界面新聞記者 | 李科文 黃華
界面新聞編輯 | 謝欣
自DeepSeek再度掀起國內生成式AI大模型熱潮以來，面向C端的個人健康管理成為國內醫療+AI領域最火熱的應用場景之一。
面向C端的個人健康管理醫療+AI，是指利用人工智能技術賦能個人用戶，實現疾病預防、健康監測、個性化干預及診療輔助的全生命周期管理。其中互聯網+醫院是該模式最主要的落地場景之一。
據國家衛健委統計數據和公開數據，截至2024年9月，我國已建成并運營的互聯網醫院總數約3340家，涵蓋公立醫院主導型、企業平臺型和民營專科型等多種模式。就在2019年，這個數字還只有400。
但熱潮之下也需要冷靜，據第一財經，70%以上的互聯網醫院線上轉化率不足1%，意味著每100個線下病患，最終轉化為線上診療的不到1個。這一數據表明，雖然互聯網醫療形式上已初具規模，但普及性和有效性仍是需破解的難題。
“優質醫療資源始終有限，并非每一個互聯網醫院都能成為巨大的流量入口。” 方舟健客創始人、董事長兼首席執行官謝方敏向界面新聞表示，用戶信任度不足、醫患互動障礙、資源分配不均仍是當前互聯網醫院發展的三大瓶頸。
線下醫患面對面互動的高附加值難以在線上復現，導致患者對互聯網醫療的信任難以建立。因為互聯網醫院難以提供足夠的安全感和診療深度，許多患者仍然傾向于線下就診。
此外，優質醫生資源集中在三甲醫院，而互聯網平臺更多依賴外部合作醫生，導致資源協同能力較弱，診療水平受限。這種結構性問題使得許多互聯網醫院難以形成穩定的患者黏性，同時也影響了醫生的參與度和線上服務質量。
就診期間的溝通效率低也是一大難題。互聯網平臺上的醫生互動度效率低，患者難以獲得持續、深度的醫療溝通，最終影響診療效果和患者體驗。這種局限性不僅降低了患者的復購率，也使得醫生在互聯網醫院的積極性不高，形成了惡性循環。
即截至目前為止，生成式AI還無法完美解決互聯網醫療中的所有痛點。
“整體來看，AI在醫療行業的應用仍在探索階段，當前更偏向于在‘效率工具’研發上的探索。AI最主要的價值是提升效率，而非替代醫生。”謝方敏表示，AI可以承擔初步咨詢，提高患者的活躍度（月活提升），從而促進后續健康管理、復診續方等全鏈條實現閉環。
謝方敏表示，從多年實踐經驗來看，80%的醫療咨詢存在重復提問，“一直回復同樣的問題”也變相占用了醫生大量時間。他認為：“接入大模型之后，AI醫生助理不僅可以更準確識別語言歧義，并且可以按照醫生的問診邏輯進一步追問，再將問題初篩匯總后交由醫生集中處理。”
謝方敏表示，接到用戶問詢時，AI醫生助手經過醫生準許，會針對患者提出的基礎性問題，進行符合專業醫學的解答。尤其是老年慢病患者普遍會存在重復、多次提問的情況，這些老年慢病群體希望在就醫過程中獲得情緒價值的安撫。
利用AI布局和試錯的成本已大幅降低，很多企愿意主動擁抱AI+醫療尋求改變。
“在某些崗位上，AI的應用成本甚至遠低于雇傭人力。”瑞慈醫療集團首席技術官王劉程向界面新聞表示，目前，AI在體檢行業的應用已顯著降低成本，例如，在輔助主檢醫生校核和整理體檢報告結果方面，AI的使用成本已降至每份低于0.2元。
王劉程介紹，以超聲報告記錄場景為例，醫生手持探頭進行超聲檢查，身旁還需一名非專業醫生記錄檢查結果。而在AI輔助模式下，醫生通過語音轉文字輸入，結合AI醫療大模型便可生成檢查報告，盡管最終仍需醫生復核，但整體流程大幅優化。如果每個體檢中心能減少6至8名相關人員，按照100家體檢中心估算，意味著可以節約600至800人的人力成本。
王劉程表示，在體檢結論的出具過程中，傳統方式主要依靠人工提取異常指標（“紅色箭頭”標注的項目），這一流程至少涉及三輪醫生，包括檢查醫生、科室醫生、最終審核醫生，同時還需不同科室的信息整合，整體流程較為繁瑣。而AI大模型具備跨科室、跨檢查項目、跨設備的數據整合能力，例如，某份體檢報告顯示甲胎蛋白陽性，但肝臟超聲顯示功能正常，那么肝臟異常風險可能不大；但若多項異常指標疊加，AI便能迅速評估高風險情況，并建議患者盡快就診，優化原有的工作模式。
讓醫生完全接受AI仍存有顧慮。不少醫生對生成式AI的使用仍較為謹慎，更多是將其當作搜索引擎，而非深度交互的智能助手。
謹慎來源于暫時還無法完全消除的AI幻覺。即AI生成的信息可能出現偏差甚至編造虛假內容。
例如，截至目前，AI的認知仍停留在“我不知道自己知道什么”的階段，導致其在醫療場景下偶爾會出現錯誤或不可靠的判斷，而醫學領域對精準性和可靠性的要求極高，任何失誤都可能影響患者安全。這種不可控的“幻覺”使醫生對AI的信任度難以建立，尤其是在關鍵診斷環節。
據《文匯報》引用《美國醫學會雜志》2023年發表的一項隨機臨床試驗結果，當醫生被故意提供帶有偏倚的AI診斷建議時，其診斷準確性下降了11.3%。即便在影像分析領域，AI的偏差也可能影響醫生的最終判斷。
方舟健客技術負責人向界面新聞表示，AI幻覺的產生主要源于兩個因素：一是內容缺失，二是訓練內容之間的歧義。當AI無法從已有知識庫中找到明確的答案，或者面對相互矛盾的信息時，就可能生成不準確甚至虛假的回答。因此，抑制AI幻覺的最佳方式，就是為模型提供準確、權威的知識。
“目前，醫療AI仍然面臨高質量數據的稀缺問題，AI的訓練主要依賴歷史病例、影像數據、臨床研究和醫生經驗，而數據質量的差異可能直接影響AI的可靠性。”該技術負責人表示，其在內部構建了涵蓋藥品說明書、醫學指南等專業信息的知識庫，確保AI的訓練內容基于最權威的數據來源。其還利用大模型對知識庫進行反復檢查和優化，確保內容的準確性，減少AI在輸出信息時可能出現的不可預測情況。
該技術負責人補充，除了數據質量，優化AI還需要企業對醫療行業和業務邏輯有深刻理解，才能構建更精準的算法來真正賦能醫療場景。醫療AI的核心競爭力由兩個方面決定：第一是高質量的知識庫，即企業能否整合行業領先的醫學知識、權威指南和臨床實踐案例，為AI提供穩定可靠的訓練數據；第二是算法的優化，即AI如何結合企業的業務邏輯，將行業知識與機器學習模型深度融合，使AI的診斷建議更貼合實際臨床需求。