> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/healthcare-ai-use-case-value-risk-ranking.md).

# 医疗 AI 能做什么？2027 年按价值与风险排序的用例清单

本文整理自 Duaer 文档站，从价值与难度两个维度梳理医疗 AI 的主要应用类别，分析常见的落地难点，并给出选择第一个试点的具体方法。

## 医疗 AI 的主要类别

问一位医院管理者或诊所运营者医疗 AI 能做什么，你会听到一长串清单：诊断、病历文书、患者咨询、药物研发、运营管理。这些大多是真实存在的，但它们在创造的价值、部署难度和监管风险上差异极大。实际的困扰不在于缺少想法，而在于团队无法判断应该从哪一个开始，往往先选了听起来最亮眼的方向，而不是组织真正能够跑通的方向。

本文把这个问题当作用例选择问题来处理。下面先梳理医疗 AI 工作的主要类别，再说明为什么有些类别比表面看起来更难，然后介绍如何按价值和难度排序，最后给出一个具体的第一个试点选择方法。

医疗 AI 工作大致可以分为五类。这样分组有助于理解，因为每一类的采购方、数据来源和风险特征都不同。

第一类是行政事务，包括根据口述或结构化输入起草临床记录、为就诊编码以便计费、处理事先授权的文书工作，以及为转诊汇总病历。这些任务以文本为主、高度重复且可以量化。错误确实会发生，但通常在影响诊疗之前就被人工复核发现。

第二类是患者接入与互动，包括预约助手、就诊提醒、就诊前问卷，以及把患者分流到合适科室的分诊聊天。其价值在于减轻呼叫中心压力、降低爽约率。一旦工具开始给出临床建议，风险会迅速上升，因此明确的范围边界非常重要。

第三类是临床决策支持，例如将异常影像标记为优先复核、在生命体征恶化时提醒医护人员，或提示药物相互作用检查。这一类可以带来很强的临床价值，但它最接近患者安全与监管要求，需要临床验证、清晰的责任划分，以及大多数机构仍在建设中的治理机制。

第四类是运营管理，包括床位和人员排班预测、耗材库存预测、设备维护排程，以及理赔模式分析。这些工作使用结构化数据，通常最容易借助历史记录进行评估。

第五类是研发，包括为患者匹配临床试验、挖掘文献，以及加速早期药物发现。其价值可能很大，但周期很长，结果也很难在单个预算周期内归因。

## 为什么显而易见的选择往往最难

临床决策支持看起来是最有价值的起点，而这恰恰是团队最容易失败的地方。涉及诊断的试点需要临床签字确认、能代表患者群体的数据、模型出错时的应对方案，以及可以向监管机构和内部委员会证明工具行为与宣称一致的文档。每一项都可能耗费数月。一个卡在验证阶段的试点，已经消耗了预算和政治资本，却没有产出可部署的结果。

数据是第二道障碍。临床数据分散在电子病历、影像系统、检验数据接口和计费平台之中。标签往往不一致，因为同一种诊断可能被不同的临床医生以不同方式记录。在任何模型发挥作用之前，必须先确定哪些字段可信，以及谁对其质量负责。跳过这一步的团队，往往要等模型令人失望之后才会发现问题。

第三道障碍是工作流程。一个技术上准确、但要求临床医生离开主屏幕、重复录入数据或等待单独审批的工具，最终会被弃用。采用率取决于它能否嵌入现有的任务序列，因此理解这一序列的人与理解模型的人同样重要。

## 按价值与难度给用例排序

要做出第一个决定，一个简单的二维视图就够用了。把每个候选用例放在坐标系中：横轴是难度，包括数据就绪程度、监管暴露、集成工作量以及必须改变行为的人数；纵轴是价值，即它能减少多少时间、成本或风险，以及该任务发生的频率。

实践中，行政文书与编码辅助通常落在高价值、中等难度的区域。任务频繁，输出可以复核，成功标准也很清楚。排程与提醒流程往往价值高、难度低到中等，但需要与预约系统集成。运营预测可能价值很高，但高度依赖历史数据的质量。临床决策支持往往价值高、难度也高，因此除非机构已经具备验证能力，否则应放在后期路线图上。

把评分写下来。为每个候选用例在两个维度上给出粗略分数，把理由记在分数旁边，并与临床、运营和合规相关人员一起评审。这项练习的价值与其说在于最终的数字，不如说在于它暴露出的分歧。如果合规负责人认为某个用例风险高，而运营负责人认为风险低，你就找到了任何建设开始之前必须回答的问题。我们关于[用矩阵给 AI 用例排序](https://doc.duaer.com/zh/guides/ai-use-case-prioritization-matrix/)的指南介绍了一种可以改编用于临床场景的评分方法。

## 如何选择第一个试点

第一个试点应满足四个条件。第一，它针对的任务要发生得足够频繁，能在几周内产生有意义的数据。第二，它的输出要能在到达患者或支付方之前由人工复核。第三，它要有一个今天就能测量的基线，例如每份病历的平均耗时、授权决定所需的天数，或呼叫放弃率。第四，在有限且受监督的形式下运行时，不需要新的监管批准。

