AI时代，临床医生的工作如何改变？

导读

AI能减少重复劳动，却未必减少临床人力需求。结合经济学理论与随机试验，探讨医生的工作如何改变，以及医院怎样把技术效率转化为真实减负。

AI能够帮助医生写病历、识别影像、生成三维模型，甚至提出治疗方案。当越来越多临床任务可以被机器完成，一个问题随之出现：医生的工作会越来越少吗？

这个问题至少包含三层含义：完成一次任务需要多少时间，一个医生一天承担多少工作，以及医疗体系需要多少医生。如果不加区分，“AI能够减负”和“AI可能扩大临床人力需求”就容易被误认为相互矛盾。

Dhruv Khullar在《新英格兰医学杂志》发表的观点文章提出，经济学理论与医疗技术的历史，提供了临床人力长期可能扩大的理由。^[1] 本文结合目前可获取的原文首页、作者所在机构的解读，以及相关经济学研究和临床试验，进一步讨论这一判断的适用条件。本文属于文献评述与观点探讨，不是系统综述，也不报告新的临床研究数据。

我们的基本判断是：AI可以减少部分重复劳动，同时改变医疗服务的覆盖范围与分工。医生能否真正减负，取决于节省的时间如何分配、新增任务是否有价值，以及复核成本是否得到控制。

一 效率提升可能释放原来没有被满足的需求

杰文斯悖论提醒我们，资源使用效率提高后，总使用量可能反而增加。在医疗领域，一项服务变得更方便、更可负担，可能使原来难以获得服务的患者进入诊疗体系。Khullar以白内障手术和关节置换为例，说明技术进步如何伴随服务使用扩大。^[2]

但从“使用增加”推导出“医生总工作量增加”，还需要一个条件：服务量的增长足以抵消单次服务所需人工的下降。需求只是小幅增长时，总人工投入仍可能减少。

用一个纯粹的算术例子说明。假定每例服务的人工时间减少30%，且暂不考虑新增复核、病例复杂度和其他任务，那么服务量必须增长约43%，总人工时间才会回到原来的水平。服务量仅增长10%，总人工时间反而会下降23%。这不是医疗需求预测，而是说明：效率提高本身，不能决定最后需要多少人工。

放到医疗AI与3D打印场景中，可以提出一个待验证的假设：如果三维重建和术前规划更容易开展，更多有适应需求的病例可能获得精细化规划。但能否形成实际服务，还取决于支付能力、设备与人员配置，以及下游手术和康复资源。

同时，服务量增长必须与患者获益一起评估。弥补未满足需求，与增加不必要的检查和干预，是两种不同的结果。医院不能仅凭调用次数或病例数量，判断AI创造了多少医疗价值。

二 工作总量会变化，但新工作不保证自动出现

“劳动总量固定”谬误，是把社会需要完成的工作想象为一个大小不变的集合。照此推算，机器每做完一项任务，人就必然少一项工作。现实中的工作内容会随技术、需求和组织方式共同变化。

Acemoglu和Restrepo的任务框架提供了更完整的解释：自动化会产生替代效应，而新任务的形成可能重新增加对人的需求。两种力量的相对大小，影响最终的就业结果。因此，效率提高可以与部分岗位收缩同时发生；新任务也并非必然来得足够快。^[3]

对医院而言，一个可能的转变是：从大量时间用于整理资料，转向更多时间用于比较方案、解释不确定性和跟踪结局。对医工团队而言，角色可能从逐例执行重复建模，逐步转向异常病例处理、质量复核和流程改进。这些是本文提出的组织发展方向，不能视为已经完成的行业转型。

转型存在实际成本。擅长手工建模的工程师，不会因为部署了一个模型就自然掌握算法评价；熟悉传统工作流程的医生，也需要学习如何识别AI适用范围和常见错误。医院需要提供相应的培训、时间和岗位安排。

因此，“未来会出现新工作”不足以安慰每一个受到冲击的人。更可执行的问题是：哪些旧任务会减少，哪些新任务确有患者价值，谁来承担，以及如何让现有人员完成能力转换。

三 自动完成一个任务不等于胜任完整诊疗

医生的工作不是彼此孤立的答案集合。检查结果需要放回病史与查体中解释，治疗方案需要结合患者的目标和承受能力，实施后的变化还需要持续处理。

Kremer提出的O形环理论，研究的是多个任务共同构成、且容易被局部错误破坏的生产过程。^[4] 将这一思路用于医疗，是一种解释性的类比：即使若干环节表现优秀，关键步骤的失误仍可能影响整体结果。它不能直接给出某个科室未来需要多少医生。

以跟骨骨折数字化规划为例，自动分割骨块、生成候选复位、计算几何偏差，都是可以分别评价的任务。但是，几何上吻合的方案是否具备手术可行性，还涉及软组织条件、骨质、暴露路径、固定方式与患者整体情况。模型表面拟合良好，不能单独证明术后功能会改善。

