临床收件箱分拣智能体。
这个市场里每一家厂商交付的都是一个起草工具,而针对一个已部署起草工具的最大规模研究发现:把它开起来之后,诊所层面的消息周转反而变慢了,尽管那些真正用上它的临床医生个人变快了。这个反转就是设计任务书:临床收件箱里的负担不是写出那条回复,而是判断这条消息到底该由谁来碰,所以请先建那个路由器,并衡量「有多少消息在没有临床医生参与的情况下被结掉」——而不是每份草稿省了几分钟。
步骤 1那两个本该决定你架构落点的数字,指向的是相反的方向。
就一项临床 AI 工作流而言,这里的证据基础异常扎实,因为起草类工具很早就在 Epic 内部大规模上线,并在真实流量上被回溯性地研究过。几个主要结果:
- 《JAMA Network Open》上一项覆盖 1,542 位临床医生、983,154 条患者门户消息回复的队列研究发现:启用一个 AI 草稿回复工具与消息周转时间增加 8.6%相关联,而在某条具体消息上真正用上草稿则与减少 29.5%相关联。
- 下班后的工作量没有出现有意义的下降。而这正是当初用来给这次部署做论证的那项结果,也是在已发表的研究里最一贯地不动的那项结果。
- 更早一项覆盖 162 位临床医生的质量改进研究发现,负担与倦怠指标上有统计显著的改善,而所花时间没有变化。
- 一项儿科研究报告的感知节省约为每条消息 1.2 分钟,倦怠未变。
请把第一条和最后一条放在一起看,因为它们的乘积就是论点所在。每条消息省 1.2 分钟,如果那是真实时间而不是感知时间,数额是惊人的:按刻意保守的每天 14 条消息算——某家大型医疗系统公布的这个数字,被它自己描述为在 Epic 社区里属于最低之列——跨 230 个临床工作日,那是大约 3,200 条消息、每位医生每年约 64 小时。时间类研究并没有找到那 64 小时。它们找到的是「没有变化」;而在诊所层面,它们找到的是工具一旦可用,队列反而慢了 8.6%。
能同时解释这四项结果的那个说法既不光彩,又正是这份手册的全部内容:一份草稿会在那些本来几秒钟就能发走、甚至本来根本不会到临床医生手里的消息上,邀来一次临床审阅。这个工具让难的消息更快,又把容易的消息变成了需要被审阅的产物。两边一抵,你自动化掉的是那个本来就便宜的步骤。
之所以值得做工程而不是靠加人绕过去,原因在体量。全国性 Epic 数据显示,患者发出的门户消息在2020 到 2025 年间上升了 153%——在发信患者中,从每人每年约 2.2 条升到 5.4 条——而临床医生与员工的回复上升了 24%,达到每位患者每年 5.70 条,此前在疫情期间曾见顶于 6.86 条。回复这一侧已经接近天花板。到达那一侧还没有。
步骤 2先建路由器,并让它的输出是一项处置而不是一段文字。
这个智能体的首要输出应当是一项带有明确目的地的路由决定,而不是文本。五种处置覆盖了全部流量,而它们是按「谁必须持证」来排序的:
- 依据记录直接结掉,无需人工。已经发布且未变化的检查结果、预约事务、表格与证明的进度、「我那份传真你收到了吗」。回复就是一次查询,而智能体应当引用它读到的那个记录字段。
- 非临床人员池。排班、账务、保险、病案。这些需要一个人,而那个人不是临床医生——在大多数收件箱里,这是被错误路由的最大一类。
- 有既定医嘱的临床人员池。在既定医嘱(standing order)之下行事的护士、药师或医助:一次位于协议之内的稳定慢病用药续方,一个映射到既有分诊算法的、有记录的症状。
- 临床医生,常规。确实需要这个患者群的临床医生,但不必今天。
- 临床医生,紧急。需要一位临床医生在一个时钟之内处理。这是唯一一类「路由失手会伤到患者」的处置,而整个安全论证就活在它的召回率里。
这样组织会给你一样起草工具给不了的东西:一个你可以优化、却不必触碰临床判断的目标。五个目的地里有三个是行政性的,而把一条消息从「临床医生,常规」挪到「非临床人员池」,是彻底移除了一次临床医生接触,而不是把它缩短。草稿生成于是变成第二个、可选的阶段,只在「人反正都要回」的那些处置上运行——这也意味着起草工具不再在路由器已经结掉的消息上制造审阅工作。