在这些条件下，为某一个专科诊所提供文书辅助，或为某一个科室提供预约助手，是典型的首批候选。它们不够光鲜，但能形成清晰的前后对比，并建立后续临床项目所需要的数据管道、治理习惯和临床医生的信任。

明确划定边界。写下工具可以做什么、不可以做什么、由谁复核它的输出，以及什么情况会触发停用。那些让这些问题保持开放的团队，往往会非正式地不断扩大范围，直到试点变成合规问题。从试点走向规模化时的[常见陷阱](https://doc.duaer.com/zh/guides/enterprise-ai-adoption-pitfalls/)，往往正是在这个节点上暴露出来，因此最好在启动前就把规则定好。

医疗行业还有特定的合规要求。我们关于[医疗 AI 落地挑战与合规先行](https://doc.duaer.com/zh/guides/ai-implementation-challenges-in-healthcare/)的概述解释了为什么治理应该从试点第一天就设计进去，而不是事后再补。

## 常见误读与效果衡量

第一个误读是认为演示中的准确率能预测诊所里的成功。演示使用的是经过筛选的数据和受控条件。真实部署会暴露缺失字段、不寻常的表述以及演示从未展示过的边缘情况。应当要求供应商在你自己的历史记录上展示表现，而不是只看其提供的样本集。

第二个误读是认为自动化程度越高越好。在许多场景中，正确的设计是让人在最终决策环节保持在回路中，而让 AI 负责准备、汇总或标记。对于一些低风险的后台任务，完全自动化可能是合适的，但把每个用例都当作自主化的候选，会制造不必要的风险。

第三个误读是认为一次成功的试点就证明企业已经准备好进行下一个试点。一个部门、一支积极性高的团队所取得的试点成果，几乎无法说明工具在多个站点、人员流动或相互竞争的优先事项下会如何表现。规模化需要专门的培训、支持和监控计划。

衡量效果时，应以启动前设定的基线为准。对于文书工具，跟踪每份病历的耗时、临床医生的编辑率，以及未经修改即被采纳的草稿比例。对于排程工具，跟踪爽约率、呼叫量和完成预约的时间。对于运营预测，跟踪若干个周期内预测值与实际需求之间的误差。

同时也要跟踪失败的一面。记录工具出错的案例、错误是如何被发现的，以及它是否波及下游。只汇报成功的试点，要么规模太小、无法暴露问题，要么就是没有被诚实地审查。应设定复盘节奏，早期通常每两到四周一次，并提前决定什么样的结果足以支持扩大、调整或停止。

## 本周可以做的一件事

从你所在的机构中挑选三个候选用例：一个来自行政事务，一个来自患者接入，一个来自运营管理。对每一个，写下任务发生的频率、它当前消耗的时间或成本、它需要的数据、将复核其输出的人，以及它引出的监管问题。分别在价值和难度上打分，然后选择价值最高、难度最低的那个作为当前试点方向。暂时不要开始建设。把评分分享给临床、运营和合规负责人，并请他们提出质疑。

如果你希望在同一个地方完成这类评分并跟踪试点进展，可以在 [Duaer](https://www.duaer.com) 中搭建这一工作流程。该平台允许团队定义候选用例、记录基线，并与同一批利益相关方复核试点结果，让“先建什么”的决定有据可查，而不是凭记忆争论。

准备好整理你的医疗 AI 用例候选清单了吗？请访问 [https://www.duaer.com](https://www.duaer.com) 注册试用，从一个能在单个评审周期内完成测量的试点开始。

医疗 AI 并不是一个项目，而是一组风险各异的不同任务。能从中获得价值的机构，都是那些慎重选择第一个任务、如实测量其效果，并且只在证据支持时才扩大范围的机构。

## 常见问题

### 医疗机构引入 AI，通常应该从哪些场景开始？

通常建议从行政事务、患者接入或运营管理这类任务开始，例如病历文书辅助、预约与提醒流程，或床位和排班预测。这些场景任务频繁、输出可以人工复核、效果容易用基线对比衡量，且通常不需要立即获得新的监管批准。临床决策支持价值高，但验证、数据和治理要求也更高，更适合放在后期路线图中。

### 医疗 AI 试点如何控制合规风险？

关键是在启动前就明确工具可以做什么、不可以做什么、由谁复核输出，以及出现什么情况需要停用。治理应当从试点第一天就纳入设计，而不是等规模化之后再补。同时，要在有限、受监督的范围内运行，并定期复盘，记录错误案例及其被发现的过程。

### 如何判断医疗 AI 试点是否有效？

以启动前设定的基线为准进行衡量。文书工具可以跟踪每份病历耗时、临床医生编辑率和草稿采纳比例；排程工具可以跟踪爽约率、呼叫量和预约完成时间；运营预测可以跟踪多个周期内的预测误差。同时也要记录失败案例，并提前约定什么样的结果足以支持扩大、调整或停止。