为何医疗保健服务难以衡量人工智能的成本与成效

风险投资公司 Menlo Ventures 表示，与美国整体经济相比，目前人工智能在医疗保健行业的部署速度要快上2.2倍。各大医疗保健系统正在引领这一应用趋势。

尽管与其他行业相比起步较慢，但医疗保健和生物技术公司正开始拥抱人工智能，推出了例如用于循证医学的 OpenEvidence、用于环境临床文档的 Abridge，以及提供精准医疗解决方案的 Tempus AI 等软件。

然而，医院的首席财务官 (CFO) 们正面临一个超越庞大资本支出数字的更广泛的问题。

人工智能内置于医疗保健系统架构中

在一个面临宏观转型巨大压力的行业中，人工智能倡导者所宣扬的“即插即用式成本节约”的诱人前景，与预测中的效率提升节省很少能转化为实际现金流的现实形成了鲜明对比。

为什么？管理学理论家 Peter Drucker 曾有著名观点，认为医疗保健是有史以来最复杂的人类组织。答案就在于医疗保健的架构，以及其投资回报、收入产生和工作流程的设计方式。

从表面上看，更好的人工智能工具能够将医疗保健工作者从单调、重复、不创收但又必不可少的任务中解放出来，理应带来效率的提升。

但这些任务是建立在一个需要集成的架构之内的。这些人工智能解决方案将如何与更广泛的医疗保健服务实践相结合？

支付方和保险公司会知道，让医生每小时看更多的病人，将意味着问诊、转诊和处方量的增加。

通过影像或额外检查得出的偶然发现，将进一步导致连锁式医疗，并可能从系统层面推高成本。

在人力方面，医疗保健管理者正试图避免难以培训的医疗保健工作者突然流失，但这些人力又该如何为适应现有护理模式而进行重新部署和再培训呢？

最后是风险。尽管全球的临床医生都被鼓励采用人工智能来辅助工作，但关于注意义务、疏忽以及对技术（“黑箱”）缺乏充分理解的担忧，仍在持续影响专业服务的定价和采用方式。

此外，由不同人工智能模型产生的“未知的未知”风险，如果验证和透明度问题得不到解决，可能会对患者造成实际伤害。将人工智能驱动的网络安全威胁计入定价，进一步使医疗保健公司面临巨大的成本上行压力。

计费床位与推测性节省的对决

总部位于达拉斯、运营着数百家医疗保健机构的医疗保健服务公司 Tenet Healthcare，在2026年第二季度实现了显著增长，并获得了分析师的目标价上调，这主要得益于更高的门诊收入（来自无需住院过夜的服务）。

在医疗保健领域，分析师很容易衡量两个因素：数量和定价收入，这一切都在既有的支付方框架内进行。但医疗保健人工智能解决方案承诺的却是预测、无缝监控和时间节省。

投资者继续通过传统财务指标来评估医疗保健服务提供商，而人工智能公司谈论的却是推测性的效率节省。

首席财务官们被要求为概率和假设成本定价，而不是衡量那些实际发生的事情——已计费的手术、已入住的床位、已进行的化验。此外，医院很少能就一次微不足道的10分钟护理延迟，拿出一份精确的成本账目。

这导致了价值导向医疗的滞后。使用预防性健康人工智能带来的财务回报，意味着保险公司将在未来获利，而医疗保健服务提供商却要在当下承担前期的人工智能软件成本。

那么，在医疗保健服务中推动人工智能转型的成本究竟是什么？

对于机构而言，代价是更为艰巨的工作，包括实施变革管理、进行临床验证，以及在从支付方到监管机构的各利益相关者之间进行整合。

传统的磁共振成像设备，其折旧是可预测且有成熟模型的，但人工智能在临床环境中的使用却存在模型漂移问题（即一个最初准确的模型其性能随时间推移而下降）。你不能设置好后就置之不理。

恰恰相反，重新验证人工智能的目标和影响，是全球医疗保健提供商面临的运营阻力和摩擦。

人工智能作为力量倍增器

那么，解决方案是什么？

生物技术投资者 RA Capital 长期以来一直认为，虽然美国80%的医疗保健支出来自医疗保健服务，但只有8%用于创新药物。然而，正是这后一小部分的支出推动了创新。

正如医学突破是改善患者治疗效果的力量倍增器一样，人工智能也应被同样视为一种能够产生发展动力并提高护理标准的投资。

试图在数学上孤立地计算避免一次医疗差错、缩短重症监护室的住院时间或节省一名护士一小时工作所带来的财务投资回报，是一个结构性的死胡同。

在医疗保健服务领域，数字很少是客观真理，而更像是一块可以灵活使用的画布，用来证明董事会想要推销的任何战略叙事。

医疗保健领域的财务建模往往是一面用于证明前瞻性战略的后视镜，其中的数学计算仅仅反映了公司的意志。

对人工智能影响的真正考验是架构转型。当风险投资家投资一项突破性技术时，他们不会要求一份详细列出该工具将为公司节省多少软件工程师的分项账目。他们关注的是结构性的规模效应。

因此，对于医疗保健组织而言，问题在于：这项技术是否从根本上重新定义了医疗保健领域长期存在的人力、财务和资源能力的限制？

作者受过医学专业训练，目前为一家全球只做多策略的投资公司提供宏观战略咨询。他在提交草稿前，曾使用人工智能进行构思和编辑。