AI临床决策

先说结论： AI临床决策支持可以整合病历、检验、生命体征、指南和患者信息，为风险预测、检查、处方、分诊和照护计划提供提示。它不应把概率自动变成诊断或处方，也不能替代医生询问、体检和患者偏好。安全系统必须明确输入、用途、阈值、证据、人类复核、响应责任、宕机方案和停止使用标准。

一页判断框架

核验六项：系统支持哪一个具体决定；用了哪些当前且可靠的数据；输出如何改变行动；误报、漏报和无法计算由谁处理；医生和患者能否理解并拒绝建议；上线后如何监测漂移、伤害和版本。没有行动责任和停用机制的高风险警报，不应直接进入临床。

临床决策支持不是单一工具

它可包括药物相互作用规则、风险评分、指南提醒、脓毒症警报、影像病理结果整合、试验匹配、病历摘要和生成式问答。规则系统与机器学习模型的可解释性和变化方式不同，每个功能需分别验证。

信息型与可执行型输出

信息型工具展示指南或风险，医生仍需主动选择；可执行型系统可能预填医嘱、调整队列或自动发送通知。越接近自动执行，潜在伤害越大，权限、确认和回滚要求越高。界面上的“建议”若默认选中，也会强烈影响行为。

预期用途

系统应规定疾病、用户、地点、患者、时间和行动。例如住院成人恶化风险不能直接用于儿童、门诊或出院。超用途时性能未知，医院不应因接口可以运行就默认安全。患者也应知道它是否真正参与了自己的决定。

数据输入

模型可能使用诊断编码、药物、检验、生命体征、文本、影像结果和既往利用。每个输入有时间戳和质量。错误单位、重复值、复制病史和延迟上传会改变输出。临床人员应能查看关键输入而不是只见分数。

病历数据不是自然真相

电子病历反映照护行为、支付和记录习惯，不只反映疾病。未开检查可能代表低风险，也可能是资源不足。模型若把历史不平等当作风险依据，会延续差异。开发者需区分疾病信号与流程捷径。

缺失值

“没有记录”不能总当作正常。不同医院对检验和问诊的频率不同，缺失机制会漂移。系统应说明插补、默认和停止计算规则。关键输入缺失时拒答或转人工通常比虚假精确更安全。

时间序列

生命体征趋势比单点更有意义，但采样间隔、补录和设备故障会形成假趋势。模型必须使用在决策时真正可得的数据，不能在训练时偷用未来信息。回顾性性能若含未来泄漏，会严重虚高。

风险预测

模型可预测恶化、再入院、跌倒、血栓或其他事件，但风险不是诊断。预测窗口和结局定义必须明确。高风险后应有有效干预，否则只增加警报；低风险也不能排除当前已发生的疾病。

诊断建议

算法可生成鉴别诊断或提醒罕见病，但排名受输入和训练文献影响。未列出的疾病仍可能存在，列在第一位也不代表最可能。医生需结合体检、检验和病程，不能按列表机械检查或治疗。

检查推荐

决策支持可提醒指南推荐或避免重复检查，但患者个体禁忌、时间窗和前测概率仍需判断。过度推荐会带来辐射、造影、假阳和费用，过度阻止则可能漏诊。净价值要在真实工作流评估。

处方支持

可检查过敏、剂量、肾功能、相互作用和重复药物。若药物清单不全、肾功能过时或规则版本旧，提示会错误。自动剂量和停药必须有专业确认，尤其是抗凝、胰岛素、化疗和高风险药。

抗菌药支持

系统可结合培养、过敏、本地耐药和指南建议药物或降阶，但不能替代感染部位、病原、器官功能和临床稳定性评估。自动推荐广谱药可能加剧耐药，延迟脓毒症治疗也可能致命。

脓毒症和恶化警报

模型可提前标记风险，但感染定义、生命体征测量和治疗会影响。假阳过多造成警报疲劳，假阴导致错误安心。警报必须明确谁在几分钟内查看、怎样评估和何时升级，不能只发到无人值守收件箱。

再入院预测

预测可帮助安排出院随访和社会支持，但历史再入院受保险、交通和照护可及性影响。把高风险用于增加支持可能有益，用于拒绝收治或惩罚则会伤害弱势患者。用途决定伦理和性能要求。

