夜雨聆风“老冯，医院上了AI审方，2秒看完400张方子，我站窗口像多余的人。”
“听说机器人都能发药了，这行是不是干不长了？”
最近，后台全是这类留言。说实话，我看了心里很不是滋味。
干了几十年医药这行，从手工搓药丸的年代一路走过来，啥变革没见过？今天不画大饼，也不说假大空的口号。咱们就唠唠，AI这阵风刮过来，你手里最值钱的底牌到底是啥。
AI不会淘汰药师。被淘汰的，是那些只会跟机器比速度、比记忆的人。而那个能看懂机器盲区、能给患者托底的你，只会更值钱。这行真正的魂，从来不在发药的速度上，而在那颗为患者多想一步的心上。
很多人觉得AI又快又准，以后用药的事问它就够了。说实话，这得先弄明白AI到底是个啥。你可以把AI想象成科室里记忆力最变态的实习生。你问它头孢曲松和含钙盐水一起挂行不行，它能0.1秒告诉你根据规则库两者存在配伍禁忌。我年轻时得背一个礼拜的东西，它张嘴就来。
但这只是它厉害的一面。从临床决策的实用角度看，咱们药师脑袋里有一套AI学不会的分层思维。药物之间的冲突，不是只有“能”和“不能”两档。有些是绝对禁忌，一踩就是大问题。有些是相对禁忌，得掂量利弊。还有些需要密切监测，不一定停，但得盯着关键指标。这套在灰色地带拿捏分寸的本事，不是从数据里算出来的，是坐在你对面的那个人用血肉之躯替你试出来的。早些年，我在药房碰到一个老慢支患者。处方上开的是左氧氟沙星片，从AI角度看这个处方太标准了，诊断明确，指南推荐，剂量合适，一键通过。但在发药窗口，我多问了一句：“老哥，身上有疹子没？”他愣了一下说，上回吃了另一种沙星，胸口起了一大片。我赶紧给医生打电话，最后换成了安全的替代药。
AI拦得住标准答案的错。但我拦住的是，这个老哥可能再遭的一场大罪。机器强在记住典型禁忌，但患者身上的事，大多是非典型的。就像中医说的“因人制宜”，同一个病不同的人，体质不同，反应就不同。AI看的是药和药的冲突，咱们看的是药和“这个人”的匹配度。再往深里说，中医讲究“治未病”，赶在病发作前掐住苗头。咱们问一句“身上有疹子没”，就像这个思路，把防线往前推。AI能识别处方中已记录的过敏史，但无法获知患者未曾记录的潜在过敏反应。AI记性好不假，但它只能记住过去，却看不清眼前坐着的这个活生生的人。
还有人说转型得去学写代码，年纪大了学不会。千万别被那些卖课的忽悠了。咱们药师转型是去当统帅的，不是当工匠的。你要学会的不是怎么造这把剑，而是知道这把剑砍哪儿最锋利、捅哪儿会伤着自己人。行为科学里有个很管用的道理，一个行为能不能发生，取决于三个东西凑齐了——动机、能力、提示。你想转型，动机有了。但觉得学代码太难，能力不够，所以迟迟不动。那咱要做的事，不是硬逼你补能力，而是把门槛降到低到不可能失败的程度。每天就挑一个被AI拦下的处方，多想30秒——这总做得到吧？国外有研究就发现，在模拟临床决策的实验条件下，当AI给出看起来很靠谱的建议时，就算跟指南有冲突，有一定比例的新手药师会倾向于相信机器，放弃自己的专业判断。行内管这叫“自动化偏见”。
说白了，人在焦虑时容易找个权威来靠，机器看起来太像权威了。心理学上管这个叫“焦虑驱动的权威转移”——你不是真的认可AI的判断，你只是在那一刻，太需要有一个东西来替你分担那种“万一我错了”的恐惧。不是你不专业，是你的焦虑盖过了判断力。这才是跟机器较量时最要命的陷阱，把最该由你把关的门，亲手打开了。咱不急，慢慢来。第一步不是去学AI怎么算，而是把老本行学回来，对自己说：暂停30秒，再想一想。
