《人工智能与远程医疗的集成：“电子会诊”》是由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卓越远程医疗中心于2026年联合发布的报告，深入探讨了如何利用人工智能（AI）技术解决“电子会诊”在规模化推广中面临的痛点，并通过具体案例展示了其未来的应用前景。
一、报告背景与核心议题
随着医疗体系的数字化转型，“电子会诊”作为一种异步、医生对医生的远程咨询模式，已被证明是扩展专科医疗服务、减少不必要转诊的有效手段。然而，尽管其价值已被认可，但在实际操作中，“电子会诊”的规模化扩展仍面临严峻挑战。
这份简报，旨在探讨如何通过集成人工智能（AI）技术来解决“电子会诊”在工作流负担、计费限制和互操作方面的瓶颈。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合作完成，结合了背景研究与对多家医疗系统的访谈，提出了将AI深度融入“电子会诊”工作流的具体策略，以支持更广泛的远程医疗普及。
二、“电子会诊”的现状与挑战
2.1 “电子会诊”的价值与定义
“电子会诊”是指治疗临床医生向专科医生请求关于患者诊断或治疗计划的建议。其核心特征是异步性和非直接接触：专科医生通常不直接接触患者，而是基于电子病历中的记录提供意见。
●核心价值：减少低复杂度病例的不必要转诊，让专科医生的时间留给最需要的患者；同时提升基层医生的满意度和诊疗能力。
2.2 制约规模化的主要障碍
尽管2019年“老年医保”和2023年“医助”及“儿童健康保险计划”的政策放宽允许了“电子会诊”的报销，但其推广仍受阻于以下现实问题：
●管理负担重：基层医生需整理病历并清晰阐述问题，专科医生需检索分散的数据并综合信息。这种“隐性劳动”消耗了大量时间。
●报销政策不匹配：即使可报销，支付水平往往无法反映“电子会诊”所需的时间和精力，导致财务上的不可持续性。
●互操作能力差：在不同电子病历系统之间，高效的“电子会诊”交换非常困难，增加了跨机构协作的难度。
三、AI集成的核心机遇：全流程优化
报告指出，AI提供了一个切实的机会，可以减少限制“电子会诊”规模的关键约束，特别是发起、审查和回复所需的时间与管理努力。通过自动化和增强工作流的各个环节，AI能使临床医生更高效地完成高质量的“电子会诊”。
3.1 AI在“电子会诊”工作流中的具体应用
报告通过图表详细列出了AI在不同阶段的赋能潜力：
工作流阶段 | AI优化机会 | 潜在价值 |
需求评估 | 分析患者信息，提供决策支持，判断“电子会诊”是否合适。 | 减少可避免的转诊；增强基层医生对“电子会诊”选项的认知。 |
请求创建 | 预填充“电子会诊”请求模板，帮助识别和组织相关临床信息。 | 显著降低基层医生的行政负担；提高医患沟通的效率。 |
路由与排队 | 自动进行路由和就绪检查，建议合适的审查者，并标记紧急程度。 | 优化专科医生资源的利用；确保请求到达最适合的专家手中。 |
专科审查 | 提取相关健康信息，进行风险分层和诊断支持。 | 减少专科医生寻找和审查病历的时间；支持临床决策。 |
回复生成 | 草拟对基层医生的回复建议。 | 减少撰写回复的时间；提高回复的清晰度。 |
3.2 新兴的AI医疗信息平台
报告特别提到，临床医生越来越多地使用AI驱动的临床决策支持平台（如OpenEvidence, Doximity GPT, UpToDate AI）。这些工具通常从高质量文献中提取证据，快速回答临床问题。
●影响：随着时间推移，这类工具可能会将“电子会诊”的使用从“简单直接的问题”转向“需要复杂、细致判断的病例”。
●策略：这强化了将AI集成到“电子会诊”项目中的必要性，以便与这些通用工具互补，专注于“电子会诊”的独特价值——即基于患者特定情况的专家输入。
四、案例研究：斯坦福医疗中心
报告详细介绍了斯坦福医疗中心在2025年与斯坦福新兴应用实验室合作的实践案例，这是AI集成“电子会诊”的典型范例。
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，专科医生端是工作流的瓶颈。为了增加专家的参与度并扩展参与科室，项目组决定利用AI改善专科医生体验。
4.2 解决方案：Epic系统中的AI应用
项目首先在传染病科试点。斯坦福新兴应用实验室团队开发了一个集成在Epic系统中的AI应用：
●数据提取与合成：基于“电子会诊”问题，从患者图表中提取、合成并解释相关数据。
