AI 进医院最难的从来不是模型，是让医院算得清账
Suchi Saria 带着 90% 医生采用的脓毒症预警进入医院后断言：AI 的拦路虎不是模型性能，而是按病种付费制度下的信任与财务账。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
论文发表不算临床成功
她警告，这是多数研究者最容易误判的一步。2015 年 Science Translational Medicine 的脓毒症预警模型在回顾性数据上很漂亮，真正要部署到急诊和病房时才发现，那里数据的真实性、完整性和混乱程度都不一样；连用来衡量质量的 ICD-10 编码 ground truth 都噪声太大，可能把团队带进沟里。为了把 ground truth、去偏、透明化、结果评估、上线监控逐项补齐，她后来又做了约 40 篇论文量级的创新，只发表了 20 篇。
— Suchi Saria医院不会因为一篇好论文就买单
Saria 说，要让医疗体系采用 AI 变成 no-brainer，中间隔着很多层。先要证明工具比现有做法好 10 倍、15 倍，并讲清原因；再把单点方案做成能覆盖多种病种的平台；接着与 EMR 厂商合作，把 IT 集成压到约 80 小时、六周内上线；之后还要做治理、监控、调优，甚至和 FDA 一起规划；最后才轮到临床结果与财务回报。每一步都是「惊喜」，也都是必须爬的坡。
— Suchi Saria软件本身也能是一种治疗
她坚持一个判断：医学创新不该只有 drugs 和 devices，还应该有纯软件的 AI-based interventional protocols。这类干预不是辅助医生写病历，而是利用整份 EMR 的多模态数据，精确回答「何时、对谁、做什么」，并把执行也做顺。她说这是提升照护质量的大机会，因为现在的 AI 大多聚集在问诊前转录和问诊后编码，真正「照顾病人」的中间地带几乎没人做。
— Suchi Saria医生主动用提示，前提是信号准
Bayesian 在 2022 年 Nature Medicine 报告的量级是：近 75 万名患者、两年、4400 名临床医生，其中 2200 名医生。内部很关键的数字是医生采纳率达到 90%。她说这靠的不是弹窗轰炸，而是信号质量：很多旧工具会在医生已经启动治疗后 95% 的时间才报警，等于没有价值；她设计的是提前识别的 early warning objective，因此医生会主动点开、录入评估、选择同意或不同意。
— Suchi Saria按病种付费，早救等于省钱
按 DRG 打包付费下，医院救治一个脓毒症病人拿的是固定金额。住 20 天和住 4 天，多出来的 16 天成本全从医院利润里出，还占掉别的病人本来可用的床位；如果入院时没识别、没把脓毒症写进 present-on-admission 文档，医保还要付得更少。Suchi 说，对一个 2000 张床的系统，这些漏检每年叠加成 3000 万至 4000 万美元的财务惩罚，AI 尽早识别等于把钱还给医院，也让 CFO 容易点头。
— Suchi Saria最难的是临床信任，不是技术
被问到五年后哪项医疗任务 AI 能搞定，Suchi 没有列举新算法。她说数据质量和 veracity 难，但作为 AI 研究者，这部分最在她掌控里；真正让她觉得困难的是社会技术层面：让医生信任输出，让 Epic 这类电子病历厂商把集成变简单。在她看来，AI 医疗目前的痛点不是模型不够强，而是决定模型能否被使用的系统，从来不在数据科学家手里。
— Suchi Saria临床多模态数据仍是研究蓝海
她说学术研究仍有大片空场。她举了 FDA 资助的转化安全研究和多位博士生的工作：EMR 不是文本加图像，而是几千种模态、各自有不同的缺失模式、偏差模式和交互模式；如何为此设计架构、如何验证泛化，都是没做完的问题。基础模型公司有压力把 benchmark 做好，集中在互联网文本上的 Q&A，但现实应用并不是 Q&A，这就是研究者切入的机会；要选没有巨头已重兵布防的重要问题。
— Suchi Saria低垂的果实反而最不能摘
给创始人的忠告很直白：现在很多创业公司卖的是大愿景，但本身不是 AI native，护城河不清楚。市场空白存在多久没人知道；如果小公司能靠执行速度快速建 moat，还可以一搏，若连速度都建不起 moat，就会被大模型公司吞掉。Suchi 反着选：人人劝她不要做脓毒症，因为难、要长期投入、要医院关系，但她从小到大只做别人认为不可能的事；她说把病历转成编码这种低垂果实有几百家在做，lasting impact 在没人敢碰的难题里。
— Suchi Saria原话 · 已逐字校验
That's probably the most common mistake most researchers make. That when they get a paper of that format, they think the goal's been achieved, victory's been had, and it's done.
那或许是研究者最常犯的错：拿到这种论文，就以为目标达成、赢得了胜利、大功告成。
Suchi Saria12:23
I feel like there was gonna be drugs and devices, and there's gonna be a third vertical, which is more AI-based interventions.
未来会有药物和设备，还会有第三个垂直领域——基于 AI 的干预。
Suchi Saria25:37
In sepsis, every hour is associated with five to eight percent increased risk of mortality, so an hour can be the difference between life and death.
脓毒症每延误一小时，死亡风险增加 5% 到 8%，一小时可能就是生死之差。
Suchi Saria29:46
once you move into startups, it's the Wild Wild West. You know, people make claims all the time. There's no data to back it up. We don't know if it's gonna generalize. People go from hero to zero in one minute.
一进入创业领域就是狂野西部：人们随时做出没有数据支撑的声明，不知道能不能泛化；一分钟就能从英雄变成零。
Suchi Saria34:49
And what was super interesting is that actually, I think, um, quality is the path to financial sustainability for health systems.
真正有意思的是，医疗质量才是医院财务可持续的路径。
Suchi Saria36:56
To me, the hardest part feels the sociotechnical part, the part of convincing people to trust it, the part of convincing electronic health record providers to make an integration easier, you know? So the, it almost feels like those are the harder parts, not the AI.
对我而言，最难的是社会技术层面：说服人们信任它，说服电子病历供应商把集成做得更容易——这些比 AI 本身更难。
Suchi Saria46:05
数字与实体
| 脓毒症早期识别提前时间（Hopkins 对照） | 中位 5.5 小时 | 29:46 |
| 脓毒症每延误一小时的死亡风险增幅 | 5%–8% | 29:46 |
| Bayesian 预警方案的医生采纳率 | 90% | 31:47 |
| 与 EMR 厂商集成所需人工与时间 | 约 80 小时 IT 工作量、6 周内完成 | 19:34 |
| Cleveland Clinic 的部署规模 | 约 20–21 家医院、约 25 个急诊 | 40:59 |
| 脓毒症预警在实际部署中的临床收益 | 平均住院日缩短 2 天；绝对死亡率下降 4%–5% | 40:59 |
| Mayo Clinic 晚期疾病试点结果 | 住院时间缩短近 5.5 天；姑息治疗转诊增加 44% | 33:49 |
术语
- failure to rescue失救
- 未能及时发现病情恶化并干预，导致本可避免的死亡或重症。
- DRG诊断相关分组
- 按患者诊断打包付费，医院省下的医疗资源直接变成收益。
- NTAP新技术附加付费
- CMS 给予新技术的一种额外付费，使医院在常规支付之外获得补偿。
- AI-based interventional protocols基于 AI 的干预协议
- 纯软件的治疗方案：从多模态数据中识别时机、对象和动作，并辅助执行。
收听指南
医疗 AI 研究者、想进医院做落地的创业者，以及决定采购这类系统的医院 CFO 和临床信息官。