随着部分操作自动化，医生和工程师的价值可能更多体现为：发现输入错误，判断结果是否适用于当前病例，解释方案之间的取舍，并处理超出模型能力范围的情况。

这也提出一个更严格的产品要求：不能只在界面上放一个“人工确认”按钮，就宣称形成了可靠复核。使用者需要看得到原始依据，能把模型与影像对应起来，也能拒绝结果并回到人工流程。如果复核所需信息不足，签字可能只是把责任留给人，并没有真正增加发现错误的能力。

四 临床试验已经显示减负潜力，但不能外推为岗位变化

宏观层面的长期推演，需要与具体工具的实证效果分开。已有随机研究提示，AI在特定任务中确实可以减少工作负担，但效果与应用场景、工具和评价指标有关。

2023年发表的MASAI随机试验中期安全性分析，在乳腺癌筛查场景比较AI支持阅片与常规双人阅片。研究报告AI支持流程的筛查阅片工作量减少44.3%。^[5] 这里衡量的是该筛查流程的阅片工作量，不能解释为放射科医生全部工作时间减少44.3%，更不能直接转换为相同比例的岗位减少。

另一项发表于NEJM AI的随机试验，纳入14个专科的238名门诊医生，比较两种环境式AI病历记录工具与常规工作。在约两个月的干预中，Nabla组相对对照组的病历书写时间减少9.5%（95%置信区间对应减少1.8%至17.2%）；DAX组的变化未达到统计学显著性。部分负担与职业体验指标提示改善，但作者指出仍需更大规模、多中心试验确认。^[6]

这两项研究支持的结论有明确范围：某些AI工具在特定工作流程中能够节省人工投入；不同工具的效果不能互相代替。它们没有直接回答医院是否应减少编制，也没有证明长期接诊量、患者结局或医生总工作时长将如何变化。

五 真正减负需要把复核和返工算进去

以下提出的是本文的实施评价建议，不是现成的临床指南。

对一个AI辅助工作流程，最有意义的时间指标应是：传统流程的人工总时间，减去AI流程的数据准备、人工操作、复核、修改、返工和故障处理时间。后台自动运行时间与人的实际投入时间，还应分别记录。模型一分钟生成结果，并不代表医生一分钟完成工作。

评价至少需要同时观察三个方面。首先是人的负担，包括每例实际操作时间、下班后补录时间和主观认知负担。其次是流程质量，包括错误、遗漏、返工以及异常病例是否被及时识别。最后是患者与服务结果，包括等待时间、适宜服务的覆盖情况，以及与具体用途相符的临床结局。

对三维重建和手术规划工具，还应明确测量结果属于哪个层级。分割重叠度、表面误差和配准偏差是技术指标；方案是否可用、是否节省医工时间是流程指标；并发症、功能恢复和生活质量属于临床结局。前一个层级改善，不能自动替代后一个层级的证据。

医院与研发团队可以先针对一个明确用途，在可比病例和人员条件下开展流程评价，预先规定质量底线与时间指标，并保留失败、退回和人工接管病例。仅展示顺利完成的病例，会高估日常使用效果。

六 医院如何分配效率收益将影响医生的体验

即使工具确实省时，医生也未必更轻松。医院可以把节省的时间用于缩短等待、增加有需要的服务，也可以用于改善沟通、教学和休息。如果所有效率收益都转化为更密集的排班，单次任务负担下降与每日总负担增加便可能同时发生。

因而，“医生总工作量不减少”不应被当作医疗AI成功的标准。更值得追求的是：减少无价值的重复劳动，把有限的人力用于患者需要、专业判断能够发挥作用的环节，并避免因工具引入新的隐性负担。

对中国医院，这些国外研究提供的是分析框架和具体场景证据。不同支付安排、岗位配置、病例结构和信息系统，会影响工具实际效果。把美国门诊或瑞典筛查的结果，直接转化为本地医院的减员比例或收益承诺，都超出了现有证据。

七 医疗AI与3D打印企业需要证明什么

从子殷科技所关注的医疗AI与3D打印应用出发，本文认为，企业需要把交付目标写得更具体：帮助哪一类使用者，在什么病例范围内，完成什么任务；相比原流程减少多少实际操作；增加了哪些复核环节；错误和异常怎样被发现与处理。

三维模型应当能够追溯到相应影像和输入，候选方案应支持医生比较与修改，面向实体制造的设计还需要独立检验其制造与使用要求。研发演示、科研评价、临床使用与正式部署，所需证据和适用边界应分别说明。

本文未使用未公开患者数据，也不以任何内部演示或单个成功病例证明产品临床有效性。企业从业视角有助于提出实施问题，但产品价值仍需由可核验的评价回答。

AI对临床工作的影响，最终会体现在日常诊疗中：医生少花了多少时间整理材料，能否更容易发现问题，是否有更多精力解释选择，患者是否更及时地得到合适的服务。把这些变化测量清楚，才能让关于医生未来的讨论，成为医院今天可以采取行动的依据。

资料说明

文献1依据目前可获取的原文首页及文献2核对核心观点，未据此声称已阅读全文。文献5引用其2023年中期分析，文献6引用随机试验摘要结果。本文未开展穷尽式检索，不对AI长期就业影响作确定性预测。