研究显示AI诊疗建议费用可达医生约三倍,成本敏感度成落地关键
#AI照护与医疗科技 时间2026-10-30 05:37:36
文/IAICA.NGO®
一项最新研究给出了一个值得警惕的结论:在相同临床情境下,让人工智能系统给出诊疗建议,其推荐的检查项目与用药方案的总体费用,平均可能达到人类医生方案的约三倍。研究并未否定人工智能在效率上的优势,但指出当模型被赋予建议检查与处方的权力时,费用维度往往是最容易被忽略的一环。
过去两年,大语言模型与多模态模型快速进入临床决策支持、病历生成与分诊导诊环节。支持者的理由很直接:检索指南更快、罗列鉴别诊断更全、遗漏罕见病的概率更低。但医疗决策从来不只是知识检索,它同时受制于证据等级、患者偏好、支付能力与卫生经济学约束。这项研究的意义,正在于把费用这一长期被技术叙事遮蔽的变量重新放回台面。
费用差距从何而来
从已披露的信息看,差距主要来自建议的宽度而非单项价格。面对同一主诉,医生的常规路径是先做必要的查体与基础检验,再依据结果逐步深入;而模型的输出倾向于一次性覆盖所有可能性,把多项影像学检查、扩展性实验室指标与新型药物并列写入清单。这种宁可多做的倾向,在单次问诊中看似稳妥,累积起来却会显著抬高整体支出。
另一个因素来自约束条件的错位。人类医生同样面临按项目付费的激励,但现实中还受到医保控费、同行评议、患者沟通成本与执业规范的牵制。模型没有这些牵制,它主要对齐不漏诊这一单一目标,成本敏感度自然下降。
过度检查的真实代价
费用只是表象。更多检查意味着更多假阳性、更多二次确诊、更多侵入性操作,以及更长的候诊与焦虑周期。对高龄、多病共存、认知功能下降的群体而言,反复检查带来的身体负担与照护者陪护成本,往往比账单本身更沉重。卫生经济学界长期讨论的低价值照护问题,在人工智能批量生成建议清单的背景下可能被进一步放大。
技术层面的修正路径
问题并非无解。业界已在探索若干方向:在推理环节显式注入价格、医保目录与可及性信息,让模型在生成建议时完成成本核算;采用检索增强与指南约束,把输出限定为分层方案,先给最小必要路径,再给可选扩展;在评测中加入成本感知指标,考察单次建议的平均费用与低价值项目占比,而不只是诊断准确率。
iaica.com.cn 认为,人工智能在临床场景中的价值不应只用准确率衡量,成本敏感度、可解释性与可审计性同样应成为产品落地的前置条件。
对照护场景与监管的启示
在长期照护与慢病管理中,这一问题更需审慎。照护对象常同时服用多种药物、在多家机构间流转,一次不必要的检查或加药都可能引发连锁反应。若智能系统在照护计划中批量推荐高价项目,不仅加重家庭负担,也会挤压本就紧张的护理人力与公共资源。
监管层面,多数辖区对人工智能医疗器械的审评仍以安全性与有效性为核心,卫生经济学评价尚未成为强制门槛。这项研究提供了一个现实理由,推动把费用影响纳入上市前评估与上市后监测。医疗机构在采购与部署阶段,也应要求供应商披露模型在成本维度的表现,并在工作流中保留医生的最终否决权。
技术的目的不是替医生做出更贵的决定,而是帮助医生在有限资源下做出更合适的决定。当模型学会在不漏诊与不过度之间取得平衡,它才真正具备进入日常诊疗的资格。
评论
0 条登录后才可以发表评论。
立即登录