通用医疗AI的报销挑战与机遇

通用医疗AI系统的报销挑战与机遇

阿俊·马哈詹1 和 迪伦·鲍威尔2

《npj数字医学》第8卷，文章编号：125（2025）

通用医疗AI系统可以处理多种复杂的临床任务，而窄域AI工具仅执行孤立的功能。然而，当前的支付系统难以捕捉这些集成能力的价值。我们研究了潜在解决方案，包括基于价值和分层结构，平衡创新、公平获取、持续性能评估和成本效益，以实现通用AI的变革潜力。

越来越多的人认识到，随着人工智能从窄域单任务工具演变为能够处理多个复杂临床任务和工作流程的通用系统，医疗保健正处于一个转型的十字路口。这一转变带来了前所未有的改善患者护理的机会，但挑战了现有的技术报销框架。正如最近一篇《npj数字医学》关于放射学中通用AI（GRAI）的文章所指出的，开发有效的报销机制对于这些系统的成功整合至关重要。在本文中，我们探讨了支付框架如何演变以支持这些AI技术的有效部署和整合到临床护理中，最终塑造其对未来医疗保健交付的整体影响。

通用AI：从窄域到多功能工具

通用AI的出现标志着医疗技术的根本转变。与传统窄域AI系统不同，通用AI的特点是可以处理各种任务，而无需依赖特定任务的专门培训或标记数据。这些系统可以无缝处理多样化的临床责任，并为其建议提供透明的推理。

传统的窄域AI系统在孤立的任务上表现出色——例如检测头部CT中的颅内出血、标记胸部X光片中的肺结节或识别眼底照片中的糖尿病视网膜病变。相比之下，早期对通用AI系统的研究探索了它们的潜力，可以在一次胸部CT扫描中综合检测肺栓塞、描述肺结节、识别冠状动脉钙化、评估骨密度、标记偶然发现并生成全面且可操作的医生笔记。

这种转变对医疗保健的提供具有广泛的影响。通用AI系统通过减少医护人员的认知负担、最小化不同专用系统之间的交接并简化复杂的临床工作流程来弥补护理提供的关键差距。

然而，正如美国的《健康信息技术经济和临床健康法案》（HITECH法案）为电子病历系统的广泛应用提供了必要的财务激励和处罚措施一样，类似的全面政策举措可能会加速这些变革性的通用AI系统融入标准临床实践。

通用AI的报销挑战

医疗支付系统通常围绕离散、明确的医疗服务和护理事件构建。尽管以下讨论主要集中在美医疗体系，但许多基础挑战和考虑因素可能适用于其他医疗体系（图1）。

图1：通用AI在医学中的概述

通用医疗AI系统在临床护理、研究、管理和患者参与领域的核心功能和应用示例。

全尺寸图片

医生执行特定程序、订购特定测试或提供定义明确的咨询——每个都有自己的计费代码或关联的支付结构。但是，通用AI从根本上挑战了这一范式。虽然窄域AI工具（如自动糖尿病视网膜病变筛查）具有明确的单一功能，可以很好地适应现有的计费代码，但通用AI可能无法简单分类。

例如，窄域AI工具可能擅长测量乳腺癌影像中的肿瘤大小——这是一个有明确计费路径的离散任务。相比之下，通用AI系统可以同时分析乳房X线照片、将其与病理切片相关联、整合基因组测试结果并综合临床试验数据以推荐个性化治疗策略。这可能会带来根本性的报销挑战：现有框架可能难以捕捉不仅执行多个离散任务而且通过互动产生新见解的系统的价值。当前框架可能尝试单独评估每个任务，但这忽略了多步骤集成分析带来的效率提升和好处。通用AI系统可以解决超出初始训练的任务，使得建立反映其扩展和动态能力的支付结构变得困难。此外，确定适当的补偿以涵盖医生监督和互动也存在困难，因为这些系统涵盖了辅助到自主角色，而软件成本在现行做法费用方法下难以表征。

AI系统在变得越来越自主时，执行了传统由提供者或监督者完成的任务。目前，这一问题通过大多数AI应用仍需人工监督得以缓解，使报销仍然与医生的努力、工作量和监督或推理挂钩。然而，随着AI系统接近更高的自主性，可能需要开发新的支付模式，不仅考虑AI的贡献价值，还要考虑医生角色的演变。

重新思考报销模式：迈向未来框架

有必要探索能够捕捉通用AI系统综合能力和动态性质的新支付框架。

基于价值的报销模式可能是一个前进的方向，超越传统按服务收费的局限。通用AI系统管理慢性疾病（如糖尿病）可以通过监测连续血糖数据、调整药物建议、分析常规实验室检查并安排随访护理来协调全面护理。而不是为每次互动开具账单，报销应与有意义的结果对齐，如减少住院率或改善A1C水平。这种方法特别适合于通用AI系统，因为其功能不能适当地分为离散服务，其价值来源于其全面的集成能力。

现有的护理协调报销代码部分体现了医疗系统向基于价值支付模式的进展，可能为整合多功能AI系统提供框架。在肿瘤护理中，通用AI可以同时进行分诊、检测、诊断和报告生成。类似于当前护理协调代码将多种服务捆绑在一个支付中用于慢性病管理，全面的AI协调代码可以涵盖AI系统在影像、病理和基因组学上的集成分析，而不必为每个组件分别编码。这可以更好地反映AI的全面分析价值，同时简化计费过程。

借鉴美国医学会的AI分类，另一个通用AI报销框架可以根据AI在临床护理中的参与程度调整报销。支付结构可以反映从辅助功能（如标记放射科医生审核的异常）、增强功能（提供预后见解）到自主操作（生成完整的报告并进行最少监督）的进展。这种分层方法可以将支付与AI系统的日益复杂性和自主性对齐，并为新兴能力提供明确的价值评估路径。

更广泛的含义和伦理考虑

随着新报销模型的设计，确保公平获取和稳健监督以推进高质量AI工具的使用成为关键。

公平获取和以患者为中心的实施

通用AI系统的出现为实现公平的医疗保健访问带来了机遇和挑战。大型医疗系统拥有大量资源，可以投资多个来自不同供应商的专用和窄域AI工具，而财务限制可能导致较小或资源有限的医疗机构无法获得如此多样化的AI组合，从而造成临床能力的差异。通过单一平台处理多项任务的能力，通用AI系统提供了一个更均匀地分配技术能力的机会。然而，实现这种公平分配可能进一步受到支付框架的支持，这些框架解决了资源丰富机构AI能力的过度集中和资源有限设置中的低利用率问题。战略政策干预，如针对政府补贴类似于电子健康记录采用计划，可能促进这些技术的更公平分布，并在个人层面减少医疗保健差距。

质量标准和监督

报销框架需要机制以确保持续监督和可预测的价格稳定性。与传统医疗设备不同，通用AI系统需要在多样化的人群和临床场景中进行持续评估，定期评估其性能、结果和成本效益。报销框架应激励系统明显提高护理质量，同时最大限度地减少过度成本。同样，监督机制必须平衡创新与问责制，确保报销适应底层技术的不断变化，防止过度成本和资源错配。

结论

通用AI在医学中的出现既带来了前所未有的机遇，也带来了复杂挑战。成功需要政策制定者、临床医生和AI开发者之间的协作努力，创建既能促进创新又确保公平获取的框架。随着医疗系统应对这一转变，目标必须调整为开发承认通用AI变革潜力的报销模型，同时保持最高标准的患者护理和系统可持续性。

(全文结束)