医疗转型是一个“转译”问题，而不是一个技术问题

如果你参加过医院的战略会议，大概率见过这样的场景：一家医疗机构引入了一个看起来很有前景的 AI 模型，先做试点，结果数据也不错；但当它要推广到更多院区、更多科室，甚至跨越不同国家和医疗体系时，采用率却开始停滞。最后责任通常会被归结为几类熟悉的原因：一线人员抗拒变化、培训不足、供应商支持不够。

但这种解释忽略了一个更根本的问题。问题并不是临床人员抗拒技术，而是我们一直在解决错误的问题。

我们把医疗转型当成了技术问题。实际上，它首先是一个转译问题。

转译问题

想象一家医院采购了一套 AI 决策支持系统。供应商提供了一个已经验证过的模型，模型基于大量数据训练，准确率指标看起来也很漂亮。但这个模型的训练数据来自另一家医院、另一个医疗体系、另一类患者群体，背后还有不同的临床路径、运营约束和记录习惯。

现在，这个模型进入了一个它从未真正经历过的地方。

很多 AI 项目就是在这里停下来的。不是因为临床人员“不懂技术”，而是因为把一个模型从一个临床环境移动到另一个临床环境，需要同时完成三个层面的转译。

第一是临床现实。这个模型究竟在解决什么问题？一个用于识别胸片肺炎征象的模型，和一个用于评估患有 COPD 且合并多种慢病的高龄患者肺炎风险的模型，不是同一类工具。数据集里的准确率，不等于病房里的可用性。真实病房里，患者表现常常并不典型，医生掌握的信息也不完整，误报带来的负担有时不亚于漏报带来的风险。

第二是数据结构。模型期待什么样的数据流入？一个基于北美医院结构化电子病历构建的模型，不能简单接入中国医院的本地化记录系统，也不能直接适配英国护理机构的纸质记录。数据需要被抽取、标准化、验证，并以模型能够使用的格式输入。如果数据不存在于正确的位置，或者不是正确的格式，再强大的模型也无法真正运行。

第三是市场和组织语境。谁需要信任这个模型？在什么条件下信任？一个在研究型医院里验证过的模型，通常有数据团队、IT 团队和专项资源支持；但当它进入只有两名护士、一名医生、没有专职 IT 人员的基层机构时，运营现实完全不同。治理问题不同，合规要求不同，“成功”的定义也不同。在研究型医院，成功可能意味着论文和项目成果；在基层诊所，成功意味着患者不必为了一个基础诊断决定被转送到城市医院。

很多医疗机构会把这三个层面拆开处理：技术交给供应商，人员培训叫“变革管理”，监管问题交给合规顾问。但它们并不是彼此独立的模块。它们高度相互依赖。任何一处变化，都会牵动其他部分。

这就是转译问题。

为什么转译比验证更重要

模型验证很重要，但它并不充分。验证意味着模型在某个测试数据集上表现良好，而且这个数据集通常与训练数据相似。转译则意味着模型能够进入真实临床工作流，在真实运营限制、真实数据状态和真实责任边界下运行，并产生临床人员和管理者可以行动的结果。

临床医生并不会因为一个模型在数据集上有 94% 的准确率就自动信任它。医生真正关心的是：

• 它是否能使用我们实际拥有的数据；

• 它是否能在真实时间压力下给出可执行建议；

• 它是否用临床人员能够理解的语言解释自己；

• 它是否能嵌入既有流程，而不是额外增加工作量；

• 它是否会以临床人员无法预判的方式出错；

• 它是否有清晰治理，让大家知道出问题时谁负责。

这些问题无法只在实验室回答。它们只能在模型真实使用的地方，由真正会使用它的人，用他们每天面对的数据来回答。

但很多医疗机构仍然用试点指标定义成功：准确率、敏感性、特异性。然后当试点结束、采用率没有自然跟上时，才感到意外。

问题在于，他们回答了错误的问题。他们证明了模型能工作，却没有证明模型能够被转译。

跨境转译的复杂性

当模型需要跨境使用时，转译问题会变得更加复杂。

假设一家医院集团同时在新加坡、中国和英国运营。一个在新加坡私立医院表现良好的临床 AI 模型，到了其他市场会面临完全不同的环境。

在中国，它可能遇到不同的电子病历系统，许多医院仍然使用本地化、互不连通的信息系统；它会面对不同的监管审批路径，NMPA 审批并不会因为 FDA 审批而自动成立；它还要适应本地化的病历书写习惯、数据治理规则，以及与新加坡完全不同的基层和专科转诊路径。

在英国，它会遇到 NHS 指南和本地临床路径，护士、全科医生、专科医生之间的角色边界也可能不同；不同 NHS Trust 的电子病历系统和数据基础设施并不一致；同时还要面对英国数据保护法规、NICE 评估框架等要求。

一个只是“准确”的模型，可能在这些语境中全部失灵。一个真正被转译过的模型，才有机会规模化：它需要被适配到本地临床实践，整合进本地数据系统，按照本地治理要求运行，并被本地临床人员认为有用。

这两者之间的差别非常大。它决定了一个项目是停留在试点，还是成为标准工作流的一部分。

成功的转译是什么样子

过去十多年，我参与过医疗器械本地化、数字健康落地和 AI 产品运营化，逐渐看到了一些有效模式。

第一，在迷恋技术之前，先理解临床问题。你究竟想改善哪个决策时刻？不是笼统地“提高诊断准确率”，而是哪个临床问题、由哪类临床人员、在什么流程中、在一天中的什么时间点被提出？一个帮助全科医生判断气促患者是否需要影像检查的模型，和一个帮助放射科医生解读已完成影像的模型，属于完全不同的转译问题。

