 2026 年上半年例行新闻发布会实录，国家医疗保障局官网，2026-07-09

https://www.nhsa.gov.cn/art/2026/7/9/art_14_21357.html

[2] 2025 年全国医疗保障事业发展统计公报，国家医疗保障局官网，2026-07-16

https://www.nhsa.gov.cn/art/2026/7/16/art_7_21451.html

[3] 国家医保局关于做好 2026 年医疗保障基金监管工作的通知（医保函〔2026〕1 号），2026-02-02

https://www.nhsa.gov.cn/art/2026/2/2/art_104_19556.html

案例参考：健康报《用"智慧眼"锁定诊疗不足病例》、新华网《梧州市医保基金监管实现全病历全覆盖常态化》、央视网关于事前提醒接入率的报道。

本文依据截至 2026 年 10 月公开的资料分析。

个人观点，仅供参考，内容由 AI 辅助生成。