有两点实现上的注意决定这套东西能不能活下来。让处置可逆且可见:被智能体依据记录结掉的消息,应当落进一个轻量的审计队列而不是凭空消失,至少在这一类积累起数月干净历史之前都该如此——它的形状是一个审阅队列,而不是一次静默动作。并且把「我判断不了」做成一等输出,路由到「临床医生,紧急」那一类;一次只花掉临床医生三十秒的弃答,是整个系统里最便宜的控制,而一个被迫在五个标签里挑一个的路由器,恰恰会在你最希望它上报的那些消息上挑错。
步骤 3摆到你面前的那个安全主张是按任务算的。相信它之前,先换算成「每位医生每年」。
2026 年 11 月 16 日,OpenAI 宣布推出医疗领域的计算机操作型智能体,同时带来 20 多个健康科技插件,并报告评审者把 325 项 GPT-6 Astra 任务中的 99%(电子病历收件箱工作)评为临床安全。就按这个主张的字面意思,做一下这个数字本身邀请你做的那两次换算。
# 1. What the interval actually permits. rated safe 99% of n = 325 # ~3 tasks not rated safe Wilson 95% interval [97.2%, 99.6%] unsafe rate, upper end 2.8 per 100 tasks # 2. What that rate meets in production. messages / clinician-day 14 # conservative public figure clinical days / year 230 messages / clinician-year 3,220 at 1.0% unsafe -> 32 unsafe dispositions per clinician-year at 2.8% unsafe -> 90 unsafe dispositions per clinician-year # 3. And the size of the evidence base, in the same unit. 325 tasks = about 10% of ONE clinician-year of messages
以上没有一句在说这个数字是错的。它说的是:这个数字是一个按任务计的比率,而它被摆出来时没有带上自己的分母;而临床收件箱是一种高分母的工作负载——正是在这种体制下,「99% 的按任务安全率」和「一个不可接受的年度伤害计数」会是同一个事实。它还说明:这项功能的全部公开证据基础,大约是一位临床医生一年里十分之一的量;作为一次能力演示,这个规模是合理的,而要刻画一条尾部则远远不够。
关于这类工作负载的厂商自报安全性,还有两点要当心。「临床安全」不等于「正确」——一条既安全又错误的回复仍然是一次质量失败,而且仍然会引出一条后续消息,再落回你本想缩小的那个收件箱。而一位评审者给一项任务打分,并不等于一位患者经历了一项结果;那个评分完全看不到「因为第一条回复听起来很权威、所以患者没有再发出的那条消息」。
步骤 4谁来签字,以及真正有约束力的那三条限制。
收件箱分拣的监管面比各团队预想的要窄,而真正有约束力的那些部分很具体:
- 一项临床判定需要一位持证临床医生,而分诊的紧急程度就是一项临床判定。撑得住的模式就是事前授权里那一套:智能体可以说「这条需要临床医生」,也可以说「这条是行政性的」,但那条「它把一项临床关切降级」的分支根本不该作为代码存在。降级永远是向人上报。
- 既定医嘱是让那个「有协议的人员池」合法的机制,而它是按机构、按州而定的。智能体不创造权限;它只是把消息路由进纸面上早已存在的权限里。请在设计这套分类之前先拿到既有既定医嘱的清单,因为那份清单就是这套分类的第三类。
