本文来自微信公众号： 数字经济发展评论 ，作者：数字经济发展评论
导语
美国犹他州近期启动AI开处方试点，探索在特定条件下减少人工审查，让AI承担部分开方工作。这一尝试也带来新的公共卫生议题：当算法开始参与甚至自主作出临床决定，医疗安全与责任边界该如何保障？
观察家研究基金会（Observer Research Foundation，ORF）指出，AI开处方有望缓解医疗资源紧张，但续方并非简单地重复开药，还需要判断患者病情和用药情况是否发生变化。若忽视这些临床信息，自动化可能放大医疗风险。文章认为，AI应用应根据临床风险设置监管门槛，在改善医疗可及性的同时保障患者公平、明确责任归属。AI的价值在于增强临床判断，而不是取代医生的责任。
原文标题：The Algorithmic Prescription Pad:What AI Prescribing Means for Public Health
原文来源：观察家研究基金会（Observer Research Foundation,ORF）
编译解读：数字经济发展评论
一、犹他州沙盒：两个试点与分阶段放权
犹他州的AI开处方试点，正在检验一件事：临床决策在监管之下究竟能自动化到什么程度。过去AI只负责辅助决策，如今要测试的是它能否自行作出其中一部分决策。犹他州人工智能政策办公室（Office of Artificial Intelligence Policy）为此设立了监管沙盒，让AI系统在临时监管豁免和分阶段监督之下，只承担范围极窄的临床职能。
其中一个试点与Doctronic合作，只允许续开执业临床医生已经开具的药物。另一项试点于2026年9月与Nolla Health签署，走得也更远：其系统可为成年轻中度痤疮患者开具首次处方和续方，药品种类限于一组外用药。重度痤疮、口服药和异维A酸都排除在Nolla试点之外。
第一阶段，每一张处方都要经犹他州执业医师审查；后续阶段可能改为回顾性审查与抽样，但前提是达到性能门槛，并获监管机构批准推进。沙盒真正要检验的，其实是监管能否跟上分阶段放权，而不只是模型会不会开药。审查从事前移到事后，靠的是事先设定的性能门槛，而不是对企业的信任。
这不是不受监管的“AI行医”，也不是犹他给AI发了一张通用的行医执照。它是一次有边界的监管实验，却标出了一条值得关注的政策边界：问题已不再是AI能否给临床医生提建议，而是在什么条件下，可以允许它在事前人工审查逐步减少之后发起或延续治疗。
对全球南方的卫生系统而言，这场辩论尤其重要。人手短缺、诊所超负荷、非传染性疾病负担上升，都会形成用技术扩大服务覆盖的强烈动机。风险在于，一项在资源充足的环境里受到严密监管的实验，换个地方就可能被当成捷径，用来绕开加强基层医疗这件更慢的工作。
二、续方为什么属于临床照护
把续方交给自动化，理由听上去很直接：一位病情稳定的高血压或糖尿病患者，同一种药已经吃了好几个月，为什么续开一次还要医生批准？问题在于，慢性病照护的核心恰恰是两次就诊之间发生了什么变化。
来续开降压药的患者，可能已经出现体位性低血压、肾功能恶化、依从性差或药物不良反应；来续开糖尿病药的患者，可能血糖控制变差、出现不明原因的体重下降或早期并发症。
有的患者在这期间加了别的药，有的因为药物断供或负担不起而只服用半量。家庭状况、饮食以及遵医嘱的能力，也可能已经改变。所以，复诊的临床价值不在签署处方这个动作，而在于它提供了一次机会，重新判断昨天的治疗方案在今天是否仍然成立。
AI可以比对化验值、核查药物相互作用、识别偏离方案之处、标记漏掉的随访，但它的决策质量仍然受制于它能拿到的信息。系统知道表格里记录的血压，却未必知道患者走路已经不稳、因为咳嗽自行停了某种药，或者正在省着吃药撑到下次发薪。所以，制约AI的不是算法能力，而是它拿不到的那部分临床信息，而这部分信息恰恰是复诊本来要抓住的。
这并不意味着每次续方都要安排一次长时间的医生问诊。要强调的是，续方路径应当围绕临床风险来设计，而不应迁就行政上的便利。
三、决策支持的效果有限，瓶颈在落地条件
多年来，卫生系统一直在梳理数字临床决策支持系统在真实世界初级保健中的表现。这些证据之所以有用，恰恰在于它的结论并不一致。
