AI走进Medicare年度健康访问：认知筛查、文书减负与制度边界

文/IAICA.NGO®

美国联邦医疗保险（Medicare）的年度健康访问（Annual Wellness Visit，AWV）自2010年《平价医疗法案》确立以来，一直是一项免自付额的预防性服务，覆盖B部分受益人。它与常规体检的逻辑并不相同：重点不在体格检查，而在于完成健康风险评估、认知功能评估、抑郁筛查、功能状态与跌倒风险询问、既往病史与用药清单核对、就医提供者清单整理，并据此生成个性化预防计划。其对应的计费代码为首次访问的G0438与后续访问的G0439。这套以问卷和结构化信息采集为核心的流程设计，恰好落在生成式人工智能与临床决策支持工具最擅长处理的区间，这也是围绕AI是否以及如何进入AWV的讨论持续升温的直接原因。

从服务流程看，AWV至少存在三个可被技术介入的环节。

第一是文书与信息采集。AWV要求医生在有限的问诊时间内完成大量结构化记录，包括认知量表的执行与结果归档。环境语音记录与自动摘要工具已在多类门诊场景中投入使用，可把医患对话转写为符合评估与管理编码要求的草稿，再由医生审核签署。对基层诊所而言，这意味着把时间从键盘重新分配给患者交流，也意味着病历质量对算法的依赖度上升。

第二是风险分层与闭环管理。AWV的产出之一是预防计划，但真正的难点在于后续执行：哪些人需要进一步认知评估，哪些人需要接种疫苗、接受结直肠癌筛查或骨密度检测，哪些人需要转诊社工与营养支持。基于电子健康记录数据训练的预测模型可对人群分层，把有限资源优先投向高风险个体。美国联邦层面的支付创新试点已开始把此类工具纳入设计，例如2025年起实施的WISeR模型，即以数据分析识别异常计费模式，说明监管方与支付方都在把算法同时当作临床工具与治理工具使用。

第三是认知障碍的早期识别。AWV中的认知评估定位为检测而非诊断，结果阳性者应进入独立的诊断流程。然而现实中大量轻度认知障碍与痴呆未被及时识别，患者往往在出现明显功能损害后才获得确诊。基于语音、笔迹、步态或影像的数字标志物研究，正试图提供更敏感、更易重复的初筛手段。但这里存在必须守住的边界：算法输出的应当是建议进一步评估的提示，而非诊断结论；一旦被当作诊断使用，误判带来的用药延误与心理伤害将难以估量。

推动落地的主要障碍并非技术本身，而是制度与伦理。其一，责任归属尚不清晰：当AI生成的摘要或提示出现错误，责任在签署病历的医生、软件供应商，还是训练数据提供方，目前缺少可参照的判例。其二，数据与偏差问题：训练样本若以特定人群为主，模型在少数族裔、农村居民或共病复杂的高龄人群中的表现可能下降，而这些恰恰是AWV最需要触达的群体。其三，隐私与知情同意：语音记录与认知测试结果属于高度敏感的健康信息，需要明确的使用授权与最小化采集原则。其四，支付与激励错配：若AI工具无法对应可计费的服务项，基层诊所缺乏持续投入动力；反过来，若按工具使用量付费，又可能诱发过度筛查与防御性诊疗。

iaica.com.cn 认为，AI在年度健康访问中的合理定位是增强而非替代：承担信息采集、结构化记录与风险提示等重复性劳动，把临床判断、共情沟通与终末决策留给人类医生。衡量其价值的指标也不应止于模型准确率，而应包括认知障碍检出率的提升、预防计划完成率的改善，以及不同人群之间健康结果差距的缩小。

可以预期，未来数年内AWV的形态将逐步演化：访前由算法完成风险问卷与病史核对，访中由语音工具承担记录，访后由自动化流程推动转诊与随访。真正决定这场演进成败的，是能否同步建立起验证标准、责任框架与公平性审计机制。技术已经就位，制度仍在追赶。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。