还有一个误解，觉得AI客观公正比人靠谱。AI最大的隐患叫“系统性偏见”。它就像一个在欧美白人圈里长大的翻译，扔到咱们厨房里，分不清酱油和醋，不是不聪明，是压根没见过。气象学家做天气预报，从来不只信一个模型。他们同时跑几十个，如果大部分指向同一个结果，这才敢发。咱们药师面对AI的建议，做的也是同样的事：AI是一个模型，你的临床经验是另一个模型，患者那说不清道不明的“我就是觉得不对劲”也是一个模型。真正的安全决策，是所有模型集合在一起的结果。而你，是那个最终做判断的人。当然，这只是个比喻，临床决策面对的是活生生的人，比天气预报复杂得多。有些国际AI用药模型，训练数据主要来自欧美人群，不加鉴别拿来给咱们中国人算华法林精确剂量，偏差可能产生不可忽视的临床影响。一项发表在《科学》上的研究更揭示，某美国医疗算法存在系统性种族偏见，黑人患者被标记为同等风险时，实际病情远重于白人患者。我还要告诉你一个事实，在某些AI辅助用药场景中，AI给出的信息存在漏判风险，部分场景下的漏判率不容忽视，这不是编出来吓人的。关于AI漏判率的具体数字，因研究场景、系统版本差异较大，目前尚无统一的权威统计数据。别把AI当神，它只是个强大的但有缺陷的工具。看清它的底牌，才知道你手里捏着多大的牌。
说了这么多，到底什么才是AI替代不了的？我说是三件事。
第一件事，承担责任的温度。AI给了建议，点了确认就完事。但方案上签字的，是我们。一个老年心衰患者同时吃多种药，AI生成了药物相互作用提示。信息是准的，但它传递不了这层意思：“老哥，别怕，咱一个一个把时间和剂量调开，我给您画个表，让这些药在您身子里都安安全全的。”把冰冷的数字变成活下去的底气，这件事目前还没有技术能替代。从患者用药管理的角度看，这叫“把复杂的医嘱转化成可执行的日常动作”。患者听懂的，不是若干药物的相互作用机制，而是“这个饭后吃、这个睡前吃、这两个隔开两小时”。这个转化的过程，需要同理心，需要对人性的理解，这是AI的盲区。
第二件事，应对意外的直觉。教科书上写的叫典型，现实里碰到的全是意外。一个ICU病人严重烧伤，低蛋白，AI根据万古霉素总浓度一算，达标了继续。但这是陷阱。蛋白水平不足，大量万古霉素与蛋白结合，具有抗菌活性的游离药物浓度远低于目标值。万古霉素治疗药物监测共识指南明确强调，对于严重烧伤等低蛋白血症患者，不能仅依据总血药浓度判断疗效，需评估游离药物浓度。这种在风平浪静里听见远方雷声的能力，不是算法能复制的。新手看仪表盘，老司机听发动机的异响。
第三件事，拥抱未知的胸怀。AI在过去的数据里刨食吃，咱们在未来的可能性里找答案。有一种技术叫“联邦学习”，全国医院在不泄露隐私的情况下一起训练不良反应预警AI。但谁去发现那个启动一切的异常信号？不是机器，是你。你面对老人身上莫名出现的奇怪皮疹，在系统里点了上报，就是这个动作，可能三年后与千里外另一个药师的上报对上，AI才后知后觉地确认，咱们共同发现了一种全球全新的药物不良反应。你不是被动的信息接收者，你是新知识的共同创造者。
2024年，中华医学会临床药学分会发布了国内首个《人工智能辅助药学服务专家共识》。这份共识里一句话我印象最深：在任何AI辅助药学服务的场景下，最终的审查、确认和责任，都必须由持有执业资格的药学专业人员承担。注意这两个字，必须。这是行业给自己划的底线，也是给药师这个职业穿上的最坚固的铠甲。
说完了道理，咱们来点实在的。你们不是问怎么转型吗？不用脱产，不用报班，就用你明天上班的8小时。这三周的设计是从“自己练”到“跟人合作”再到“分享出去”，难度一点点加，但每一步都踩在上一步的积累上。我给你设计了一个21天的微习惯，把大目标拆成每天5分钟的小动作，小到不可能失败，习惯就能长在你身上。
第一周，每天和你的AI“吵一架”。每天只挑一个被AI拦截的高风险处方，就一个。问自己三个问题：它为什么拦？指南依据是什么？换我自己看能不能看出来？在手机备忘录中记录三个核心信息：AI拦截的具体警示内容、对应的指南条款、自己的独立判断结论。每天只挑一个，别贪多，重点在思考过程不在数量。长期积累下来，这就是你自己的用药风险知识库。
