从单例跑通到稳定交付：医疗AI生产力的全流程证据评价框架

摘要

目的：建立医疗AI工程服务的全流程评价框架，避免将推理速度、演示成功或单件打印合格直接解释为持续生产力提升。方法：以医学三维重建与打印流程为场景，定义订单级评价单位、全过程人工工时、质量约束下的交付产出及跨院点复制指标；提出历史基线、前瞻性连续入组和阶段性比较相结合的研究方案。框架产出：形成质量、效率、覆盖、成本和可复制性五个相互约束的评价维度，并规定失败、返工及人工接管的计入方式。结论：医疗AI的生产力应由连续业务中的合格交付和全部资源投入共同评价。本文尚未实施比较研究，不给出效率提升幅度或临床获益结论。

关键词：医疗人工智能；三维重建；医学3D打印；人在环；生产力评价；真实工作流

一　研究问题：一次完成与持续可靠之间

对医工协同企业，模型能生成三维结果是技术链的一步。病例识别、序列选择、分割、网格修订、审核、切片、制造、后处理与交付之间的交接，同样消耗人力并影响质量。只统计算法运行时间，会遗漏问题定位、等待协调与失败恢复的成本。

子殷正在推进的自动建模与打印方向为本框架提供工程问题背景。负责人关于单件实物合格的反馈可以作为内部阶段信息，但本文未审计对应全套订单记录，也没有连续病例对照，因而不将其作为生产率或临床有效性的实证结果。研究要回答的是：在病例复杂度和质量要求可比时，一名工程师能否稳定完成更多合格交付？

二　评价单位与研究对象

以预先定义用途的一份订单为主评价单位，同时保存患者、影像检查、模型版本、制造批次和交付批次的映射。同一订单重跑五次不计为五个成功病例；一次打印包含多份订单时，按预设规则分摊设备与人工成本。患者级、订单级与打印件级指标分别报告，避免分母混用。

连续纳入所有符合既定适用范围的订单，记录不适用、资料不全、技术失败和人工接管的原因。范围外病例不用于贬低范围内能力，但必须报告其在全部实际需求中的占比。不得事后缩小适用范围来提高成功率。

固定回归病例用于比较版本差异，连续新病例用于观察日常表现，两者分开。回归集一旦反复参与修订就属于开发证据，不能再充当独立泛化证据。常规记录的来源、筛选与链接过程可参照RECORD进行透明报告。^[2]

三　五维指标与可核验分母

主要效率指标建议为每份合格交付对应的总人工分钟数：评价窗口内所有纳入订单产生的人工工作量，除以同一入组队列最终合格交付的订单数。分子包括失败、返工、审核、沟通及恢复；仍未结束的订单单列，并规定观察截止日，避免只挑已完成的简单病例。设备运行时间与人工工作时间分别记账。

质量应先于速度作出判定。一次审核通过率、关键解剖遗漏率、制造不合格率与返工率不能互相替代。自动完成比例需明确是“无需人工修订”还是“完全无人操作”；保留必要审核的流程不宜称为无人临床交付。

容量提升需同时观察工程师可支配时间和瓶颈变化。建模节省的时间若转移为集中审核或打印排队，订单总周期不一定下降。统计中位数、四分位数和高分位等待时间，比仅报平均耗时更能暴露尾部风险。

四　比较设计：把学习效应与工具效果分开

先建立相同计时口径的基线，再在授权研究环境中开展前瞻性连续记录。可根据实际条件采用工程师与病例难度分层后的随机分配，或分阶段实施的比较设计。仅用上线前后均值比较，容易混入病例结构、人员经验、订单季节性和设备变化。

同例重复处理可以减少病例差异，却会产生记忆与学习效应。若使用配对设计，应安排独立工程师、随机处理顺序或足够的间隔，并在分析中说明残余影响。临床真实服务不为评价而任意延误，不能实施随机分配时，明确将结果解释为观察性比较。

质量判定尽量由不知道处理方式的审核者完成；无法实现盲法的项目要如实记录。工程师熟练度、病例复杂度和院点可纳入分层或混合效应分析。报告效应量及区间，患者有多份订单时按患者聚类处理，不把重复测量当作独立样本。早期真实使用的人机交互与失败处置报告，可借鉴DECIDE-AI，但工程打印评价不等于该规范所指的临床决策支持研究。^[1]

五　质量门槛与停止规则

效率比较前由临床、工程与质量负责人共同确定缺陷分类及允许范围。若研究目标是证明质量不劣于原流程，应根据用途、风险和可接受差异事前确定非劣效界值，并据此估算样本量；不能在观察结果后挑选界值。少量病例中未发现错误，不等于已证明低错误率。

出现病例错配、关键结构遗漏、不可追溯版本或超出授权用途时，相关订单转入人工处置并保留失败证据。某一病例失败不必停止整个项目，但若触发预设的系统性质量阈值，暂停该候选版本并调查共同原因。恢复条件应以缺陷修复和针对性复核为依据。

六　从工时收益到经营收益

节省工时并不自动成为利润。研究应分别报告技术收益、可释放的人力容量和实际经营收益。只有需求、审核、制造与交付能力允许增加产出，且新增成本得到计入时，单位人工产出提高才可能转化为经营结果。

院点复制评价要保留首次部署与后续复制的成本差异，区分通用流程和专科适配。可以提出一个待验证命题：第二个院点或专科复用病例映射、任务追踪与审核交付能力后，实施工时会下降。若持续依赖核心人员驻场修复，则不能宣称实现了低成本复制。

七　数据记录与结果呈现

每次任务保留版本、开始结束事件、人工活动分类、失败类别、审核意见与交付状态。计时优先采用操作事件结合抽样人工复核；窗口打开时长不能等同有效工作时长。自动日志缺失应标记缺失，不能填成零工时。

结果报告至少包含入组流程、病例难度分布、质量结局、人工耗时分布、失败原因及成本敏感性分析。若质量改善而工时未下降，也属于有价值的结果；若速度提高但遗漏风险上升，应报告权衡，不能以综合评分掩盖关键缺陷。

本文不报告尚未取得的数值。今后采用观察性比较时，不能仅靠统计调整声称消除了所有混杂；若进一步研究治疗效果，应另行定义目标试验及其识别假设。^[3] 对预测模型组件的风险评价可参照PROBAST+AI，不能用工作流运行成功替代模型偏倚评价。^[4]

八　讨论与结论

本框架的贡献在于把算法输出与真实交付联系起来，并将失败成本、人工接管和跨院复制纳入同一评价范围。其局限是尚无前瞻性实证，计时误差、人员学习、订单复杂度和单院点环境仍可能影响估计。后续应先完成范围清晰的连续队列，再决定是否扩大到更多专科和医院。

医疗AI是否形成生产力，应由质量可接受的持续产出回答。对企业而言，可信的进步曲线不是演示次数增加，而是可比业务中质量稳定、人工负担下降、失败可恢复且复制成本可控。

研究透明性声明

本文为官网方法研究，不是已完成临床试验报告。未调用或公开患者级资料，未新增真实医疗数据用途；未开展新增统计实验。作者与子殷科技业务发展存在直接利益关联，结论应接受独立评价。写作与资料整理使用AI辅助；引用不表示相关作者或机构为子殷产品背书。