AI进急诊室:理想很丰满,现实很骨感

引言：那个“无所不能”的AI，为什么还没来？

想象一下这个场景：你捂着胸口冲进急诊室，分诊台前一排屏幕闪烁，AI已经在10秒内分析了你的生命体征、既往病史和主诉，自动给出风险分级；诊室里，医生刚输入症状，AI就调出了你三年前的CT影像，标注出所有异常，顺带推荐了三种可能的诊断和对应的检查方案；病房里，系统24小时盯着你的各项指标，稍有风吹草动立刻报警——这不是科幻电影，而是已经在国内部分医院真实发生的场景。

然而，如果你走进大多数中国医院的急诊科，会发现AI的身影远没有想象中那么普遍。一项针对AI临床决策支持系统（CDSS）开发者的访谈研究揭示了令人深思的现实：尽管技术日新月异，AI在急诊科的临床转化却步履维艰。研究者通过深入访谈，归纳出了八个制约AI落地的核心因素——团队能力、数据基础设施、临床问题定义、伦理审批、法律风险、模型性能、时间和成本。

问题来了：AI到底卡在哪儿了？

急诊科，AI的“地狱级”考场

要说清楚AI为什么在急诊科落地难，得先理解急诊科是个什么神仙地方。

急诊科大概是医院里最“混乱”的科室——患者随机涌入，病情千差万别，从感冒发烧到心梗中风，从擦伤到全身多部位创伤，从轻症到危重，全部挤在一个屋檐下。分诊要快、诊断要准、决策要狠，任何延误都可能付出生命的代价。这里的医生常年处于高压状态，每个决策都关乎生死，容错率极低。

正是这种高压力、高复杂度、高时效要求的环境，让急诊科成了AI的“地狱级”考场。研究者发现的八个障碍，几乎每一个都在急诊科被放大到了极致。

先说数据。 AI就像个挑食的孩子，喂什么数据就长什么本事。但急诊科的数据往往是碎片化的——患者的既往病史可能分散在不同的医院系统里，化验单、影像报告、医嘱记录各自为政，格式不统一、标准不一致。有专家指出，许多医疗AI模型在研发阶段依赖大医院相对规范的数据，但进入真实临床后，常会遇到病历记录不完整、诊疗信息碎片化等问题，严重影响模型稳定性。北京大学第一医院副院长杨莉也坦言，仅前期数据处理就花了三四年时间。

再说“幻觉”。大语言模型有个著名的毛病叫“幻觉”——生成看起来合理但实际错误的内容。在写诗这事儿上，幻觉可能是创意；但在急诊科，一个错误的诊断建议可能直接要人命。有医生直言：“国内还没有一家医院敢让AI独立给患者下诊断。”这不是保守，是负责任。

还有法律和伦理。 AI的诊断逻辑存在难以解释的“黑箱”特征——你问它为什么这么判断，它说不清楚。一旦出了医疗纠纷，责任算谁的？是开发者的算法有问题，还是医生采纳了错误建议，还是两者都有？目前国内在这方面的法律框架还相当模糊。

更别提钱和时间。一个AI临床决策系统的开发周期动辄数年，投入巨大。而医院的IT预算有限，科室主任们得在“买新设备”和“上AI系统”之间做选择题。

但事情正在起变化

好消息是，虽然挑战重重，但AI在医疗领域的脚步并没有停下来——恰恰相反，它正在加速。

从市场数据来看，中国AI医疗行业正经历从信息化到智慧化的跃迁。2019年到2023年，市场规模从27亿元增至107亿元，预计2028年将达到976亿元。2025年，国产大模型DeepSeek横空出世，数百家中国医院已经完成了本地化部署，尝试将其整合到临床诊断、决策支持等任务中。2025年我国医疗大模型市场规模已接近20亿元。

政策层面更是频频释放积极信号。2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》；随后国家卫健委等五部门联合发布《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》，明确提出到2030年，基层诊疗智能辅助应用基本实现全覆盖，二级以上医院普遍开展临床诊疗智能辅助决策。

在实践层面，已经有不少医院跑在了前面。已经有不少医院跑在了前面。例如，有的医院融合大模型、规则引擎与机器学习技术，构建了覆盖核心诊疗环节的混合智能决策架构，并荣获全国医疗生成式人工智能优秀案例奖；另有医院在门诊和住院部全面应用了大模型CDSS，年覆盖门诊量超100万人次，辅助识别诊断逻辑错误率降低60%，病历内涵质控达标率提升至95%；还有医院在急诊领域积极探索，尝试用“大模型+CDSS”的方式辅助医生提升鉴别诊断和治疗方案制定的效率。