手术风险

算法可整合年龄、功能、检验和病史估计并发症，但训练人群、手术类型和围术期照护需匹配。风险分数用于共享决策和优化，不应作为机械拒绝手术的门槛。患者目标和替代方案仍需讨论。

肿瘤治疗支持

系统可整合病理、标志物、指南和试验，但药品标签、治疗线次、器官功能和既往毒性动态变化。推荐列表需标注标签内、指南、试验和研究证据。基因名不能自动变成处方。

临床试验匹配

自然语言模型可预筛病历与入排标准，但标准复杂且招募状态变化。算法可能漏掉患者或匹配过期中心。研究团队必须人工核验诊断、病理、实验室、既往治疗、地点和患者意愿。

病历摘要

生成式AI可整理长病历、时间线和待办，减轻文书负担。它可能遗漏否定词、混淆患者、把旧药写成现用药或编造事件。摘要必须链接原始记录并由签发者核对，不能成为唯一病史来源。

生成医嘱和处方

自然语言输入可生成候选医嘱，但剂量、单位、途径、频率和禁忌任何一项错误都可能伤害。高风险医嘱不能自动签发。系统应限制权限、校验结构字段并对异常剂量设置硬性安全检查。

生成患者说明

AI可把专业内容转成易读语言和多语种，但可能改变含义、遗漏急险或使用不合适文化表达。正式出院、同意和用药说明需由临床团队核验，并提供患者提问渠道。机器翻译不能总替代专业口译。

检索增强生成

让模型检索指南和院内资料可减少部分幻觉，但检索可能找到旧版本、错误段落或不适用地区。引用需能点击和核对，系统要显示来源日期。检索增强并不保证结论正确。

幻觉

生成模型可能编造诊断、检验、药物、指南和参考文献，语言却很自信。应禁止它无监督执行医疗动作，使用模板和结构化验证，并让人员对每个关键事实回到原始病历。患者不能把聊天回答当处方。

上下文窗口和截断

长病历可能被截断或只抽取部分内容，重要过敏、妊娠或旧毒性被遗漏。系统应显示使用了哪些资料、时间范围和缺失。医生不能假设模型已阅读全部病历。

提示注入

病历或外部文档中的文本可能意外或恶意指示模型忽略规则、泄露信息或生成错误建议。医疗系统需隔离数据和指令、过滤内容并限制工具权限。普通临床文字不能获得控制系统的能力。

自动化偏见

用户可能过度接受机器建议，尤其在忙碌、权威界面或默认勾选时。培训和设计应鼓励独立核查，并让拒绝建议容易。高风险分歧应触发第二人或专科复核，而非要求医生服从算法。

警报疲劳

低价值提示过多会被习惯性关闭，真正危险警报也被忽略。应按严重度分层、去重复、个体化阈值并定期删除无效规则。评价要看每个警报导致的有效行动和伤害，而非发送数量。

覆盖与绕过

系统可要求用户接受、拒绝或说明理由。强制理由可能增加文书却不改善安全，过度绕过则说明规则不适配。机构应审查绕过原因并改进，而不是简单惩罚医生或不断增加弹窗。

人机团队性能

独立模型AUC不能预测加入工作流后的效果。提示时机、界面、人员、响应资源和信任都会改变结果。应在真实临床中测量诊断、治疗、延迟、负担和患者结局，而不仅是算法准确率。

