一、引言：繁荣表象下的价值悖论
人工智能正以前所未有的速度重塑全球医疗行业格局。2025年，全球对医疗AI的投资已超过180亿美元，各大医疗机构纷纷做出巨额投入承诺。然而，一个根本性的问题却被普遍忽视：这些巨额投资究竟应该追求什么样的结果？为谁而追求？世界经济论坛与伦敦政治经济学院联合发布的白皮书《有意义的临床结局，才是医疗 AI赛道的决胜关键》尖锐地指出，当前的医疗AI竞赛正陷入一种“价值倒置”的困境——医疗机构所衡量的，往往是最容易量化的指标，而非对患者、医务人员和机构本身真正重要的结果。
白皮书认为，医疗AI竞赛的最终赢家，并非拥有最先进技术的系统，而是那些最先识别出对各方利益相关者至关重要的“有意义的结果”，并构建起强大治理架构来实现这些结果的系统。本文从“所宣称的”与“所衡量的”之间的鸿沟、AI影响的证据现状、价值倒置的深层机制以及面向未来的四项原则等方面，对该白皮书的核心观点进行了系统的梳理。
二、所宣称的与所衡量的：效率幻象与真实风险
AI在医疗领域的价值主张通常建立在两大支柱之上：降本增效与提升质量。在成本端，环境式AI记录助手已展现出显著效益，仅在2025年就创造了6亿美元的收入，其卖点是减轻医务人员的行政负担，缓解职业倦怠。在质量端，精准医疗、影像辅助诊断等应用被寄予厚望，且在受控条件下，AI的诊断准确性已达到甚至超越临床专家水平。
然而，真实世界的系统性证据依然匮乏。更令人警醒的是，AI的整合可能带来尚未被充分理解的负面后果。例如，发表于《柳叶刀·胃肠病学和肝病学》的一项多中心观察性研究发现，常规接触AI辅助结肠镜的内镜医师，其无辅助下的腺瘤检出率显著下降，首次提供了AI导致临床技能“去技能化”的现实证据。另一项发表在《NEJM AI》的随机对照试验则显示，即便医生完成了AI素养培训，自动化偏见——即过度依赖AI输出——依然顽固存在。
这些个体层面的风险叠加，形成了一种宏观层面的“生产力悖论”。尽管机构高管对AI热情高涨，但宏观生产率数据并未体现相应增长。英国NHS的十年计划被指可能基于对AI驱动生产率提升的未经证实的乐观假设。白皮书强调，问题的根源不在于技术本身，而在于结果导向的缺失：数十亿资金被投入开发，但各方对投资应实现何种结果、惠及哪些群体、依据何种基准来评判，缺乏共识。
三、AI影响的证据：自动化易得，结局难求
白皮书梳理了当前AI在医疗系统中影响的证据，揭示了一个显著的不对称性。
（一）自动化与效率：最坚实的证据集群当前最强有力的证据集中体现在行政管理自动化领域。环境式AI记录助手已在美国Epic系统用户中普及率近三分之二。一项发表于《JAMA》的多中心研究证实，其采纳与门诊病历记录时间显著减少及周接诊量小幅增加相关。然而，不同系统的目标迥异。例如，凯撒医疗集团的部署优先考虑医务人员福祉，其动力来自一线临床人员的强烈需求，且不将节省的时间转化为额外的接诊量，从而赢得了员工的信任。相反，其他医疗机构可能将节省的时间用于提高吞吐量，这直接影响了员工对AI的接受度。
其他证据集群包括诊断决策支持（如葡萄牙的AI分诊工具减少了患者不确定性并引导了更合理的就医行为）和影像加速（MRI扫描时间减少60-70%）。后者揭示了一个关键点：其价值体现在人群层面（减少等待时间），而非个体层面（图像质量相当），这正是当前评估框架难以捕捉的。
（二）评估框架的失灵：无法衡量的价值白皮书尖锐指出，被最有力证明的结果，恰恰是那些最贴近技术本身的结果（节省的时间、减少的点击量），而那些医疗机构存在的根本目的——改善患者健康、减少不平等、保障照护可持续性——则大多未被衡量。当前框架以“事件”和“活动量”为核心，是交易性的。若AI预测并预防了一次房颤发作，这个“被避免的事件”永远无法成为被衡量的临床结局。
问题的部分症结在于提问方式错误。我们不应将AI视为需孤立评估的技术，而应视其为服务创新。评估的问题应从“AI多准确？”转变为“如果我们没有使用AI，会发生什么？”这个反事实问题在资源匮乏的情境下尤为关键：当AI的对照物是“没有任何医疗服务”时，基于富裕西方医疗系统设定的证据门槛，可能会剥夺全球数百万人的潜在获益机会。
