行业观察丨从医院成本-收益的视角观察AI在医疗中的落地问题

近年来，在国家医保局主导下，中国医疗体系正从“按项目付费”转向DRG（按疾病诊断相关组）和DIP（按病种分值付费）。

(https://www.nhsa.gov.cn/art/2025/8/15/art_105_17575.html?utm_source=chatgpt.com)

这一改革本质上将医院收入从“做多少项目收多少钱”，转变为：“一个病种，对应一笔相对固定的支付”。

DRG最早可以追溯到20世纪60年代耶鲁大学的研究，并在1983年进入美国医保体系。国内从2014年开始试点，到2023年基本已经覆盖大多数地区，且仍在持续优化分组规则。

在学术上，2026年发表在 Health Policy and Technology 上的一项系统性研究（Wang等）发现，DRG实施后，人均住院费用显著下降，平均每月降低约700元左右，说明支付方式确实对成本形成了压制。

但更重要的是，这种压制并不是简单的“降本增效”，而是改变了医院行为模式。北京大学团队在 BMC Health Services Research（2024）基于22万例住院数据的实证研究显示，DIP实施后，部分病种的总费用和住院日反而上升，提示医院会通过进行路径调整、病例结构优化等方式应对支付规则。

这意味着：

在DRG/DIP体系下，AI提升的“效率”和“质量”，并不会自动转化为“更多收入”。

经济学上有个术语，ROI——投入产出比。

如果收入端受限，那么AI是否至少可以降低成本？

从理论上看，答案是肯定的。来自多伦多大学与欧洲多中心合作团队在2025年的一项系统综述（El Arab等）中指出，AI能够通过减少误诊、优化资源配置以及进行提前干预，从而降低长期医疗成本。

但问题在于，这些“降本”往往发生在系统长期层面，而不是医院短期财务报表上。

进一步来看，斯坦福大学与哈佛医学院学者Khanna等人在研究指出：

AI在“治疗路径”中的降本效果明显强于“诊断环节”。

换句话说，大多数当前医疗AI（影像识别、辅助诊断）主要提升的是效率，而真正决定成本的，则是治疗决策与路径管理。如果AI没有进入这一层，那么它对成本的影响其实是有限的。

与此同时，引入AI本身会带来一整套新增成本——

• 系统采购、算力设备、接口开发等显性成本；

• 数据治理、模型维护、安全与合规等隐性成本；

• 职工培训、流程调整、跨部门协同等组织成本；

以及，还有一个往往被低估的维度——风险成本：一旦AI判断出错，责任仍然主要由医生和医院承担。

因此，从医院角度看：AI并不是“天然降本工具”，而是一项需要前期投入、回报不确定的系统性投资。

医疗AI的经济价值，并不是均匀分布的。

一项基于941家医院的实证研究（ Journal of Business Research，2024）发现，AI应用的正向绩效更容易在市场份额较大的医院中体现。

对于头部三甲医院而言：

它们拥有更大规模的数据、更成熟的信息化基础、更强的医生团队以及稳定的患者流量。AI可以在此基础上进一步提升效率、接纳更多患者；强化质量、提升品牌信任；支撑科研、获取更多资源。

从而形成了一种“能力放大器”——即虹吸现象。

但对于中小医院：

情况往往相反。它们既缺乏数据规模，也缺乏系统集成能力，同时患者流量本就有限。AI很难带来显著收入，却会增加固定成本。

更重要的是，如果AI提升了头部医院的效率，它们可以接纳更多患者，反而会加剧资源集中。

这意味着：从社会层面来看，在推广分层诊疗的大环境下，AI可能只会“放大差距”，这在政策上是相当矛盾的。

如果问题的核心是“医院没有足够动机”，那么解决路径必须从激励结构入手。

这里提供几个不成熟的想法，供讨论：

第一，支付体系中是否可以体现效率激励。

如果医院通过AI降低了成本，是否能允许其保留部分节约收益，而非全部被医保吸收。

第二，责任边界是否需要重新讨论。

在现有框架下，AI更多只是“辅助工具”，但责任仍主要由医生承担。在这种情况下，医生天然就会更加保守。未来是否需要探索更清晰的责任划分机制，甚至在特定场景下引入“系统责任”的概念。

第三，从“工具引入”走向“流程重构”。

单点模型的价值是有限的。真正可能产生效果的，其实是将AI嵌入到诊疗路径中，改变决策结构本身。

如果把视角再往前推，会发现一些更值得讨论的问题：

当医疗支付从“按病种”走向“按结果”、甚至“按价值”时，AI的价值是否才能够被真正释放？

如果AI显著降低医疗成本，节约下来的资源又应该如何分配——是归医院、医保，还是患者？

在AI强化头部医院优势的趋势下，中小医院是否需要走向区域共享或平台化能力？

……