前阵子陪家里人去医院复查，心内科门口排着长队，但跟几年前不太一样了。以前是乌泱泱一群人挤在诊室门口，手里攥着胶片袋子，现在不少人坐在椅子上低头看手机，屏幕上是一份提前生成的AI预问诊报告。这个细节不大，却挺说明问题——AI进医院这件事，早就过了喊口号的阶段，已经钻进了挂号、问诊、读片、随访这些具体环节里。

真正在一线待过的人都知道，医疗AI最实在的落地场景其实是影像科。几年前我去一家三甲医院放射科，医生桌上摆着三台显示器，一台看原始影像，一台调历史病历，还有一台开着AI辅助诊断系统。当时那个系统对肺结节的检出率已经能做到95%以上，但医生私下跟我吐槽，说早期版本误报太多，一个片子能标出几十个疑似点，反而增加工作量。这两年情况变了，算法迭代之后假阳性率压下来不少，现在放射科医生看片子的习惯是“先让AI过一遍，自己再复核重点区域”。这话听着简单，背后是整个工作流的重构——以前是医生从零开始逐层扫，现在是带着AI的标注去验证和纠错。效率提升不是线性的，是结构性的。

病理科的变化更值得说。影像好歹是二维图像，病理切片涉及染色、扫描、细胞形态判断，难度高出一截。但去年我在一家省级肿瘤医院看到，他们的数字病理系统已经能对免疫组化切片做自动定量分析，比如HER2表达水平的判读，AI给出的评分和三位病理医生独立判读的结果一致性超过90%。病理医生缺口大是行业公开的秘密，尤其基层医院，一个病理科两三个人要扛全院标本，AI在这里干的活不是替代，是兜底。当然也有争议，比如某些罕见亚型的识别，AI的训练数据不够，表现就不稳定。有病理科主任跟我讲过一句实话：“AI能帮我看常见的，但遇到不典型的，最后还是得靠人眼和脑子。”这话不客气，但准确。

门诊环节的AI预问诊是最近两年铺得最快的。患者挂号后在手机上回答一组结构化问题，系统自动生成病史摘要推给医生。听起来是个小功能，实际用起来对门诊效率的拉动很明显。一个上午看四十个病人的医生，如果每个病人能省下三分钟问病史的时间，累计就是两个小时。但问题也在这儿——患者自述的准确度参差不齐。有人把“胸口疼”描述成“心脏要炸了”，有人明明有高血压史却漏填。所以现在做得好的医院，预问诊系统会在关键节点做追问和校验，比如问到胸痛会追问持续时间、放射部位、诱发因素，这套逻辑其实是把临床路径拆解成了对话树。做这行的产品经理跟我聊过，说最难的不是技术，是让医生信任这份摘要。信任建立不起来，系统就是个摆设。

再说一个容易被忽略的方向：AI在慢病随访里的角色。糖尿病、高血压这类患者，出院后的管理长期靠护士打电话，一个护士一天打几十个电话，覆盖不了多少人。现在有些医院用AI外呼做常规随访，收集血糖血压数据、用药依从性、症状变化，异常值自动标记给医生。我见过一个案例，患者连续三天上报的血糖值偏高，AI触发预警，医生主动联系调整了用药方案，避免了一次急诊。这种事不炫酷，但实实在在减少了医疗资源的无效消耗。不过AI外呼的短板也很明显，老年人配合度低，听到机器声音就挂电话的比例不低。所以目前跑得通的模式是AI先行筛选、人工重点跟进，两条腿走路。

说回开头那个场景。AI改变看病方式这件事，真正有意思的不是某项技术多先进，而是它正在重新分配医生的注意力。把重复性的、模式化的活接过去，让医生把精力放在判断和决策上。这话说起来像套话，但你真在诊室里站一天就明白了——医生最稀缺的资源不是知识，是专注力。一个上午被几十个病人轮流打断，换谁都疲惫。AI如果能在这个环节帮上忙，哪怕只是省下几次不必要的翻病历、几次重复的影像比对，累积起来的效果也是可观的。

当然，问题一堆。数据质量参差、不同厂商系统互不打通、基层医院买了设备没人会用、出了差错责任怎么划分，这些事没有一件是靠算法能解决的。医疗这个行业的特点是容错率极低，AI想在里面站稳，光靠技术指标不够，得把工程、流程、人的习惯全捋顺了才行。眼下能看到的是，那些跑得靠前的医院，无一例外都是临床科室深度参与产品打磨的，不是信息科买套系统就完事。这条路还长，但方向已经清楚了。