为医疗系统拥挤难题提出中间层
2023年，韩国人均门诊就诊18次，而经合组织（OECD）平均为6.5次。韩国电子病历普及率超过95%，既拥有广泛的数字基础设施，也面临巨大的问诊需求。一个研究团队如今提议利用人工智能，让社区诊所与大型医院联系得更加紧密，而不是增设另一类医疗机构。
目录
这项名为1.5级医疗体系的提议于2026年9月2日在线发表于Nature Portfolio旗下期刊《npj Health Systems》。研究团队由首尔大学盆唐医院家庭医学系教授郑世英（Jung Se-young）领衔，提出建立一层人工智能支持体系，帮助诊所筛查患者、交换医疗信息、发现容易被忽视的疾病风险，并在复诊间隔期间监测慢性病。
这篇已发表的观点论文汇集了多项独立临床研究的证据。论文没有报告对完整医疗模式进行的试验，也没有宣布在全国推行。其核心观点是，应围绕基层医疗必须履行的工作来组织各类人工智能工具，而不是将它们作为彼此割裂的技术产品引入。
首尔大学医学院教授朴相民（Park Sang-min）和韩国国会议员车智浩（Cha Ji-ho）也参与了研究。列出的作者还包括韩成浩（Seong-Ho Han）、李娥珍（Eojin Yi）、徐宇仁（Wooin Seo）和姜延秀（Yeonsoo Kang）。研究团队于2026年9月17日宣布论文发表。
区分提议与已投入运行的体系十分重要。作者认为，韩国是测试这一框架的理想候选地，同时也承认，支持该体系所需的激励机制、机构治理和监测措施尚未在大规模范围内建立。
1.5级医疗体系具体如何运作
这一拟议的中间层是连接基层医疗与专科服务的技术桥梁。患者仍会前往当地诊所就诊，并在必要时接受医院治疗。人工智能将为连接这两种医疗场景的决策和信息传递提供支持。
该框架围绕基层医疗的四项既有职能组织这类支持：首诊、协调、综合服务和连续性。这意味着评估新出现的健康问题、确保不同服务提供者之间的护理衔接、应对广泛的健康需求，以及在一段时间内持续提供医疗服务。
例如，诊所可以使用人工智能解读筛查影像、准备转诊文件，并将医院出院摘要与患者家用监测设备的读数整合起来。这样做旨在形成更完整的患者情况图景，而不必要求临床医生每次就诊时都手动重新拼凑相关信息。
作者表示，他们希望让更多人享受到通常与礼宾式医疗相关的细致、个性化照护。在论文摘要中，研究团队将这一模式称为该医疗方式的一种可扩展替代方案：
让所有人都能享受礼宾式医疗。
这是一项目标，而非已得到证实的结果。有证据表明某种工具能改进特定任务，并不能证明完整体系无需增加人员或费用，就能提供更个性化的医疗服务。
筛查能发现疾病，也可能漏诊
一个例子来自澳大利亚的一项前瞻性研究。该研究将自动化视网膜摄影与人工智能筛查结合，用于基层医疗中的青光眼筛查。在161名此前未确诊的参与者中，有18人发现了需要转诊评估的青光眼，占11.2%。
论文还提供了用于理解这一检出率的性能数据：敏感度为65.0%，特异度为94.6%，受试者工作特征曲线下面积（AUROC）为0.80。
敏感度反映检测发现患病者的能力；特异度反映识别未患病者的能力。报告的敏感度表明，这种筛查方式未能发现所有病例。特异度相对较高也无法消除这一局限。
AUROC衡量一项检测在不同判定阈值下区分病例与非病例的能力。0.80意味着其区分能力有实用价值，但不等于80%的患者得到了正确诊断。
这些结果支持利用人工智能扩大筛查范围，并帮助患者转入适当的医疗服务。但它们并不支持将阴性结果视为没有患病的保证。这一区别是拟议模式的关键：筛查辅助必须与临床评估和转诊相衔接。
转诊质量不仅取决于文字是否流畅
在医疗协调方面，研究人员提到利用大型语言模型，根据电子病历生成转诊信和出院摘要。论文引用的零样本摘要准确率最高达99.25%，另有证据显示，这些摘要与临床医生撰写的摘要高度一致。