- 在面向患者的那一侧,披露正在成为默认期待。2026 年发表的一项定性研究发现,患者对 AI 起草的门户消息普遍感到可以接受,并常常把这类工具读作对临床医生工作量的一种合理回应——而文献把这份接受与「被告知」联系在一起。请把这项披露当作那份接受的承重件来对待,而不是当作一个法务勾选框;机制部分见披露与内容溯源。
而不具约束力、却常被过度工程化的那一项是:起草这一步本身,在临床医生审阅并发送的前提下。那是这位临床医生的消息,由这位临床医生署名,它引出的治理问题关乎展示与编辑的可用性设计,而不是模型风险。请把合规力气花在你自动化掉的那些处置上。
步骤 5在你自己那本经过裁定的收件箱上做评估,分层,并只对一类计召回。
没有任何公开基准能替你把这件事定下来。现在确实有好几个——HealthAdminBench 面向计算机操作型智能体的医疗行政任务,EHR-Complex 与 HealthAgentBench 面向临床智能体推理,都在 2026 年发布到 arXiv——它们值得为任务设计而一读,但收件箱是一种本地分布。你这群患者的慢病构成、你门户的消息模板、你机构的既定医嘱,还有你患者的措辞,共同决定了答案,而这些东西没有一样在基准里。
请用那个费力的办法把评估集建出来,一次建好:
- 按处置分层采样,而不是随机采样。紧急那一类才是要紧的,而它很稀少,所以随机抽 500 条消息里头会包含得太少。请刻意过采样,再加权回去。
- 用两位临床医生裁定,并把分歧记录下来而不是把它消解掉。在紧急程度上的评审者间一致性,是你能报出的任何分数的上限;而如果它只是中等,你学到的东西要比模型准确率更重要——参见评判模型校准。
- 对「临床医生,紧急」报召回率,对其余各类报精确率。一个跨五类的综合准确率数字会被那三个行政类支配,于是它看起来漂亮极了,而唯一危险的那项错误率却在漂移。请给紧急召回设一条可以卡发版的下限,让其余各类按吞吐去调。
- 在自动结掉的那一类上,不只评答案,还要评引用。一条从「智能体其实没读过的那个记录字段」里得出的正确回复,是一次带着通过测试的未来事故。
然后让它保持鲜活。消息构成会随季节、以及任何一次门户改动而移动,而分拣模型恰恰是那种「输入会在没人提单的情况下挪动」的组件——评估集维护是那笔持续成本,而对一种如此敌视陈旧的工作负载来说,它不是可选项。
步骤 6按处置分阶段放量,并衡量那些起草研究找不到的那样东西。
请按「哪个目的地能吸收一次失误」来安排上线次序,也就是行政类在前、临床类在后——正好与厂商演示的顺序相反:
- 第 1 阶段——只给建议。智能体提出一项处置,员工来路由。在任何东西被自动化之前,你就拿到了带标注的数据和一个实测的一致率,而且你会摸清自己的错误路由基线——通常这正是手边最大的那一项单项收益。
- 第 2 阶段——自动路由非临床人员池。一个账务问题被发给了账务,哪怕发错,代价是一次转发,而不是一位患者。
- 第 3 阶段——自动结掉「依据记录查询」那一类,审计队列仍然开着。一直开到这一类积累起数月干净历史,然后改为抽样而不是全审。
- 第 4 阶段——路由进有协议的人员池,严格限制在既有既定医嘱之内。
- 起草,想什么时候上都行。它是风险最低、价值也最低的那个组件。在证据支持的地方交付它——也就是临床医生本来反正都要回的那些消息——并且别让它在路由器已经结掉的任何东西上运行。
这套指标很短,而且它刻意排除了人人都在报的那一个。每 100 条到达消息占用了几次临床医生接触,才是整套工程真正在撬动的数字;周转时间与每份草稿省几分钟,是在已发表研究里走偏了的那些数字。请把它与「对你那套裁定集的紧急类召回率」、「自动结掉率及其被推翻率」配成一组,再加上那个告诉你「你是把活儿缩小了还是把它挪了个地方」的指标——每条被结掉的会话引出了几条后续消息。一套结掉一条会话、却生出 1.4 条新会话的分拣系统,并没有减少体量;它把体量拆开了,而起草文献里那消失的 64 小时,很可能就藏在这个数字里。