夜雨聆风如果一台医院内部AI，回答三次，可能错两次，接下来会发生什么？
它是否应当关停、复盘并重新验证？
在一纸震动美国医疗AI行业的诉状里，答案却完全相反：项目被指继续推进，不利结果疑遭掩饰，而那个不断拉响警报的人，最终被赶出了组织
2026年7月，梅奥诊所前研究运营总监、AI合规负责人 Traci Tamiko Eto，将这家全球顶级医疗体系告上明尼苏达联邦地区法院
诉状抛出的数字触目惊心：
内部数字助手 MAYA，错误率据称高达67% 约 10份独立内部举报发出类似警告 去标识化患者数据共享被指绕过充分伦理审查 一项心脏手术相关设备或程序，疑在审查不足时获批 Eto上报后遭排挤、降职，最后在病假期间被“裁员”
这些目前仍是原告的诉讼主张，法院尚未确认梅奥诊所则表示，其AI研究与临床创新遵守适用法律，重视隐私、安全、透明与合规，并拒绝评论未决诉讼
▲ KTTC报道将“操纵数据”“规避审查”和报复指控放在同一张诉讼图景中。
67%！一台“几乎不算在工作”的医疗AI？
风暴中心叫作 MAYA，即梅奥数字助手
公开临床试验登记显示，MAYA确实存在，主要面向拥有梅奥凭证和电子病历权限的内部员工，用于提升数据检索效率它服务于医院内部的信息流程，输出可能进入临床与研究决策的上游
因为在医院里，信息检索本身就可能成为临床与研究决策的上游
诉状称，2024年11月，Eto发现相关团队使用了未经所需授权的软件，并歪曲研究结果约10份内部报告据称都指向同一个问题：研究人员试图掩盖约67%的错误率
▲ 行业媒体Grid Health直言：如果67%的数字成立，这款工具“根本不算在工作”。
当然，“67%错误率”不能脱离评测协议单独理解
错误究竟指什么？是检索答非所问、遗漏关键字段、引用错误记录，还是生成了事实性幻觉？分母是全部查询，还是某一类高难度任务？目前公开材料没有给出完整答案。
因此，67%不等于67%的患者受到伤害，也不能据此直接判断MAYA造成了临床事故
但若这一数字来自合理、稳定的测试集，那么它所表达的工程现实依然严峻：系统距离可靠生产标准仍然很远
她被雇来踩刹车，上司却被指谈起了“竞争优势”
Eto当时就在研究运营与合规链条的核心岗位
她于2023年12月加入梅奥，拥有约 18年人类受试者保护经验，管理约39名员工，并被指定领导梅奥对齐联邦AI安全与隐私要求的工作
换句话说，她的职责就是在AI列车过快时踩下刹车
2024年春夏，她开始关注Mayo Clinic Platform，一个利用梅奥及合作医疗机构去标识化数据，支持AI开发、测试与研究的平台
诉状称，她发现部分数据共享流程，特别是涉及全球提供方的环节，没有经过梅奥机构审查委员会（IRB）的妥善审查
IRB可以理解为医疗研究的“安全闸门”它要判断研究风险、隐私保护、知情同意，以及数据使用是否符合伦理去标识化也不意味着数据从此“隐形”：数据规模越大、连接维度越多，隐私与重识别风险就越值得重新评估
然而，诉状给出了一句极具冲击力的回应相关负责人据称表示，重新审视平台流程：
“会危及正在进行的研究项目进度，进而损害梅奥的竞争优势。”
当Eto继续追问MAYA问题时，另一位上司据称又说，解决它需要消耗自己“不准备花费的政治资本”
这两段回应把医院最敏感的矛盾直接摆到了桌面上：
患者安全和机构审查，究竟是创新的底座，还是速度面前可以暂时绕开的成本？
从加薪到出局：一扇门如何在十个月内彻底关上
随后发生的人事变化，快得像一场经过剪辑的职场惊悚片