随机和前瞻性评价

回顾性验证不足以证明改善照护。前瞻性甚至随机实施可比较有无系统的净效应，并检查意外伤害。高风险广泛部署前，应获得与影响程度相称的临床效用证据。

灵敏度和特异度

阈值改变漏报和误报。严重急症可能容忍更多假阳，但资源有限时过多警报会挤压照护。医院应按本地患病率和响应能力选择，而非直接采用开发数据默认阈值。

阳性预测值

低患病率场景中，即便灵敏度和特异度不错，多数警报仍可能是假阳。需要向用户展示实际概率和行动，不应只用红色高风险标签。患者也不应把警报当确诊。

校准

模型输出的风险概率需与本地实际事件率对应。更换人群、治疗或编码会破坏校准。校准差会导致过度或不足干预，即使排序能力不变。持续监测和必要再校准是上线责任。

公平性

模型可能对不同年龄、性别、族群、语言、残疾或保险群体表现不同。历史资源利用作为标签会低估照护不足者需求。应分亚组评估错误与干预分配，并提供人工纠偏和申诉。

可解释性

显示重要特征有助复核，但相关性不等于因果。模型可能把“已开某药”当疾病风险，解释图仍看似合理。临床人员需要理解主要输入、限制和适用域，而不必获得不可信的伪解释。

不确定性和拒答

关键数据缺失、患者超范围或模型置信不足时应拒答并转人工。系统若必须对每个患者给分，会制造虚假确定性。无法计算率应公开监测，不能从性能分析排除。

数据和概念漂移

疾病流行、编码、检验设备、药物和路径变化会让模型性能下降。输入分布不变时，结局定义也可能改变。机构需监测数据、输出、行动和真实结局，达到预设阈值时暂停或回滚。

模型更新

云端或持续学习模型可能频繁改变。每条建议应追溯版本、配置和知识库。更新前需验证，更新后需监测，重大变化应通知用户。不能让同一天的患者在无记录情况下使用不同规则。

本地验证

部署前用本院数据和工作流检查输入、性能、亚组、警报量、响应和接口，可先静默运行。还要模拟宕机、错配和异常单位。若本地净效应不佳，应拒绝上线，即使产品已有其他地区许可。

上线后监测指标

监测覆盖率、缺失、拒答、阳性率、警报量、响应时间、采纳与绕过、错误、结局和人员负担。单看系统在线率没有意义。患者投诉和近失事件也是关键安全信号。

停用标准

预先规定性能下降、严重事件、数据接口错误、版本失控、指南过期或响应资源不足时暂停。停用后要恢复人工或旧流程、通知用户、保留日志并评估受影响患者。不能因合同和沉没成本继续危险系统。

宕机和业务连续性

网络、云服务和电子病历可能中断。机构需有人工处方、急诊分诊、检验复核和数据补录方案。恢复后避免延迟警报一次性涌入或旧建议误执行。临床人员应定期演练。

网络安全

攻击可窃取数据、改变模型、医嘱或知识库。需要最小权限、身份验证、加密、供应链审查、日志和应急隔离。安全更新也可能改变功能，需验证后发布。

隐私和数据用途

决策系统常读取完整病历，风险高于单项检查。患者应知道第三方、云端、保存、训练、跨境和退出边界。临床照护所需处理不应被默认扩展为广告或无限商业训练。

监管边界

部分决策支持可能属于医疗器械，部分信息工具在特定条件下不纳入同样监管。是否能让专业人员独立审查依据、输出风险和自动化程度很关键。产品应明确法律身份和预期用途，不能靠“仅供参考”规避实际高风险功能。

责任链

厂商负责软件和更新，医院负责采购、验证、监测和资源，临床人员负责综合判断，管理层负责治理。患者需要知道谁最终签发、如何请求人工复核和如何纠错。责任不能被一句“医生最终负责”全部转移。

文档和审计

记录系统输入时间、输出、版本、用户是否采纳及原因，有助于安全调查。但日志不能成为惩罚医务人员的唯一工具。关键是发现系统性错误、改善规则并追踪受影响患者。

严重事件处理

错误建议造成或可能造成死亡、严重伤害和重大延误时，应先纠正患者照护，再保存证据、通知治理团队和监管方，并审查同类病例。不能只修改软件而不回看过去输出。

患者知情与共享决策

高影响AI参与治疗选择时，患者应获得可理解的用途、主要依据、限制、替代和人工责任。是否需要单独同意随地区和场景不同，但患者始终有权提问。共享决策不能被概率分数取代。

医患沟通

医生应把模型概率转换为绝对风险和可行动选项，并说明与临床判断是否一致。避免说“电脑决定”。患者价值观、照护和费用不会自动进入所有模型，仍需单独讨论。

患者门户中的AI

门户可解释报告、回复常见问题和分流消息，但可能泄露敏感信息或错误降低紧急性。急症关键词应明确升级，生成回复需标记并复核。患者应能轻易联系真人，而不是困在聊天循环。

