医疗保健领域的人工智能：微软 Dragon Copilot 的前景与挑战

医疗保健领域的人工智能有望超越行政任务的自动化，成为临床和卓越运营不可或缺的一部分。一般的人工智能解决方案固然有其价值，但最具变革性的成果应来自专门针对医疗保健行业的独特挑战、工作流程和机遇而设计的应用程序。

微软 Dragon Copilot：承诺与现实之间

微软最近宣布推出Dragon Copilot，这是一款面向临床工作流程的人工智能助手，预计于2025年5月发布，凸显了该公司通过人工智能改造医疗保健领域的决心。这一解决方案将Dragon Medical One的语音能力与DAX Copilot的环境人工智能技术相结合，整合到一个旨在解决临床倦怠和工作流程低效问题的平台中。

背景：应对教育部门的挑战

Dragon Copilot 的推出正值医疗保健行业的关键时刻。在 2023 年至 2024 年期间，临床倦怠感从 53% 略微下降到 48%，但持续的人员短缺仍是一个关键挑战。微软的解决方案旨在

• 简化临床文档记录
• 提供信息的情境化访问
• 自动化重复性临床任务

初步结果：官方数据与实际经验之间的差距

根据微软的数据，仅在上个月，DAX Copilot 就为 600 家医疗机构的 300 多万次患者就诊提供了帮助。医疗服务提供者报告称，每次就诊可节省 5 分钟，70% 的医疗服务提供者的职业倦怠症状有所减轻，93% 的患者注意到就诊体验有所改善。

然而，测试人员的实际体验揭示了更为复杂的现实：

生成临床记录的局限性

许多测试过Dragon Copilot的医生反映，即使启用了所有自定义选项，生成的病历记录对于大多数病历来说也往往过于冗长。正如一位测试人员所指出的："你会得到超长的记录，很难从中'去粗取精'"。

医疗对话往往按时间顺序跳转，Dragon Copilot 难以连贯地组织这些信息，经常迫使医生查看和编辑笔记，这在一定程度上违背了该工具的初衷。

优缺点

测试人员指出了一些具体的优缺点：

优势：

• 对药物名称的识别能力出色，即使患者发音有误也能正确识别
• 作为记录对话并在撰写病历时参考的工具很有用
• 对简单病例和短时就诊效果良好

不足：

• 存在"幻觉"现象（虚构数据），尽管通常较为轻微（性别、年龄方面的错误）
• 难以区分信息的相对重要性（将所有信息都同等对待）
• 体格检查数据的组织存在问题
• 病历审核所需时间削弱了承诺的效率优势

一位测试医生这样总结自己的体验："对于简单的诊断，它在记录评估和方案方面做得还算不错，可能是因为所有简单诊断都在训练数据集中。但对于更复杂的病例，则必须由医生逐字口述。"

健康人工智能的功能和潜力

临床决策支持

医疗保健专用人工智能模型（如 Dragon Copilot 的基础模型）是在数百万份匿名病历和医学文献中训练出来的，目的在于

• 识别患者数据中可能预示新发病症的模式
• 基于症状和病史提出适当的诊断路径建议
• 标记药物之间潜在的相互作用和禁忌症
• 针对特定病症突出显示相关的临床研究

一位使用这些系统的医生指出的一个重要潜力是，这些系统能够"将患者的病历纳入其上下文中，并向医生呈现关键信息，而这些信息在当今大多数电子病历那臃肿混乱的状态下本会被忽视"。

优化患者路径

医疗保健专用的人工智能有可能通过以下方式改变患者的就医体验：

• 预测性排班以减少等待时间
• 生成个性化护理方案
• 主动识别高风险患者所需的干预措施
• 虚拟分诊，将患者引导至最适合的护理环境

合规性和隐私考虑因素

集成 Dragon Copilot 等人工智能工具会引发重要的合规问题：

• 医生必须在病历中注明使用了该工具的免责声明
• 必须提前告知患者对话正在被录制
• 出现了对保险公司可能获取数据的担忧

实际挑战和对未来的影响

委托推理 "及其风险

业内专业人士指出的一个特别敏感的问题是，推理能力可能从医生"转移"到人工智能工具上。正如一位同时精通信息学的住院医生所指出的："危险可能在于这一切都在悄然发生，由这些工具来决定什么重要、什么不重要"。

这就提出了一个根本性问题，即在一个越来越以人工智能为媒介的生态系统中，人类临床判断的作用是什么。

成本效益和替代品

多份证词强调的一个关键因素是，与其他替代产品相比，Dragon Copilot 的成本太高：

一位参与测试的用户报告说，一年后，他所在单位只有三分之一的医生仍在使用该系统。

几位测试者提到了 Nudge AI、Lucas AI 等替代工具，它们能以更低的成本提供类似的功能，在某些情况下还能在特定环境下提供更好的性能。

实施健康人工智能：主要考虑因素

在评估医疗保健领域的人工智能解决方案时，考虑以下因素至关重要：

1. 自动化与临床判断之间的平衡
   解决方案应该支持而非取代医生的临床推理。
2. 针对特定专科和工作流程的个性化定制
   正如一位医疗AI公司创始人所说："每位专科医生对于病历中应包含什么、应排除什么都有自己的偏好；而且这种偏好会随疾病而变化——神经科医生希望在癫痫病历中记录的内容，与他们在痴呆病历中所需要的内容大不相同"。
3. 便于人工修正与监督
   人工干预必须保持简单高效，以确保病历的准确性。
4. 完整性与简洁性之间的平衡
   生成的病历既不应过于冗长，也不应过于简略。
5. 对患者保持透明
   患者必须被告知这些工具的使用情况及其在诊疗过程中所起的作用。

结论：实现平衡的一体化

微软的 Dragon Copilot 等创新代表着人工智能在医疗保健领域的整合迈出了重要一步，但测试人员的经验表明，我们仍处于早期阶段，有许多挑战需要克服。

人工智能在医疗保健领域的未来需要在行政效率与临床判断、自动化与医患关系之间取得微妙的平衡。Dragon Copilot 等工具有可能减轻临床医生的行政负担，但其成功与否将取决于它们能否有机地融入现实世界的临床工作流程，尊重医疗实践的复杂性和细微差别。

真正的垂直领域与虚假的垂直领域：医疗人工智能成功的关键

在医疗人工智能和一般人工智能领域，始终需要考虑的一个重要方面是 "真正的垂直领域 "和 "虚假的垂直领域 "之间的区别。真正的垂直领域 "是指在设计之初就深入了解特定临床流程、专业工作流程和不同医疗环境的特殊需求的解决方案。这些系统不仅在表面上，而且在其架构和数据模型中都融入了领域知识。

与此相反，"伪垂直 "基本上是水平解决方案（如通用转录系统或通用 LLM），在其上应用了一层薄薄的医疗个性化。这些系统往往会在临床实践中最复杂、最细微的领域失灵，表现为无法区分信息的相对重要性或无法充分组织复杂的医疗数据。

正如测试人员的反馈所显示的那样，将通用语言模型应用于医疗文档，即使是根据医疗数据进行训练，也不足以创建一个真正的垂直解决方案。最有效的解决方案很可能是那些在设计的每个阶段都有医学专家直接参与、能解决特定医学专业问题并能与现有工作流程整合的解决方案。

正如一位参与测试的医生所说："医学的'艺术'在于引导患者提供最重要/最相关的信息"。这种辨别能力至少目前仍然是纯粹的人类领域，这表明理想的未来很可能是人工智能与人类临床经验之间的协同合作，即那些真正垂直化的解决方案，尊重并放大医学专业能力，而不是试图取代它或过度将其标准化。