第二，在部署模型之前，先梳理数据现实。数据到底在哪里？在电子病历里，在纸质记录里，在某个独立系统里，在某个人的经验里，还是根本没有被记录？它是什么格式？谁拥有它？谁有权移动它？它需要经过哪些转换，模型才能使用？这项工作并不耀眼，但它决定了模型是否能真正跑起来。

第三，为工作流设计，而不是为模型设计。工作流不是一句“请大家改变习惯”就能重塑的。你不能要求一个忙碌的护士为了适配 AI 模型而额外改变全部流程。更现实的方式，是把模型嵌入现有流程，或者清楚证明改变流程带来的价值大于改变本身的成本。这往往意味着模型不会完全按照供应商最初设想的方式运行。没有关系。一个在真实场景中“不完美但可用”的模型，胜过一个在任何地方都无法落地的完美模型。

第四，从第一天开始做治理。模型出错时谁负责？如何监测模型性能衰减？当模型遇到训练时没有见过的数据时怎么办？多久重新训练一次？当地监管是否允许重新训练？谁决定更新模型，这个决策需要多长时间？这些问题听起来繁琐，却正是临床人员是否愿意信任系统的分界线。

第五，让转译过程可见。当一个模型从一个语境移动到另一个语境时，一定会有东西发生变化。模型可能需要用本地数据重新训练；阳性阈值可能需要根据本地疾病流行率调整；输出格式可能需要匹配本地病历记录标准；模型内嵌的临床路径可能需要按照本地指南更新。把这些变化说清楚。不要假装它还是同一个模型。它不是。它是同一底层方法在新语境中的新实现。临床人员可以接受适配，但无法接受伪装。

生成式 AI 与转译问题

生成式 AI 给转译问题增加了新的维度。

传统 AI 模型通常先训练，再部署，然后监测。生成式 AI 则可以在实时场景中被提示、被调整，并根据本地语言、本地惯例和本地临床实践生成输出。这很强大，但如果没有认真处理转译问题，也会带来风险。

一个能够把碎片化运营知识转化为结构化临床流程的生成式 AI 系统，可以节省大量时间。过去，我们可能需要请经验丰富的临床人员一点点写下他们每天如何判断、为什么这样判断；而生成式 AI 可以帮助提取这些知识、标准化它们，并嵌入可用的决策支持工具。

但模型的价值取决于治理质量。谁来保证被标准化的知识在临床上是正确的？谁来审查输出，确保模型没有生成看似合理却可能危险的内容？如果临床人员采纳建议后患者受到伤害，责任如何界定？

这些问题没有简单答案。但它们必须在模型部署前回答，而不是部署后才补救。

合规优先的本能

在这一点上，我和许多医疗 AI 从业者的看法并不完全一样。

很多组织把合规视为负担，认为它是模型构建完成之后需要跨过的一系列监管门槛：先把模型做好，再申请审批，再部署。

我更倾向于反过来理解。合规问题应该从一开始就塑造模型的构建方式。

一个无法被审计的模型，无论准确率多高，都很难被临床人员和监管者信任。一个无法解释其推理路径的模型，在出现问题时很难经受审查。一个黑箱模型在科学上可能很有趣，但在临床上未必可用。

如果从一开始就为合规而设计，提前考虑模型如何被审计、如何被解释、出错时如何分配责任，最终构建出来的就不仅是一个准确的模型，而是一个更值得信任的系统。而可信任，才决定模型是否会被真正使用。

从试点到规模化落地

医疗 AI 的“试点坟场”里并不缺成功案例。试点相对容易：团队有动力，资源被单独配置，大家有时间解决问题，也默认试点就是实验，所以当系统不够完美时，人们会更有耐心。

真正落地完全不同。它必须使用既有资源，必须整合进多年稳定运行的工作流，必须持续产出一致结果，必须处理边缘情况，也必须有人长期维护。

很多医疗机构低估了试点和规模化落地之间的差异。一个试点成功后，他们以为规模化主要是执行问题：多培训、多沟通、扩大 IT 团队。

但规模化本质上仍然是转译问题。一个在研究型医院、由专项团队支持、表现很好的模型，现在要服务于一个没有专门支持、第一次接触系统的基层护士。这不是单纯执行问题，而是转译问题。它要求重新思考模型的部署方式、呈现方式、支持方式和监测方式。

理解这一区别的组织，更有机会成功。不理解这一区别的组织，则会不断困惑：为什么我们的试点总是无法规模化？

最后一个问题

在任何医疗 AI 项目启动之前，都应该先问一个问题：

当这个模型从供应商实验室进入临床人员真正使用它的地方时，什么必须改变？

不是“什么可以改变”，也不是“什么可能改变”。而是什么必须改变？临床现实、数据结构、运营语境或治理模式中，哪些部分必须不同，这个系统才可能真正工作？

如果无法清楚回答这个问题，模型还没有准备好部署。并不是模型本身不够好，而是转译工作还没有完成。

真正做好医疗转型的组织，不一定拥有最复杂的 AI。它们真正理解医疗转型是一个转译问题，并愿意做那些不够耀眼、但高度依赖语境的工作，让技术真正进入临床实践。

技术是必要条件。转译，才让技术真正发挥作用。

作者简介

Ann Yanan Liu 负责 VITANIA 的 AI 与生成式 AI 产品开发。VITANIA 团队工作于临床需求、技术能力与组织执行之间，服务新加坡、中国和英国等医疗体系。她拥有十年医疗器械本地化与数字健康实施经验，并获得 Google Generative AI 认证。

联系我们

© 2026 VITANIA LTD. All rights reserved.

📍 新加坡总部地址：

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

📍英国办公室地址：

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

✉️ 联系邮箱地址:

info@vitania.net