四、价值倒置：谁在定义“价值”？
白皮书引入了“价值倒置”这一核心概念来解释现状。其核心机制在于：医疗机构的不同治理层级，对“价值”的定义、风险承受能力和决策权存在根本性的错配。
●一线临床人员：承受AI失误最直接的后果（患者伤害），因此对证据的要求最高，但对技术采购的决策权却最小。他们关注的是安全性、工作流程和患者信任。
●高层管理者与采购方：承受的后果是间接的（声誉、财务），对证据的门槛相应较低，但握有最终的决策权。他们关注的是吞吐量、成本和系统绩效。
这种倒置导致了一个恶性循环：定义AI价值的权力，不成比例地掌握在离其后果最远的人手中。例如，一个准确率90%的排班算法，在管理层看来是成功（减少空位），但在医生看来，10%的误差率意味着患者“不请自来”，打乱工作节奏，增加负担。
激励机制是塑造这一过程的决定性力量。白皮书断言：AI不会内在改变商业模式，它只会加速朝向现有激励。在按服务收费模式下，AI会放大创收价值；在价值医疗模式下，AI则会放大预防和效率价值。凯撒医疗集团（关注员工福祉）与犹他州（批准AI自主续方以应对严重人力短缺）的对比，生动展示了相同的目标（改善可及性）和相似的技术，如何因不同激励和约束而导向完全不同的部署策略与结果定义。
五、面向未来的四项原则：走向“有意义的结果”
基于上述分析，白皮书提出了重新定义医疗AI成功标准的四项原则。
原则一：有意义的结果应自下而上识别，自上而下推行。要逆转价值倒置，必须首先让最接近诊疗一线的人（患者和临床人员）定义什么结果最重要。这需要制度化的参与机制。一旦定义明确，就必须通过采购标准、评估框架和问责机制，将这些结果嵌入到医疗机构的高层决策中，确保效率指标不再是孤立的衡量标准。
原则二：公私合作应共同创造“有意义的结果”定义。任何单一利益相关方都无法独自完成定义。白皮书提出了“医疗机构的5P”框架：患者、医疗服务提供方、支付方、产品公司和政策制定者。他们各自拥有不同且有时相互竞争的价值观。有效的公私合作必须让这五方围绕具体结果进行结构化的对话、谈判与妥协，使定义在临床上有意义、商业上可行、治理上可操作。
原则三：技术先进性很重要，但次于追求正确的结果。白皮书明确警告，不要将AI竞赛误解为纯粹的技术竞赛。一个拥有最先进算法但追求错误结果的系统，其表现必然逊于一个技术更朴实但目标明确的系统。因此，对数据质量、互操作能力和治理架构等基础设施的投资，与对算法本身的投资同等重要。
原则四：结果框架必须具有情境敏感性，为匮乏与充裕环境而设计。该原则面向全球，特别是中低收入国家。当AI的对照物是“没有医疗服务”时，对“证据”和“良好结果”的定义必须改变。“足够好”应被视为一个有意义的结果类别。一个在大医院优化病历记录的工具，与一个为偏远地区提供唯一精神健康支持聊天机器人的工具，其价值无法用同一把尺子衡量。结果框架必须具备足够的灵活性，以避免将优越环境条件的严苛标准变成阻碍弱势群体获得技术红利的壁垒。
六、结语：治理的胜利，而非技术的胜利
白皮书最终得出结论：医疗AI竞赛的赢家，将由治理架构决定，而非技术代码。胜出的将是那些率先走出“价值倒置”陷阱，构建起能够倾听一线声音、整合多方诉求、并坚守“追求有意义结果”这一核心原则的治理体系的系统。这不仅是一个技术采纳的问题，更是一场关于医疗行业价值观和权力结构的深刻变革。
Before you argue with someone, ask yourself, is that person even mature enough to grasp the concepts of different perspectives? Because if not, there is absolutely no point. 与人争辩之前，且先自问：此人是否已有胸襟，能容不同之见？若不能，纵费万语，亦不过徒然。早上好！