在专科领域，AI同样表现亮眼。在专科应用层面，临床决策支持系统（CDSS）已展现出明确的价值。一项大型多中心随机对照试验表明，在急性缺血性卒中的诊疗过程中应用CDSS，可显著降低患者3个月内的新发血管事件发生率。此外，AI辅助决策系统在肾脏病学、中毒救治等专科方向也已有相关研究探索和初步应用。

破局的关键：人，而不是技术

那么，那些成功落地的项目做对了什么？研究给出了两个高价值的答案：让更多医疗端用户参与进来，以及与其他科室共享资源。

说白了，AI落地最大的瓶颈从来不是技术，而是人。

开发者坐在实验室里写代码，和一线医生坐在诊室里看病，中间隔着巨大的认知鸿沟。开发者关心的是准确率、召回率、F1分数；医生关心的是这玩意儿能不能帮我少犯个错、少熬个夜。如果AI工具没有真正解决医生关心的问题，再先进的技术也不会被使用。

所以，成功的项目往往从一开始就让医生深度参与——不是等系统做完了才来找医生试用，而是在定义问题阶段就让医生坐进会议室：“你们最头疼什么？AI能帮什么忙？”这就是研究者所说的“定义临床问题”——搞清楚到底要解决什么，比直接上手写代码重要得多。

另一个被反复验证的有效策略是资源共享。单个科室单独搞一套AI系统，成本高、数据少、维护难。但如果医院层面统一建设数据中台和AI平台，各个科室按需调用，效率和可持续性都会大幅提升。这也是为什么国家政策强调要“建立一批卫生健康行业高质量数据集和可信数据空间”——把数据底座打好，上面的应用才能百花齐放。

给想尝试AI的医院几点实在建议

如果你是一家医院的决策者，或者是一个正在考虑引入AI临床决策系统的科室负责人，以下几点或许对你有用：

第一，先想清楚“为什么”。别因为隔壁医院上了AI你就也要上。先问问自己和团队：我们最痛的点是什么？是分诊不准、是漏诊太多、还是病历质量堪忧？AI应该解决一个明确的、可衡量的问题。

第二，别一上来就搞大模型。大语言模型确实厉害，但成本高、部署复杂、还有“幻觉”风险。很多时候，基于规则引擎的传统CDSS或者小规模的机器学习模型，反而更稳定、更可控、更容易落地。从简单的场景开始，跑通了再逐步升级。

第三，让医生从头参与。这不是IT部门的事，也不是信息科的事，是整个科室的事。让一线医生参与需求定义、参与测试反馈、参与持续优化。只有他们觉得“这东西真有用”，系统才能真正用起来。

第四，重视数据治理。 AI模型的上限取决于数据的质量。花时间把数据标准统一起来、把历史数据清洗干净、把各系统之间的“数据孤岛”打通——这些脏活累活虽然不性感，但它们是所有AI应用的地基。

第五，做好长期抗战的准备。从立项到真正稳定运行，少说一两年，多说三五年。别指望“三个月上线、半年见效”。AI在医疗领域的落地是一场马拉松，不是百米冲刺。

总之：AI不会取代医生，但会用AI的医生会取代不用AI的

回到开头那个问题：AI为什么还没来？答案不是“技术不行”，而是“路还很长”。

但这不意味着我们应该等待。事实上，AI在临床决策中的角色正在被重新定义——它不再是那个试图取代医生的“超级智能”，而是一个越来越靠谱的“超级助手”。它能帮医生更快地调取信息、更准地识别风险、更全面地考虑可能性。它不会取代医生的临床判断，但能大大减轻医生的认知负担，把宝贵的时间和精力还给真正的诊疗和人文关怀。

正如一位业内人士所说，医生的角色正在“从单纯的诊疗者转变为‘AI协作者+临床决策者’”。这或许才是AI与医疗结合的最优解——人机协同，各司其职。

AI不会取代医生，但会用AI的医生，迟早会取代不用AI的医生。这句话听起来有点卷，但在医疗资源紧张、人口老龄化加剧、优质医生永远不够用的中国，它正在变成现实。

AI进急诊，技术只是起点，真正的考验在于组织、制度和人。提前预料到这些“隐性成本”，并积极调动多方参与、共享全院资源，才能让AI从实验室的“酷炫玩具”变成急诊医生离不开的“得力助手”。

所以，与其问“AI什么时候来”，不如问“我们准备好了吗”