Meaningful Outcomes Determine the Winners of the Health AI Race
World Economic Forum2026-07-1424 页
报告概述
本白皮书探讨健康系统在AI部署中面临的结构性挑战：尽管全球AI投资超过180亿美元，但决定成败的关键并非技术先进性，而是能否识别并追求对患者、医护和系统真正重要的结果。报告基于文献研究、专家访谈以及世界经济论坛结局导向医疗与数字医疗转型倡议的成果，分析了AI在效率、诊断支持等方面的证据，提出“价值反转”概念——即决策层远离后果却掌握采购权，导致易测量的指标取代真正重要的结果。报告旨在帮助领导者重新设计AI治理框架。
报告的核心结论
AI的价值由远离后果的决策层定义，导致衡量便利性而非重要性。
健康系统内不同层面对价值认知不同：一线医护关注安全与信任，管理层关注吞吐量与成本。由于采购决策权集中在后者，AI被评估的标准往往是流程效率等易测指标，而患者健康、公平性等长期结果被忽视，形成“价值反转”。
有意义的结果必须自下而上识别、自上而下落实。
应通过结构化协商从患者和一线医护中识别出真正重要的结果，然后将其嵌入采购标准、评估框架和问责机制中。例如Kaiser Permanente将医生福祉作为首要目标，避免了效率指标侵蚀信任，从而获得广泛采纳。
AI评估需考虑背景稀缺性，而非通用标准。
当前AI证据主要来自高资源环境，但对低资源地区而言，AI可能是唯一可及服务。评估框架应区分“标准护理”与“无护理”的不同基准，在安全性不降低的前提下，允许“足够好”作为有意义的结果类别。
公私合作应共同创造临床、商业与治理可行的结果定义。
开发者、支付方、监管者、患者和医护各自掌握部分价值定义，需通过结构化对话使结果定义同时具有临床意义、商业可行性和治理可行性，并明确不同利益之间的权衡，避免技术优化脱离实际需求。
报告回答的关键问题
健康领域AI投资为何没有带来预期生产力提升？
报告指出存在“生产力悖论”：尽管70%的机构积极使用AI，但超过90%报告无就业或生产力影响。原因在于AI被用于优化易测的流程指标（如文档时间、访问量），而非患者健康、可持续性等真正结果。决策层基于不切实际效率假设进行规划，导致投资与成果脱节。
什么是健康AI的“价值反转”？
价值反转指健康系统中，AI采用决策权集中于远离临床后果的管理层，这些人更关注吞吐量和成本，而承受后果的一线医护和患者却无决定权。结果：易测量的操作指标被重视，而信任、公平、劳动力可持续性等真正重要的结果被系统性低估。
如何确保AI提升医护信任而非降低？
报告以Kaiser Permanente为例：将AI引言定位为改善医生福祉而非生产力，工具自愿使用，节省时间不转化为额外预约。这种以医生利益出发的部署使AI信任度陡增。相反，若AI被用于增加工作量，则引发抵触。信任是效用结果，而非前提。
AI评估应如何考虑低资源环境？
当AI的替代方案不是不完美护理而是无护理时，证据要求应调整。例如印尼仅1000名精神科医生服务3亿人口，AI工具即使精度不如高资源环境，也能带来巨大价值。报告强调评估框架必须对稀缺与丰富环境均敏感，而非简单移植高标准。
报告中的代表性数据
超过180亿美元
全球健康AI投资
2025，2025年全球健康AI投资额，占医疗风险投资近一半。
6亿美元
环境AI文书生成收入
2025，2025年环境AI文书（自动生成临床记录）产生的收入，反映该应用已成为最广泛部署的AI之一。
25000
Kaiser Permanente部署AI文书人数
2025-2026，Kaiser Permanente在全系统25000名医护中部署环境AI文书，以改善福祉为首要目标，平均每天节省约15分钟。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 全球健康AI投资趋势与风险分析：包括2025年超180亿美元的投资规模及生产力悖论背景。
- AI在自动化与效率方面的循证证据：如环境AI文书减少文档时间、AI辅助结肠镜可能导致技能退化的真实世界研究。
- AI诊断支持与分流案例：葡萄牙AI症状评估工具改变就医行为、MRI加速扫描减少等待时间等。
- 价值反转分析框架：详细说明不同治理层面对AI价值的异质定义，以及决策权与风险承担错位的结构性问题。
- Kaiser Permanente与犹他州对比案例：两系统为改善可及性采用截然不同路径（投资医护 vs 绕过医护），展示背景对评估框架的影响。
- 公私合作共创有意义结果的原则与机制：包括五类利益相关方（患者、提供者、支付方、产品公司、政策制定者）的协商方法。
- 低资源环境下的AI评估指导：当替代方案为无护理时，如何设计“足够好”的结果标准，避免高资源标准阻碍可及性。
- 未来愿景与四项原则：自下而上识别+自上而下落实、公私合作、技术次要于正确结果、背景敏感性。
- 专家访谈与贡献者名单：包括LSE Health、Kaiser Permanente、Roche、Google DeepMind等机构高管见解。
- 完整参考文献与尾注：涵盖JAMA、Nature Medicine、NEJM AI等顶级期刊的26篇引用。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
