构建制度信任：医疗AI临床采纳的路径探索

当前中国医疗体系面临人口老龄化加速、优质资源供需失衡、基层服务能力不足等多重挑战，人工智能成为破解这些难题的关键技术路径之一。然而，医疗 AI 的临床采纳率长期偏低，主要原因是算法黑箱、责任归属模糊、决策过程不可控等问题导致信任缺失。本报告提出构建医疗 AI 的制度性信任体系，从数据可信、决策透明、证据充分、责任清晰、制度嵌入五个维度系统推进，并针对不同场景设计差异化落地路径。医疗 AI 要赢得临床认可，成为推动医疗行业高质量发展的关键引擎，需要以制度守护信任，积极拥抱 AI。

报告指出，医疗 AI 的技术进步有目共睹，但在临床采纳方面仍有落差。截至 2025 年 5 月，我国公开发布的医疗大模型数量达 288 个，在医疗影像、辅助诊断、健康管理等领域场景部署相对领先，但整体市场仍处于早期阶段，医疗机构实际渗透率仍只有 10% 至 20%。AI 的介入改变了传统运行规则，算法虽可通过医疗器械注册、算法备案等方式获得合法市场准入，但本身不具备独立的法律主体资格，无法直接承担诊疗行为的最终责任。同时，大模型的推理过程对临床使用者高度不透明，训练数据的来源与代表性、标注质量的稳定性、模型的失效边界等关键信息，在传统诊疗中无需医生额外考虑，在 AI 辅助的场景下却成为难以验证的盲区。

报告提出医疗 AI 的制度性信任，可从以下四个层面加以理解：规范性嵌入、流程性嵌入、责任性嵌入、支付性嵌入。要使这一框架真正落地，还需要进一步落实五个更具操作性的维度：数据血缘可追溯、决策逻辑可解释、临床证据可分级、责任分担可界定、制度接口可对接。报告后续章节将围绕这五个维度逐一展开。

报告还提出了医疗 AI 四类场景的制度化信任构建路径差异：“决策自主性 - 风险可见性”四象限分类模型，流程辅助与信息服务类（低决策自主 - 低风险可见）、影像与病理辅助诊断类（高决策自主 - 低风险可见）、规则审核与预警类（低决策自主 - 高风险可见）、治疗规划与执行控制类（高决策自主 - 高风险可见）。报告最后强调，医疗 AI 的制度化信任建设，需要搭建多元主体协同参与的信任生态，包括医疗机构、技术企业、监管机构、学术团体、保险机构、医生、患者等，并建立标准化的制度接口，如数据接口、证据接口、责任接口和支付接口，共同推动医疗 AI 在临床场景的深度落地与广泛采纳。