2025年一项Cochrane综述考察了“数字追踪＋临床决策支持”的效果，发现它在某些场景下可能有益，例如对建议的依从性更好、记录更完整，但它对医务人员行为和患者结局的影响往往很小、不明显或难以确定。实施研究指出的原因并不新鲜：警报疲劳、工作流程整合不佳、数据缺失、基础设施不足，以及建议与可用资源不匹配。
观察家研究基金会自己关于健康AI的研究也提出过类似看法：AI有可能显著放大卫生系统的能力，但可信的规模化取决于有代表性的数据、验证、治理，以及部署之后监测表现的机构能力。教训不是算法会失败，而是算法会继承它所嵌入的系统的长处与短处。效果取决于工作流和数据基础，而不是算法本身有多聪明，这也解释了同类工具在不同机构为什么表现相差很大。
自主开方之所以风险更大，是因为它削弱了人工检查点。决策支持工具的设计初衷，恰恰是让这个检查点上的人掌握更好的信息。人工检查点一旦拿掉，决策支持原有的信息缺口就会直接落到处方上。
四、可及性不能替代公平与问责
支持AI开处方最有力的理由是可及性。如果患者几周都见不到医生，一条安全的、按方案执行的数字路径，可能好过完全没有照护。犹他的痤疮试点有意从轻症和一份很窄的处方集入手，作为试验设计，这是站得住的做法。
但可及性不能成为衡量公平的唯一尺度。如果自动开方先用在人手不足的公立系统，而富裕患者继续得到体格检查、长期随访和共同决策，数字创新就可能催生一种新的双轨医疗。真正的检验标准应当是：不论患者收入高低、身处何地，AI提供的照护水平都被认为可以接受。双轨医疗的风险不在技术本身，而在它被部署在哪里。自动化往往先落在人手最紧、议价能力最弱的那一段。
问责同样重要。传统开方形成了一条清晰的专业链条：临床医生评估患者、作出治疗决定，并为此承担责任。在AI介入的路径里，责任可能分散在开发者、医疗机构、监督医生、药剂师和监管者之间。一旦造成伤害，患者不应为了弄清谁该负责，还得自己去走一遍责任迷宫。责任分散到五类主体，实际效果是把举证成本推给了患者。
在规模化之前，任何自主或半自主开方的框架都应回答三个问题：谁承担临床责任？什么证据能证明该系统对它将要服务的人群是安全的？当算法遇到不确定性、数据不完整，或遇到超出其方案范围的患者时，会发生什么？
五、监管门槛应当与临床风险相称
回答这些问题，不必在“AI医生”与纯人工医疗之间二选一，更好的办法是风险相称的监管。AI可以承担低风险的行政事务，提示药物相互作用，支持分诊，汇总病历，识别漏掉的随访，帮助临床医生安排就诊优先次序。在界定清楚的低风险情形下，按方案续方也可以试点，前提是诊断、近期临床状态、实验室监测和用药史都可以核验，并且设有明确的硬性停止机制和快速联系临床医生的通道。
当AI从辅助决策转向发起治疗、调整剂量、管理多种共病或处理病情不稳定的患者时，门槛就应当大幅提高。临床不确定性和潜在伤害越大，对事前人工监督的要求就越强。门槛应当按具体使用所处的风险来定，而不是按系统累计跑过多少例来定。在低风险场景中表现良好，并不构成处理高风险病例的资格。
这条原则也能防范数字卫生政策里的一个常见错误：用技术长期弥补那些本身就应当修好的缺口。初级保健的挑战包括熟练人员短缺、诊断可及性不稳定、药品断货、纵向病历碎片化。AI可以帮助缓解其中一部分约束，但如果数据和病历的连续性不可靠，自主开方反而可能把这些约束放大。
六、增强临床判断，而非转移临床责任
犹他的实验既不必否定，也不应不加批判地照搬。它的价值在于挑明了每个卫生系统很快都要面对的问题：应当把多少临床自主权交给软件，用于哪些患者，在什么保障之下，由谁承担责任？答案不应只取决于技术能做到什么，而应取决于什么能带来安全、公平、可问责的照护。
医学不是自动售货机，药物治疗也不只是一个物流派送问题。AI在公共卫生中最好的用法，是减少可避免的行政工作、加强连续性、改进决策支持，把临床医生的时间还给他们，用于检查、倾听和判断。AI应当扩展临床判断的覆盖范围，而不应成为卫生系统停止投资临床判断的借口。续方看似只是把药再发一次，其实它承担着一项不可替代的工作：在开药之前确认病情有没有变化。把这一环省掉，医生少花了时间，风险却留在了患者一侧。