2025年2月，Eto将包括MAYA研究在内的两起问题报告给梅奥法务部门她称，自己随即被排除在人类研究运营领导团队的高管会议之外，核心下属被安排进会，取代她的位置
3月12日，她还获得了一次加薪。
约两周后，诉状称，上司要求她二选一：要么辞去现职，在梅奥内部另找工作；要么承担人事档案后果，影响其在梅奥乃至外部的职业发展
4月，她收到纠正行动计划。HR认为计划没有违反内部政策，但原告称，HR并未展开有实质意义的调查
7月，她失去团队管理权，构成实质降职此后，她出现严重抑郁发作，并申请《家庭与医疗休假法》（FMLA）休假申请起初遭拒，直到她聘请律师后才获批准
然后，最戏剧性的一幕出现了。
9月2日，休假尚未结束，她被告知岗位因“人员削减”而取消诉状称，被取消的事实上只有她一个岗位
她随后在梅奥内部申请约15个职位，只获得一次面试12月1日，雇佣关系正式终止。
诉状还指控，梅奥通过所谓的 “ghost file”影子档案，将提出合规关切的员工标记为“不适合重新雇用”，形成事实上的职业黑名单
▲ 社交平台迅速将案件浓缩为三个爆点：67%错误率、结果遭歪曲、举报者被解雇。
劳动纠纷背后，是一张昂贵的AI风险账单
从财经视角看，这起案件至少有三层成本
第一层是直接法律成本。Eto请求陪审团审理，索赔范围涉及欠薪、预期薪酬、福利损失、ADA、《虚假申报法》及相关诉讼费用；目前没有公开具体金额。
第二层是平台信誉成本。梅奥兼具医院、医疗数据平台和AI能力输出者等身份当一家机构同时扮演临床权威、研究平台和行业标准塑造者时，任何内部审查争议都会沿合作网络放大
第三层，也是最难量化的一层，是信任折价
医院提供医疗服务，也向患者作出一种承诺：在效率与生命发生冲突时，系统会选择更谨慎的那一边若诉状中的“竞争优势”和“政治资本”说法获得证据支持，一款工具和这份承诺都将受损
医疗AI正在进入“法庭时代”
梅奥案已有多起同类争议可供参照。
在支付端，UnitedHealth旗下工具 nH Predict 被指用于压缩老年患者的康复护理相关诉讼称，约 90%的拒绝决定会在上诉后被推翻，但实际提出上诉的患者仅约 0.2%
在保险审核端，Cigna的PxDx流程被曝在两个月内处理超过 30万项索赔，医生平均每项审核只花 1.2秒
在临床记录端，Sharp HealthCare则面临环境AI记录工具相关诉讼：原告称，对话未经适当同意便被上传处理，AI生成的病历甚至自动写入“患者已同意录音”，而患者主张，这段同意对话根本没有发生
这些争议程序阶段不同，指控也尚待各自法庭检验但它们共享一个危险结构：
组织用速度、规模与效率解释自动化；患者和员工则用错误率、形式审查与责任缺口反击
▲ 当AI判断失误，责任究竟属于医院、厂商还是临床医生？技术跑得越快，这个问题越无法回避。
法庭还要追问：“坏消息能否向上走”
这起案件最终不会靠社交平台上的愤怒定案
法庭真正要看的，是原始评测集、模型版本记录、IRB会议材料、内部邮件、法务报告，以及每一次人事决定的时间点
67%的分母是什么？测试结果是否被删除或重新表述？项目是否依法需要IRB审查？Eto受到的不利待遇究竟源自举报，还是独立的人事原因？这些都要经过证据开示与交叉质证。
但无论判决如何，这起诉讼已经提前敲响了一记警钟：
医疗AI治理不能只靠一张“负责任AI”原则海报它需要不可随意修改的评测日志、独立复核机制、持续上线监控，以及真正能够保护异议者的组织制度
因为吹哨人往往是系统里最后一个仍然工作的传感器
AI开始胡说，已经足够危险。
组织可能已经知道它在胡说，却把发出警报的人当成了需要过滤的噪声；这种局面尤其危险。