消费级聊天机器人

公共模型可以帮助整理问题，却缺少完整病历、体检和责任链。它可能编造剂量和来源。不要上传不必要身份信息，也不要根据聊天结果自行停药、调整胰岛素、抗凝或精神药物。

商业宣传红旗

宣称替代医生、实时读取全部医学知识、准确率近百分百、自动开药无复核、不披露输入和阈值、没有本地验证或停用、隐瞒云端训练、按推荐药品收费，均需暂停使用并核验利益冲突。

紧急就医边界

出现呼吸困难、胸痛、意识改变、单侧无力、严重出血、抽搐、高热伴寒战、严重过敏或快速恶化，属于急症，需要立即就医或由急救系统紧急评估。AI低风险、未报警、聊天建议观察或系统宕机都不能延误急救。

就诊前准备清单

记录工具名称、制造商、版本、用途、输入、输出、时间和最终处理者，保存建议和正式医嘱。询问监管状态、本地验证、阈值、缺失数据、亚组性能、警报响应、人工复核、数据用途、更新、宕机、停用和申诉机制。

必问机构的十二个问题

系统支持哪个决定？用了哪些数据和时间范围？适合此患者吗？风险如何校准？建议依据能否审查？谁必须响应？无法计算怎么办？医生可否拒绝？患者如何人工复核？更新和漂移怎么管？何时停用？错误后如何通知和回查？

六步患者决策链

第一步确认用途、版本和监管边界；第二步核验输入、时点、适用人群与本地性能；第三步检查证据、概率和替代方案；第四步落实专业复核、急诊和宕机接管；第五步结合患者目标后才执行；第六步保留记录，发生冲突、漂移或伤害时暂停、人工复评并纠错。

FAQ

AI建议的方案是不是最适合我

不一定。模型可能没有完整病史、价值观、费用和照护条件。建议需由临床团队与患者共同核验，不能自动执行。

AI没有发警报是否说明安全

不是。数据可能缺失、模型可能漏报或不覆盖当前问题。症状和临床判断与系统冲突时，应继续检查和处理。

生成式AI写的病历摘要可以直接签字吗

不应未经核对直接签发。它可能遗漏、混淆或编造信息，签发者必须回看原始记录，尤其是过敏、药物和关键时间。

监管许可后还需要医院本地验证吗

需要。许可对应特定用途，医院的人群、数据、流程和资源可能不同。本地验证和持续监测才能确认实际安全。

医生拒绝AI建议是不是不规范

不是。AI是决策支持，医生可基于临床证据拒绝，并记录理由。系统性高绕过率则提示工具需要改进。

权威来源与核验入口

本页采用世界卫生组织、美国食品药品监督管理局、美国卫生信息技术协调办公室、美国国家标准与技术研究院、英国药品和健康产品管理局及美国医学信息学会资料。具体产品和法规变化快，使用当天应核验版本、用途和本地治理。

患者决策链

1. 明确诊断、阶段、治疗目标和安全时间窗口。

2. 核对该技术在患者所在地区的批准、指南和证据状态。

3. 比较标准方案、合理替代、暂缓与不治疗的获益和风险。

4. 确认执行团队、机构条件、监测、费用和严重并发症接管。

5. 获取书面计划，包含成功指标、停止条件和失败后的下一步。

6. 治疗中按阈值报告异常；急症立即使用所在地急救。

7. 疗效或病情变化后重新评估，不机械延续原方案。

使用边界

本页用于技术教育和风险核验，不构成诊断、处方、停药或急诊分流建议、软件或医院推荐、隐私法律意见或性能保证。任何可影响患者的输出都应由具备资质的专业人员结合完整临床信息和患者目标负责解释。

权威来源与核验入口

1. https://www.who.int/publications/i/item/9789240029200

2. https://www.who.int/health-topics/medical-devices

3. https://www.fda.gov/medical-devices

4. https://clinicaltrials.gov/

5. https://pubmed.ncbi.nlm.nih.gov/

6. https://www.cochranelibrary.com/

查询时请使用具体技术、产品或疾病名称，并核对国家、适应证、日期、版本和研究状态。