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

微软最近宣布计划于 2025 年 5 月发布用于临床工作流程的人工智能助手Dragon Copilot，这凸显了该公司通过人工智能推动医疗保健变革的决心。该解决方案将 Dragon Medical One 的语音功能与 DAX Copilot 的环境人工智能技术相结合，集成到一个旨在解决临床倦怠和工作流程效率低下问题的平台中。

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
• 提供上下文信息获取途径
• 重复性临床任务自动化

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，测试人员的经历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 的医生都表示，即使启用了所有自定义功能，生成的笔记对于大多数医疗记录而言也往往过于冗长。正如一位测试者所说："你会得到超长的笔记，很难将'小麦和糠秕'分开"。

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：

• 即使患者念错药名，也能准确识别
• 记录谈话内容，并在撰写笔记时参考，非常有用
• 对简单病例和短期访问有效

弱点

• 存在 "幻觉"（编造的数据），但一般较小（性别、年数方面的误差）
• 难以区分信息的相对重要性（将所有信息视为同等重要）
• 体格检查数据的组织问题
• 注意修订时间减少了承诺的效率效益

一位测试版的医生总结了他的经验："对于简单的诊断，他在记录评估和计划方面做得相当好，这可能是因为所有简单的诊断都在训练集中。然而，对于更复杂的诊断，则必须由医生来准确说明"。

‍

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

• 从病人数据中找出可能预示新情况的模式
• 根据症状和病史建议适当的诊断途径
• 报告潜在的药物相互作用和禁忌症
• 在具体演讲中强调相关的临床研究

一位用户医生强调，这些系统的一个重要潜力是能够"从上下文中摄取病人的医疗记录，并将关键信息呈现给医生，否则这些信息就会被当今大多数电子医疗记录所忽略"。

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：

• 通过预测性规划缩短候诊时间
• 生成定制的护理计划
• 主动识别高风险患者的干预措施
• 虚拟分诊，将病人引导至最合适的护理环境

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：

• 医生必须在注释中注明免责声明，说明仪器的用途
• 必须事先告知患者谈话将被录音
• 人们对保险公司可能获取数据表示担忧

实际挑战和对未来的影响

委托推理 "及其风险

从业人员强调的一个特别微妙的方面是，推理可能从医生 "转移 "到人工智能工具。正如一位同时也是计算机科学专家的住院医生所言："危险可能在于这种情况会偷偷摸摸地发生，由这些工具决定什么是重要的，什么是不重要的"。

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
   解决方案应支持而非取代医生的临床推理。
2. 为特定专科和工作流程定制
   正如一家医疗人工智能公司的创始人所言："每位专科医生都有自己的偏好，认为哪些内容应包含在病历中，哪些内容不应包含在病历中；而且这种偏好会随着疾病的不同而改变--神经科医生希望在癫痫病病历中包含的内容与他需要在痴呆症病历中包含的内容截然不同"。
3. 易于更正和人工监督
   人工干预必须保持简单高效，以确保笔记的准确性。
4. 全面性与综合性之间的平衡
   生成的说明既不能过于冗长，也不能过于简略。
5. 对患者透明
   患者必须了解这些仪器的使用及其在治疗过程中的作用。

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。

‍

正如一位测试者医生所说："医学的'艺术'在于重新引导病人提供最重要/最相关的信息"。这种辨别能力至少在目前仍是一个纯粹的人类领域，这表明最佳的未来可能是人工智能与人类临床专业知识之间的协同合作，真正的垂直解决方案是尊重和放大医疗专业知识，而不是试图取代或过度标准化。