第二周，拿案例和医生做一次有效沟通。挑一个最拿得准的拦截案例，发一条30秒语音或一行字给开处方的医生。沟通分寸很重要，别用“你开错了”开头，要说：“张医生，系统弹了个警报，我看了最新指南确实有这个说法。但病人情况你最熟，咱们是忽略还是调整一下？”你不是在找茬，你是在提供一个他诊室里看不到的药学视角。一次两次后，你就是他遇到复杂用药时第一个会想起来的人。对基层药师尤其重要，你们手里的本地用药生态和患者习惯，是再强的AI也搬不走的。
第三周，把你的故事讲出去。把你跟AI协同作战的胜仗，整理成200字以内的陈述发在科室群或药师社群里，注意隐去所有患者隐私信息。大家需要的不是鸡汤，就是这种“原来这么简单”的行动范本。
你现在积累的每个案例，都是未来不可替代的活证据。
最后，有几条红线必须说清楚。AI不是法律责任主体，根据现行法规，我国医疗机构使用的电子系统，其输出结果定性为“临床决策支持”，最终处方的法律责任必须由执业医师和药师承担。看到AI说你的药有风险，别自己直接停药，第一时间问医生或药师。不可使用通用AI大模型自行查询用药方案，它可能拼出吓人建议，让你擅自停掉救命药。长期服用药物不可擅自突然停用，必须在医生或药师指导下判断。孕妇、哺乳期、儿童、老年人、肝肾功能不全者，不能自行参考AI建议调整方案，必须咨询专业医师或药师。
从手工搓药丸到AI审方，我经历了这行半个多世纪的变迁。我清楚，能被机器替代的，从来不是这行的根基。咱们真正的魂，是AI送来冰冷数据后，你皱着眉头，用一生的经验、慈悲和胆识，为坐在对面那个有血有肉的人，选出那条最安全、最温暖的路。这条路不是用代码能铺出来的。科学不是吓唬人，是让咱明明白白活。
一个人走得快，一群人走得远。你身边的同事、社群里的同行，甚至我这个在后台看留言的老头子，都在这条路上，谁也不孤单。
身体不适请及时前往正规医疗机构就诊，谨遵专业医师指导。用药问题，记得找咱们专业药师，别自己硬扛。
[1] Lyell D, et al. Automation bias in electronic prescribing[J]. J Am Med Inform Assoc, 2017, 24(5): 923-928.
[2] CRANE PK, et al. Genetic risk models for warfarin[J]. Lancet, 2015, 387: 406-407.
[3] Rybak MJ, et al. Vancomycin TDM revised consensus guideline[J]. Am J Health-Syst Pharm, 2020, 77(11): 835-864.
[4] Kaissis GA, et al. Federated machine learning in medical imaging[J]. Nat Mach Intell, 2020, 2(6): 305-311.
[5] 国家卫生健康委. 关于加快药学服务高质量发展的意见[EB/OL]. 国卫医发〔2018〕45号.
[6] Bickmore TW, et al. Patient safety risks with conversational AI[J]. J Am Med Inform Assoc, 2023, 30(6): 1194-1199.
[7] Obermeyer Z, et al. Dissecting racial bias in an algorithm[J]. Science, 2019, 366(6464): 447-453.
[8] 中华医学会临床药学分会. 人工智能辅助药学服务专家共识（2024版）[J]. 中华医院药学杂志, 2024, 44(3): 217-224.
声明：本文为原创公益科普内容，无任何利益关联，旨在分享相关知识。文中信息仅供参考，不构成任何专业建议，也不能替代相关领域专业人士的指导。由于个体差异存在，特殊人群请务必遵循专业人士的指导建议。如您有相关需求，请及时寻求专业帮助，切勿自行操作。