"AI 临床决策支持已经进入基层医疗"是过去几年医疗信息化里最响亮的叙事之一。但有一个尴尬的事实:这些系统对临床决策和患者结局的真实影响,一直没有一份系统的盘点。2026 年 10 月 8 日,清华大学团队在 Journal of Medical Internet Research(JMIR)发表了这样一份盘点——专门综合基层和门诊场景里、由临床医生使用的 AI 临床决策支持系统(CDSS)的真实世界评估,围绕四个结局域检视证据:诊断性能、照护改变、临床医生效率、患者重要结局。作者对结果的概括是一个词:mixed,混合的。把这个词拆开,里面藏着三个对采购、临床和研究都直接有用的发现。
## 先说筛法:一张很细的筛子
这份综述的方法学值得先看一眼——结论有多硬,取决于筛得多严。三位作者来自北京清华长庚医院全科医学系,按 PRISMA 2020 规范检索了五个主文献库——PubMed、Scopus、Web of Science 核心合集、Cochrane CENTRAL 和 CINAHL Ultimate——外加一个 EBSCOhost 补充平台和两个试验注册库,覆盖 2011 年到 2025 年发表的文献。合格标准写得很窄:必须评估学习型(数据驱动)或用例型的 AI 组件,必须是临床医生在常规基层或门诊场景中使用的,必须报告临床、行为、过程、效率或诊断准确性结局。筛选由两名评审独立完成,偏倚风险按与研究设计适配的工具评估,GRADE 分级应用于四个结局域。
结果是:66 份全文经过评估,24 项研究符合综述标准。然后是关键的一步——这 24 项里,只有 10 项用了真正意义上的 AI 组件,构成被评价的人群;另外 14 项是确定性的规则工具,综述作者只把它们留作背景对照。作者的结论口径覆盖"至 2025 年 12 月发表的证据"。
## 第一个发现:"AI"标签下,大半不是 AI
10 比 14——这个比例本身就是发现。基层"AI 决策支持"文献的大半,其实是确定性规则工具,也就是传统的 if-then 逻辑引擎(换句话说,这是本文的转译:综述只在方法学上区分两类工具,没有评价谁在"伪装")。学习型或用例型 AI 是合格的评价人群,规则型只被保留作语境对照——综述用纳入标准把这条线划得很清楚。
这条线也该划进医院的采购问卷,而且是第一题:你要买的 CDSS,是学习型的,还是规则型的?两者不是同一类技术,证据也不能混着算。如果供应商只能回答"用了 AI 技术",那这个问题等于没答。
## 第二个发现:四个结局域,证据温度一层比一层冷
综述的结果按四个结局域摊开,梯度清晰——这是本文对综述结果的归纳性重述,作者自己用的词是"混合"。
最暖的一格是检出与诊断,但"暖"只指有阳性信号——这一格内部本身就不一致。AI 心电图提高了新发低射血分数的诊断(比值比 OR 1.32,95% CI 1.01–1.61,下界紧贴 1,边际显著性照录);同样是"从既有数据里挖诊断",电子病历机器学习痴呆标记物单独使用时却没有增加痴呆诊断(校正 OR 0.84,95% CI 0.63–1.11)。诊断准确性研究之间的差距同样大:黑色素瘤判别的 AUROC 高达 0.960,青光眼只有 0.80,敏感度 65%。
中间一格是照护过程的改变,研究设计的强度不一:非随机前后对照研究报告尿路感染治疗成功率从 75% 升到 80%,同类研究还报告 4 名全科医生中有 3 名在 AI 影响下改变了糖尿病视网膜病变的筛查标准;一项暴露前预防(PrEP)试验总体无效;多组分跌倒预防 CDSS 改善了共同决策,但用药改变的效果不确定。
再往下是效率:哮喘照护场景中,临床医生自报的病历审阅时间估计下降——注意两个限定词,自报、估计,不是计时测量。
最冷的一格是患者重要结局:两项评估患者重要结局的试验,没有一项证明 AI-CDSS 带来获益;其中一项的肌肉骨骼功能结局甚至更利于常规照护。
## 作者自己的收束
作者的结论有三层:至 2025 年 12 月发表的证据显示基层 AI-CDSS 效果混合,部分研究报告了检出或照护过程的改善,但患者重要获益未获证明;异质性与结局测量的局限使这些差异无法获得因果解释;未来的试验应当同时评估临床决策与患者结局。第三句是给整个领域开的设计处方。作者声明无利益冲突。
## 我的三个判断
以下是把这份综述连同它的纳入研究设计细节放在一起读出来的综合,不是原文的现成结论。
第一,"学习型还是规则型"应该成为这个领域的第一问。文献里大半"AI"其实是规则引擎,这意味着:对"AI 决策支持效果"的任何汇总,如果不区分两类技术,账就是混着算的。采购、评价、审评,第一步都是把标签撕开。
第二,证据的温度沿着因果链递减:越靠近机器能直接改变的环节(检出、医生行为、自报效率),证据越暖;越靠近患者真正感受的结局,证据越冷——冷到两项试验均未证明获益。"检出增加"与"患者获益"之间的断裂,与筛查类 AI 反复出现的模式一致(这是本文的跨领域观察):发现更多病例,不等于改善了病程。
第三,这个领域的边际贡献已经从"又一个单病种研究"转向试验设计。综述的处方非常具体——决策与结局同测;而它的 GRADE 四结局域框架(诊断性能、照护改变、效率、患者结局)本身就是一张现成的证据自查表:厂商可以用它自查,支付方可以用它设报销条件,监管者可以用它搭审评框架。
## 你能带走什么
如果你在基层医疗系统或医院:把结局监测写进 CDSS 合同——如果供应商只能演示检出率和医生满意度,你买到的可能是流程工具而非临床工具;先问学习型还是规则型,再问证据。如果你是厂商:四个结局域就是自查表,"患者重要结局未证明获益"这个状态,靠更多回顾性检出研究是走不出去的。如果你是临床医生:当 AI 提示你改变筛查阈值时(想想那 4 名全科医生里的 3 名),值得停下来问一句证据等级——行为改变本身不是目的。如果你是支付方:把 AI-CDSS 纳入报销目录时,应要求结局层证据或部署后监测条款,检出率与医生满意度不能单独作为支付依据。如果你是研究者:这个领域的空位已经不在又一个单病种准确性研究,而在"决策+结局同测"的设计;这份综述的合格标准定义可以直接借用。
如果你家附近的社区医院要采购一套"AI 决策支持系统",你希望第一个被问到的问题是什么——它查得准不准,还是它让病人变得更好了没有?评论区聊聊。
来源:Journal of Medical Internet Research,2026 年 10 月 8 日(PMID 42849036,https://doi.org/10.2196/98630)。