零样本是指模型在该项评估中未获得任务专用示例，就完成了所要求的任务。这并不意味着模型从未接受过训练。大型语言模型在生成医疗文件之前，已经过大量训练。
潜在益处很实际。患者从社区诊所转往医院时，需要一份清楚说明症状、检查和治疗情况的记录。患者回到社区医疗体系后，药物调整和专科医生建议也需要随患者转交。自动生成初稿可以减少整理这些细节所花的时间。
不过，文中引用的准确率属于特定评估结果，不能保证其他诊所生成的每一封转诊信都完整或安全。文件即使写得很顺，也可能遗漏关键事实，因此该框架仍要求专业人员对医疗决策负责。
医疗协调也不止于医院。论文介绍了内布拉斯加州一项倡议：通过数字医疗导航平台识别尚未满足的社会需求、帮助患者对接社区资源，并由社区卫生工作者协助后续跟进。这一例子将提议的范围扩展到文件生成之外：信息应帮助患者联系相关服务，而不只是生成更多文字。
既有影像可能揭示被忽视的风险
综合服务部分探讨人工智能能否帮助全科医生利用已收集的信息，处理患者更多健康需求。一个例子是机会性筛查，即重新查看因其他原因拍摄的影像，寻找另一种疾病的迹象。
在美国的NOTIFY-1项目中，人工智能从既有胸部计算机断层扫描（CT）影像中识别冠状动脉钙化。钙沉积可能是动脉粥样硬化的迹象，即动脉中斑块堆积。随后，研究人员将检查结果通知了临床医生和患者。
学术论文报告称，6个月时他汀类药物处方率为51.2%，对照组为6.9%，相差44.3个百分点，约为7.4倍。他汀类药物可降低胆固醇，并用于降低适用患者的心血管风险。
相关报道将这些数字描述为筛查前处方率从6.9%升至筛查后51.2%。但学术论文的表述是6个月时的组间比较，并指出所有患者在研究开始时都未服用他汀类药物。因此，6.9%不应被视为基线处方率。
这一结果衡量的是处方率变化，并未证明心脏病发作有所减少。它也反映了一项组合干预：人工智能检测后，医生和患者均收到通知。因此，不能将全部效果归因于检测本身。
更广泛的诊断支持有不同类型的证据
论文还引用了一项随机试验，研究人工智能辅助肺量计检查的效果。肺量计用于测量一个人能呼出多少空气以及呼气速度，常用于评估呼吸系统疾病。
在所有病例中，人工智能决策支持使临床医生首选诊断的预测准确率提高了9.0个百分点。对于慢性阻塞性肺疾病（COPD），准确率提高了15.9个百分点。报告的95%置信区间分别为4.5至13.3个百分点和9.0至22.7个百分点。
这些数据反映的是诊断任务的改善，并不能证明人工智能可以独立管理呼吸系统疾病。作者将此类工具置于需要临床医生核实的工作流程中；如果病例超出基层医疗的处理范围，则应转诊。
Pickhardt及其同事开展的另一项研究，通过模型评估利用既有CT影像筛查心血管疾病、骨质疏松症和肌少症的效果。肌少症是指肌肉质量和功能下降。模型预测，在55岁人群中，与对所有人治疗或对所有人都不治疗的策略相比，这种做法在10年内可节省成本并改善临床结局。
这类证据不同于临床试验。模型根据对疾病、治疗和成本的假设来估算结果，有助于评估某种做法是否值得测试，但不应将预测的节省金额说成韩国拟议框架已经节省的实际资金。
糖尿病护理可延续至复诊之间
在连续性方面，研究人员关注诊室之外仍能持续获得的信息和医疗服务。连续血糖监测仪会频繁采集读数，让医疗团队看到偶尔到诊所测量可能遗漏的变化趋势。
一项针对Twin Precision Treatment系统的随机试验将血糖监测、人工智能指导的生活方式建议和数字化反馈结合起来。试验报告称，71.0%的2型糖尿病参与者实现了缓解或减少了用药。
这是一个合并结局指标，并不意味着71.0%的参与者实现了缓解，也不意味着这一群体中的所有人都停了药。在描述患者对类似项目的预期效果时，这一区别十分重要。
