夜雨聆风民法典核心条款与医疗AI特殊风险（2）
第1203条产品责任——AI系统缺陷谁买单：
第1023条规定，因产品存在缺陷造成他人损害的，生产者应当承担侵权责任； 在医疗AI应用中，责任分配存在三种情形：
1）AI算法固有缺陷，AI系统本身存在算法缺陷（如训练数据偏差）导致误诊，厂商应承担产品责任，医疗机构承担医疗损害责任。责任分配上，医疗机构对外承担连带责任，对内可向AI厂商追偿；
2）为医疗机构超适应症使用，医疗机构超出AI系统批准的适应症范围使用（如将肺部CT筛查系统用于脑部诊断），医疗机构承担主要责任，医生承担过错责任；
3）医生未审核AI结果，医生完全依赖AI诊断结果，未进行人工审核和复核，导致误诊，医生承担过错责任，医疗机构承担管理责任。
医疗AI责任链条是“医疗机构（使用方）承担医疗损害责任，AI厂商（生产方）承担产品责任，医生（操作方）承担过错责任”，医疗机构在采购AI系统时，应在合同中明确”AI缺陷责任分担条款”，约定厂商对产品缺陷造成的损害承担赔偿责任，并明确赔偿范围和限额。但这类纠纷的难点并不在于前期合同谈判，而是在于举证。
第1219条知情同意权的AI延伸：
第1219条规定，医务人员在诊疗活动中应当向患者说明病情和医疗措施。需要实施手术、特殊检查、特殊治疗的，医务人员应当及时向患者具体说明医疗风险、替代医疗方案等情况，并取得其明确同意；不能或者不宜向患者说明的，应当向患者的近亲属说明，并取得其明确同意。医务人员未尽到前款义务，造成患者损害的，医疗机构应当承担赔偿责任。 在AI应用场景下，这一条款延伸出医疗机构的AI告知义务清单：
1）必须告知患者“诊疗过程中将使用AI辅助”；
2）告知AI辅助诊断的功能、适用范围、准确率等；
3）告知AI诊断的局限性、可能存在的误诊风险；
4）告知使用AI可能带来的数据安全风险、隐私风险。
禁止行为包括：将AI作为唯一诊断依据未告知患者，侵犯患者知情同意权；医疗机构使用AI辅助诊断但未告知患者，导致患者误以为诊断完全由医生做出，侵犯患者知情权和选择权。 医疗机构引入医疗AI工具时，须注意修订《知情同意书》，增加“AI辅助诊疗告知条款”；制作AI辅助诊疗告知书，单独签署；在诊疗过程中口头告知患者使用AI辅助；保留告知的书面证据（签字、录音等）。
关于病历管理与患者权利响应：
第1225条规定，医疗机构及其医务人员应当按照规定填写并妥善保管病历资料。AI自动生成的病历（如影像报告、病程记录）被视为病历组成部分。医生未审核直接采用AI生成内容，导致错误记录，将违反该条规定，结合第1222条过错推定原则，医疗机构可能被推定有过错。 患者权利响应方面，《民法典》第1037条与病历管理条款形成联动：
1）第1037条规定：“自然人可以依法向信息处理者查阅或者复制其个人信息；发现信息有错误的，有权提出异议并请求及时采取更正等必要措施。
自然人发现信息处理者违反法律、行政法规的规定或者双方的约定处理其个人信息的，有权请求信息处理者及时删除。”
2）医疗机构应保障患者如下权利：
查阅复制权：患者有权要求查阅、复制其病历（含AI处理后的数据），医疗机构应在合理期限内提供，不得拒绝或拖延；
更正权：患者发现AI生成的健康画像有误，有权要求更正，医疗机构应核实并及时更正，确保数据准确性；
删除权：患者撤回同意后，医疗机构应删除其用于AI训练的数据。
技术难点在于已训练模型中的数据如何“遗忘”，这是当前AI技术尚未完全解决的难题； 实务合规方面，需要建立患者权利响应机制，明确查阅复制流程、更正审核流程、删除技术方案，确保患者权利得到保障。
关于第1165条过错责任：
《民法典》第1165条规定，行为人因过错侵害他人民事权益造成损害的，应当承担侵权责任。 医疗机构引入、使用AI诊断系统，负有与其专业能力相匹配的审慎核查、持续监测和必要复核义务。
以算法偏见为例，算法偏见是医疗AI应用中一项特殊的法律风险，AI训练数据偏差可能导致对特定性别、年龄、种族的诊断准确率产生差异：
若医疗机构明知或应知某AI系统存在算法偏见（例如，在特定人群上存在显著分组误差），仍采购、部署或未设置人工复核，导致误诊、延误治疗并造成损害，可能因未尽合理注意义务而承担过错责任； 法律依据主要包括《民法典》第1165条（过错侵权）以及《新一代人工智能伦理规范》中的公平公正、可控可信、保护隐私等要求；但是，在归责问题上，还应区分医疗机构的使用注意义务、厂商的产品/服务质量责任与算法提供方的说明义务，不宜把“存在偏见”直接等同于“医疗机构当然有过错”。
关于算法偏见，偏见通常不是“AI天生歧视”，而是模型把既往诊疗体系中的偏差学习并放大：训练样本中某类人群代表性不足；历史标签本身受到漏诊、迟诊影响；症状阈值、影像特征、检验标志物以多数群体或性别为默认模板；总体准确率/AUC掩盖了分人群假阴性率升高；就诊路径、检查利用、费用和既往诊断编码等代理变量，把“少被检查、少被诊断”误学为“低风险”。
比如，在男女均可患病但女性更易漏诊的任务中（如心血管事件、胸痛/胸片多病种识别等），模型对女性假阴性率更高、风险低估更明显。机制常包括女性样本占比偏低、女性“非典型”症状权重不足、肌钙蛋白等标志物阈值未按性别校正、女性既往漏诊史进入训练标签等。再比如“年龄偏见”，AI系统对老年患者多病共存、非典型表现、衰弱与用药交互等特征建模不足，或把“高龄”机械作为风险/排除因素，造成漏诊、过度检查或治疗建议失衡。
实务中，医疗机构本身往往没有技术能力对算法进行审查（供应商也不会为了销售产品/服务而同意甲方审代码或反向工程模型），而是通过“采购准入+过程监控+异常处置”等程序性保障措施落实主体责任和注意义务。具体情况明天看。