AI赋能远程医疗：破解电子会诊规模化难题

2026年，马纳特健康与南卡罗来纳医科大学及密西西比大学医学中心的远程医疗卓越中心联合发布了这份报告，重点探讨了如何借助人工智能（AI）攻克“电子会诊”在普及过程中遭遇的瓶颈，并通过具体实例展望了其未来的应用潜力。

一、报告背景与核心议题

伴随医疗数字化转型的深入，“电子会诊”作为一种异步的医生间远程咨询方式，已成为扩充专科服务、降低不必要转诊的有效途径。不过，尽管其优势明显，但在实际落地时，如何实现规模化推广仍是巨大挑战。

本报告旨在通过引入人工智能（AI）技术，突破“电子会诊”在工作流效率、费用结算及系统兼容性上的障碍。该报告由南卡罗来纳医科大学及密西西比大学医学中心的远程医疗专家团队与马纳特健康共同完成，基于背景调研和多家医疗机构的访谈，提出了将AI深度整合进“电子会诊”流程的具体策略，旨在推动远程医疗的广泛普及。

二、“电子会诊”的现状与挑战

2.1“电子会诊”的定义与价值

所谓“电子会诊”，即基层临床医生向专科医生寻求关于患者诊断或治疗方案的咨询。其核心特征在于异步性和非接触式：专科医生不直接接触患者，而是依据电子病历记录给出专业意见。

●核心价值：降低低复杂度病例的转诊率，将专科医生的时间聚焦于最紧迫的病例；同时增强基层医生的诊疗信心与满意度。

2.2制约规模化发展的主要障碍

尽管2019年“老年医保”及2023年“医助”和“儿童健康保险计划”的政策放宽为“电子会诊”提供了报销依据，但推广进程仍受多重现实因素掣肘：

●管理负担繁重：基层医生需整理病历并明确陈述问题，专科医生则需从分散数据中检索并综合信息。这种“隐形工作量”占用了大量时间。

●报销机制不匹配：即便能报销，支付额度往往无法覆盖“电子会诊”所需的精力，导致财务上难以为继。

●系统互操作性差：不同电子病历系统间的数据交换困难，极大地增加了跨机构协作的门槛。

三、AI集成的核心机遇：全流程优化

报告指出，AI为突破“电子会诊”的规模限制提供了切实可行的方案，特别是针对发起、审查和回复环节的时间与精力消耗。通过自动化和优化工作流各环节，AI能助力临床医生更高效地执行高质量的“电子会诊”。

3.1 AI在“电子会诊”流程中的具体应用

报告通过图表展示了AI在不同阶段的赋能潜力：

工作流阶段

AI优化策略

潜在价值

需求评估

分析患者数据，提供决策辅助，判断是否适合进行“电子会诊”。

降低不必要的转诊；提升基层医生对会诊工具的熟悉度。

请求创建

自动填充“电子会诊”请求模板，辅助识别和组织临床信息。

大幅减轻基层医生行政压力；提升沟通效率。

路由与排队

执行自动路由与状态检查，推荐合适专家并标记紧急性。

优化专科资源分配；确保请求精准匹配专家。

专科审查

提取关键健康信息，进行风险分级与诊断辅助。

缩短专科医生查阅病历的时间；辅助临床判断。

回复生成

草拟回复建议供基层医生参考。

减少撰写耗时；提升回复的专业度。

3.2新兴的AI医疗信息平台

报告提到，临床医生正广泛使用AI驱动的临床决策支持平台（如OpenEvidence, Doximity GPT, UpToDate AI）。这些工具通常基于高质量文献提取证据，快速解答临床疑问。

●影响：长期来看，这类工具可能促使“电子会诊”从解决“简单问题”向处理“复杂、细致判断的病例”转变。

●策略：这凸显了将AI整合进“电子会诊”项目的必要性，以便与通用工具形成互补，发挥“电子会诊”的独特价值——即针对患者特定情况的专家见解。

四、案例研究：斯坦福医疗中心

报告详细阐述了斯坦福医疗中心与斯坦福新兴应用实验室于2025年合作的实践案例，该案例充分展示了AI集成“电子会诊”的典型应用。

4.1项目背景与痛点

斯坦福医疗中心的“电子会诊”项目发现，专科医生端是流程中的瓶颈。为提升专家参与度并拓展科室范围，项目组决定利用AI技术来优化专科医生的使用体验。

4.2解决方案：Epic系统中的AI应用

项目首先在传染病科开展试点。斯坦福新兴应用实验室团队开发了一款集成于Epic系统的AI应用：

●数据提取与合成：根据“电子会诊”需求，从患者病历中提取、整合并解释相关数据。

●生成回复草稿：AI生成包含参考链接（指向具体病历记录、化验结果）的草稿，以及基于数据分析的临床建议。

●准确性保障：为减少幻觉并提升准确率，AI采用经过验证的知识库进行数据提取与推理。系统被设计为能从已完成会诊中学习，并结合斯坦福专家的思维模式完善建议。

4.3初步结果与经验教训

●专家反馈：参与的专科医生对AI生成的高质量数据摘要评价极高，认为其优于草拟的回复。医生们更倾向于接受摘要，但对AI推荐的临床建议有时持保留态度。

●关键经验：

（1）问题导向：成功的关键在于“以问题为中心”，即先识别制约增长的痛点（如专家参与度低），再据此设计AI工具。

（2）多模型策略：在Epic插件中采用多种AI模型，针对高复杂度任务（如解读临床测试）启用高级模型，而用混合模型处理图表摘要。

五、战略、政策与研究建议

报告最后针对未来AI战略、政策与研究提出了建议，旨在解决工作流差异、信任度缺失及测量困难等问题。

5.1应对工作流碎片化

●分阶段实施：建议医疗系统分步推进，一次针对一个专科部署AI集成工具。这有助于系统根据专科特定需求（如皮肤科图像分析）进行定制化调整。

5.2建立信任与透明度

●安全与准确性评估：特别是在AI辅助分诊和路由环节，需评估其能否可靠地判断何时需要面对面就诊。

●透明化工作流：配置AI工具以显示