在阿联酋，GluCare.Health模式将远程监测与人工智能临床决策支持结合起来。论文报告称，该模式使糖化血红蛋白（HbA1c）下降2.19个百分点，而标准护理下下降0.10个百分点，差值为2.09个百分点。HbA1c反映约两至三个月内的平均血糖水平。
这两个例子研究的都是一整套医疗服务，而非单独的软件。人工智能之外，还配有监测设备、生活方式支持和临床管理。这些例子支持进一步测试连续性更强的医疗服务，但不能证明报告的改善是由人工智能单独带来的。
医生承担责任，并设有三道安全闭环
该提议将诊断和治疗责任交由持证临床医生和医疗机构承担。人工智能将为患者接诊、文档记录、优先级排序、风险评估和监测提供支持，而不独立承担患者照护责任。
监督强度将随工具的自主程度及其输出可能造成的后果而提高。行政摘要和预约安排可接受事后审查；分诊优先级和临床提示在采取行动前需要临床医生审核；诊断、处方及其他影响重大的治疗决策则必须由专业人员确认。
作者还提出三道安全闭环：临床、治理和学习。这三者共同体现了监督医疗服务、维持机构问责，以及在部署后利用实际经验监测和改进体系的必要性。
这一划分很有意义，因为实验室或临床评估成功，并不能确定工具进入日常实践后会如何表现。一个连接多种工具的框架，既需要监督整套服务，也需要检查每一项具体应用。
同一原则也适用于病历。研究人员建议将机构病历与患者生成的信息结合起来，包括可穿戴设备、个人健康记录和数字疗法产生的数据。他们讨论了SNOMED CT等标准化临床术语，以帮助不同系统一致地理解同一信息。数字病历广泛普及只是起点，并不能证明病历已经能够在不同机构间可靠流转。
韩国是候选地，而非已确认的推行地点
根据文中引用的2023年数据，韩国人均门诊就诊18次，约为经合组织平均水平6.5次的2.8倍。结合广泛使用的电子病历和覆盖全民的国民健康保险，这一高就诊量让研究人员有理由测试：加强基层医疗支持能否减少医疗服务碎片化和大型医院的压力。
不过，作者也指出了实施方面尚未解决的问题：协调一致的激励机制、治理委员会和部署后监测基础设施尚未在大规模范围内建立。该提议没有给出已确定的试点启动日期、实施期限或全国性资金承诺。
以下时间线区分了医疗体系数据的年份、论文发表时间和研究团队宣布时间：
- 2023年：韩国人均门诊就诊18次，文中引用的经合组织平均值为6.5次。
- 2026年9月2日：观点论文在线发表于《npj Health Systems》第3卷，文章编号80。
- 2026年9月17日：研究团队宣布论文发表。
作者声明不存在利益冲突。论文提出的是测试一种服务模式的议程，并非韩国已经围绕该模式重组医疗服务的证据。
该框架还提出了在其他地区的不同用途。在富裕的城市地区，人工智能分诊和自动化文书处理可帮助诊所应对专科需求和行政压力。在医生稀缺的农村地区，护士和社区卫生工作者可以使用便携式筛查工具并转诊患者。在冲突或灾害地区，能够离线运行的轻量化工具可帮助维持基本服务。
这些是拟议的适配方案，并非完整体系已经部署的报告。其共同目标是让现有临床资源发挥更大作用，同时确保筛查、转诊和监测仍与负有责任的医疗服务相衔接。
要点
- 韩国研究人员提议建立人工智能层，连接基层诊所与专科医院，而不是增设一类新的医疗机构。
- 2026年9月发表的论文是一篇汇集多项独立研究的观点文章，并非对完整框架进行的试验。
- 相关应用涵盖筛查、医疗文档、更广泛的疾病检测以及复诊间隔期间的护理。
- 不同任务的临床结果各不相同；组合医疗项目带来的益处不能单独归因于人工智能。
- 临床医生仍对诊断、处方和治疗决策负责。
- 研究人员提议将韩国作为测试地点，但治理、激励机制和监测措施尚未在大规模范围内建立。
- 尚未宣布已确定的全国推行计划或试点期限。
