为什么医疗 AI 总是卡在最后一公里

医疗 AI 通常不是因为模型不够强而失败，而是因为从“预测”到“行动”的最后一公里没有被认真设计。

Vitania

7/29/20261 分钟阅读

过去几年，医疗 AI 已经反复证明：算法能够更快识别模式，更早预测风险，也能发现临床团队可能忽略的信号。技术进展是真实的，失望也是真实的。

许多 AI 工具在受控评估中表现不错，在试点中获得关注，却在真正进入医疗交付体系后慢慢沉默。仪表盘打开得越来越少，提醒被忽略，建议被人工复核后绕开。最后，这套系统被评价为“很有潜力，但还没准备好”，即使模型本身可能正按设计运行。

缺失的部分，往往是最后一公里：从 AI 输出到临床或运营行动之间的距离。

预测不是工作流

一个预测只有在有人能够行动时才有价值。在医疗场景中，这个“有人”通常处在非常窄的时间窗口里，面对不完整的信息、多重优先级，以及一个清晰现实：最终责任仍然落在人身上。

AI 模型可以识别出一名患者存在病情恶化的高风险。但下一步是什么？谁收到提醒？多快收到？在哪个系统里收到？发生在哪个班次？预期动作是什么？病区是否有足够人员、协议和升级路径来响应？如果同时有五名患者被标记，谁优先？如果提醒是错的，信任如何被保留？

这些不是实施细节。它们就是产品本身。

当 AI 团队把工作流设计当成模型开发后的最后一层包装，他们最终会得到技术上令人印象深刻、运营上却不完整的工具。模型给出输出，组织则被迫临时发明回应方式。

最后一公里的三种摩擦

第一种摩擦是注意力。临床环境本来就充满信号：报警、医嘱、消息、电话、检验结果、交接班。新的 AI 提醒进入的是一个已经拥挤的空间。如果系统无法区分“有意思”和“可行动”，它最终会变成噪音。

第二种摩擦是责任。医疗决策很少只属于一个人。护士、医生、其他专业人员、管理者和家属都可能参与决策路径。如果 AI 建议改变了决策的时间或方式，组织必须定义谁拥有下一步。责任模糊会削弱采用。

第三种摩擦是信心。临床人员不一定需要模型展示每一个数学细节，但他们需要足够的上下文来判断建议是否合理。一个有用的系统会呈现相关原因、证据边界，以及哪些情况下应该由人工判断覆盖模型建议。

当这三种摩擦被忽略，AI 工具看起来像是“采用失败”。实际上，它们从一开始就没有被完整地为采用而设计。

最后一公里设计应该是什么样

好的最后一公里设计，首先要问决策到底发生在哪里。不是数据在哪里，不是模型在哪里运行，也不是供应商演示在哪里最好看。而是哪一个临床或运营决策，会真正改变患者流转、诊断、治疗、排班、转诊或随访。

从这里开始，设计工作会变得非常具体。

提醒应该出现在人们已经使用的系统里。建议应该匹配工作流的语言和时间点。行动应足够具体，让团队知道下一步做什么。治理应足够清晰，让每个人知道责任如何分配。反馈环路应足够简单，让用户在系统出错时能够纠正它。

这些工作不如模型开发耀眼，却正是医疗 AI 变得有用的地方。

生成式 AI 的角色

生成式 AI 可以帮助打通最后一公里，但前提是使用方式足够谨慎。它的价值不只是生成文本，而是把混乱的运营知识转化为可使用的流程逻辑。

生成式系统可以帮助把本地协议、临床记录、升级规则、培训材料和专家访谈转化为结构化决策支持；可以帮助把患者说明适配到本地语言；也可以用临床团队更容易快速理解的方式，总结一条建议为什么被提出。

但生成式 AI 同时会提高治理要求。如果它负责总结，谁来核验总结？如果它负责解释，谁来确保解释在临床上成立？如果它适配协议，谁来确认这种适配在当地被允许？

最后一公里不能被简单自动化掉。它可以被变得更可见、更结构化，也更容易管理。

从模型中心转向工作流中心

医疗 AI 的讨论仍然过度关注模型表现。准确率重要，敏感性和特异性重要，验证也重要。但模型一旦进入医疗交付体系，这些指标只是开始。

更重要的是运营问题：

输出是否在正确时刻出现？

它是否到达了正确角色？

它是否改变了真正重要的决策？

团队是否知道下一步做什么？

系统是否可审计？

临床人员能否安全地不同意它？

它是在降低认知负担，还是增加认知负担？

能够回答这些问题的 AI，才有机会成为日常医疗的一部分。无法回答这些问题的 AI，最终很可能停留在试点、仪表盘或战略会议的幻灯片里。

医疗 AI 的未来，不只取决于谁能构建最强大的模型。它也取决于谁能把预测转化为有责任边界的行动。

这就是最后一公里。而在医疗里，真正困难的工作，往往正是从最后一公里开始。

14 Robinson Road, #08-01A
Far East Finance Building
Singapore 048545

71–75 Shelton Street
London, WC2H 9JQ
United Kingdom

info@vitania.net