●生成回复草稿：AI会生成一份包含参考链接（指向具体临床记录、实验室结果）的回复草稿，以及基于患者数据分析的临床建议。
●准确性保障：为了提高准确性和减少幻觉，AI使用了一个经过验证的知识库来指导其数据提取和推理。系统被设计为能够从已完成的会诊中持续学习，结合斯坦福专家的推理模式来完善建议。
4.3 初步结果与经验教训
●专家反馈：参与的专科医生对AI生成的数据摘要评价很高，认为其质量优于草拟的回复。医生们更愿意接受摘要，但对AI建议的临床推荐并不总是认同。
●关键经验：
（1）问题导向：成功的关键在于采取“问题优先”的方法，即先识别限制增长的痛点（专家参与度低），再设计AI工具。
（2）多模型策略：在Epic插件中使用了多种AI模型，为高复杂度任务（如解释临床测试）保留更高级的模型，而使用混合模型进行图表摘要。
五、战略、政策与研究建议
报告最后提出了针对未来AI战略、政策和研究的建议，以应对工作流差异、信任度低和测量困难等挑战。
5.1 应对工作流碎片化
●分阶段实施：建议医疗系统一次针对一个专科逐步实施AI集成工具。这允许系统根据特定专科的需求（如皮肤科的图像分析）进行微调。
5.2 建立信任与透明度
●安全与准确性评估：特别是在AI辅助分诊和路由方面，需要评估其是否能可靠地识别何时需要面对面就诊。
●透明化工作流：配置AI工具以显示来源链接的证据、置信度/不确定性提示，并建立审计跟踪，以便区分AI生成内容和医生撰写内容。
5.3 测量与评估
●质量评估：开发标准指标来评估AI生成内容的质量（准确性、相关性、安全性）。
●运营影响：衡量AI对周转时间、“电子会诊”与转诊比率、专家容量等运营结果的影响。
5.4 解决计费限制
●更新CPT代码：当前的报销结构基于医生工作时间。AI虽然减少了人工时间（如生成摘要或起草沟通内容），但也引入了技术成本。建议“联邦医保及医助中心”和其他支付方考虑如何在医生工作时间计算和支付率中纳入AI相关支出。
●激励机制：考虑为参与“电子会诊”项目的提供者增加额外的CPT代码激励。
六、结论
报告总结指出，AI赋能的工具可以通过简化工作流和减轻管理负担来加强“电子会诊”项目，从而支持更广泛的专家采用和获取。这一潜力在农村和资源匮乏地区尤为重要，因为这些地区专科医生稀缺。早期的实施展示了有意义的运营收益，但持续的成功将取决于符合特定专科工作流的解决方案、透明的治理以建立临床信任，以及反映不断变化的资源需求的报销方法。
这份报告不仅是对技术应用的描述，更是对医疗服务体系转型的深刻洞察。它揭示了AI在医疗领域并非简单的“替代者”，而是“增强器”。
1、从“通用搜索”到“情境智能”：
报告敏锐地指出了通用AI搜索工具（如ChatGPT）与临床专用AI（如“电子会诊”集成）的区别。通用工具提供的是基于文献的泛化知识，而“电子会诊”需要的是基于具体患者病历的个性化推理。AI在“电子会诊”中的核心价值在于“情境化”——将分散在电子病历中的数据转化为针对特定临床问题的结构化证据。
2、人机协作的边界：
斯坦福的案例清晰地展示了“人机分工”。AI擅长数据的提取、汇总和基于规则的初步建议，而人类医生则专注于复杂的判断、权衡和最终决策。报告强调的“幻觉”问题，通过引用来源链接和验证知识库得到了有效缓解，这为医疗AI的安全落地提供了范本。
3、政策与技术的博弈：
报告最深刻的洞见在于指出了技术进步与落后的支付模型之间的矛盾。AI提高了效率，缩短了医生的操作时间，但在按服务收费的体系下，这反而可能导致收入下降。因此，报告呼吁更新CPT代码和医生工作时间计算方式，这不仅是技术建议，更是推动医疗价值转型（从按时间付费转向按价值付费）的政策呼吁。
综上所述，这份报告展示了AI如何从单纯的算法模型转变为改变医疗协作模式的基础设施。通过优化“电子会诊”，AI正在帮助构建一个更加扁平化、高效且以患者为中心的医疗网络。
如需要《人工智能与远程医疗的集成：“电子会诊”》（英文，共15页），请在本微信公众号中赞赏（点喜欢或稀罕作者后按本公众号设定打赏）后，发来email地址索取。
The best way to live one's life can actually be summed up in just two sentences： Shine brightly in your own world and go with the flow in the world of others. 人生最好的活法其实就两句话：在自己的世界里熠熠生辉；在他人的世界里顺其自然。早上好！
