AI 進醫院最難的從來不是模型，是讓醫院算得清賬
Suchi Saria 帶著 90% 醫生採用的膿毒症預警進入醫院後斷言：AI 的攔路虎不是模型性能，而是按病種付費制度下的信任與財務賬。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
論文發表不算臨床成功
她警告，這是多數研究者最容易誤判的一步。2015 年 Science Translational Medicine 的膿毒症預警模型在回顧性數據上很漂亮，真正要部署到急診和病房時才發現，那裡數據的真實性、完整性和混亂程度都不一樣；連用來衡量質量的 ICD-10 編碼 ground truth 都噪聲太大，可能把團隊帶進溝裡。為了把 ground truth、去偏、透明化、結果評估、上線監控逐項補齊，她後來又做了約 40 篇論文量級的創新，只發表了 20 篇。
— Suchi Saria醫院不會因為一篇好論文就買單
Saria 說，要讓醫療體系採用 AI 變成 no-brainer，中間隔著很多層。先要證明工具比現有做法好 10 倍、15 倍，並講清原因；再把單點方案做成能覆蓋多種病種的平臺；接著與 EMR 廠商合作，把 IT 集成壓到約 80 小時、六週內上線；之後還要做治理、監控、調優，甚至和 FDA 一起規劃；最後才輪到臨床結果與財務回報。每一步都是「驚喜」，也都是必須爬的坡。
— Suchi Saria軟件本身也能是一種治療
她堅持一個判斷：醫學創新不該只有 drugs 和 devices，還應該有純軟件的 AI-based interventional protocols。這類干預不是輔助醫生寫病歷，而是利用整份 EMR 的多模態數據，精確回答「何時、對誰、做什麼」，並把執行也做順。她說這是提升照護質量的大機會，因為現在的 AI 大多聚集在問診前轉錄和問診後編碼，真正「照顧病人」的中間地帶幾乎沒人做。
— Suchi Saria醫生主動用提示，前提是信號準
Bayesian 在 2022 年 Nature Medicine 報告的量級是：近 75 萬名患者、兩年、4400 名臨床醫生，其中 2200 名醫生。內部很關鍵的數字是醫生採納率達到 90%。她說這靠的不是彈窗轟炸，而是信號質量：很多舊工具會在醫生已經啟動治療後 95% 的時間才報警，等於沒有價值；她設計的是提前識別的 early warning objective，因此醫生會主動點開、錄入評估、選擇同意或不同意。
— Suchi Saria按病種付費，早救等於省錢
按 DRG 打包付費下，醫院救治一個膿毒症病人拿的是固定金額。住 20 天和住 4 天，多出來的 16 天成本全從醫院利潤裡出，還佔掉別的病人本來可用的床位；如果入院時沒識別、沒把膿毒症寫進 present-on-admission 文檔，醫保還要付得更少。Suchi 說，對一個 2000 張床的系統，這些漏檢每年疊加成 3000 萬至 4000 萬美元的財務懲罰，AI 儘早識別等於把錢還給醫院，也讓 CFO 容易點頭。
— Suchi Saria最難的是臨床信任，不是技術
被問到五年後哪項醫療任務 AI 能搞定，Suchi 沒有列舉新算法。她說數據質量和 veracity 難，但作為 AI 研究者，這部分最在她掌控裡；真正讓她覺得困難的是社會技術層面：讓醫生信任輸出，讓 Epic 這類電子病歷廠商把集成變簡單。在她看來，AI 醫療目前的痛點不是模型不夠強，而是決定模型能否被使用的系統，從來不在數據科學家手裡。
— Suchi Saria臨床多模態數據仍是研究藍海
她說學術研究仍有大片空場。她舉了 FDA 資助的轉化安全研究和多位博士生的工作：EMR 不是文本加圖像，而是幾千種模態、各自有不同的缺失模式、偏差模式和交互模式；如何為此設計架構、如何驗證泛化，都是沒做完的問題。基礎模型公司有壓力把 benchmark 做好，集中在互聯網文本上的 Q&A，但現實應用並不是 Q&A，這就是研究者切入的機會；要選沒有巨頭已重兵布防的重要問題。
— Suchi Saria低垂的果實反而最不能摘
給創始人的忠告很直白：現在很多創業公司賣的是大願景，但本身不是 AI native，護城河不清楚。市場空白存在多久沒人知道；如果小公司能靠執行速度快速建 moat，還可以一搏，若連速度都建不起 moat，就會被大模型公司吞掉。Suchi 反著選：人人勸她不要做膿毒症，因為難、要長期投入、要醫院關係，但她從小到大隻做別人認為不可能的事；她說把病歷轉成編碼這種低垂果實有幾百家在做，lasting impact 在沒人敢碰的難題裡。
— Suchi Saria原話 · 已逐字校驗
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.
那或許是研究者最常犯的錯：拿到這種論文，就以為目標達成、贏得了勝利、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.
未來會有藥物和設備，還會有第三個垂直領域——基於 AI 的干預。
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.
膿毒症每延誤一小時，死亡風險增加 5% 到 8%，一小時可能就是生死之差。
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.
一進入創業領域就是狂野西部：人們隨時做出沒有數據支撐的聲明，不知道能不能泛化；一分鐘就能從英雄變成零。
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，醫療質量才是醫院財務可持續的路徑。
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.
對我而言，最難的是社會技術層面：說服人們信任它，說服電子病歷供應商把集成做得更容易——這些比 AI 本身更難。
Suchi Saria46:05
數字與實體
| 膿毒症早期識別提前時間（Hopkins 對照） | 中位 5.5 小時 | 29:46 |
| 膿毒症每延誤一小時的死亡風險增幅 | 5%–8% | 29:46 |
| Bayesian 預警方案的醫生採納率 | 90% | 31:47 |
| 與 EMR 廠商集成所需人工與時間 | 約 80 小時 IT 工作量、6 周內完成 | 19:34 |
| Cleveland Clinic 的部署規模 | 約 20–21 家醫院、約 25 個急診 | 40:59 |
| 膿毒症預警在實際部署中的臨床收益 | 平均住院日縮短 2 天；絕對死亡率下降 4%–5% | 40:59 |
| Mayo Clinic 晚期疾病試點結果 | 住院時間縮短近 5.5 天；姑息治療轉診增加 44% | 33:49 |
術語
- failure to rescue失救
- 未能及時發現病情惡化並干預，導致本可避免的死亡或重症。
- DRG診斷相關分組
- 按患者診斷打包付費，醫院省下的醫療資源直接變成收益。
- NTAP新技術附加付費
- CMS 給予新技術的一種額外付費，使醫院在常規支付之外獲得補償。
- AI-based interventional protocols基於 AI 的干預協議
- 純軟件的治療方案：從多模態數據中識別時機、對象和動作，並輔助執行。
收聽指南
醫療 AI 研究者、想進醫院做落地的創業者，以及決定採購這類系統的醫院 CFO 和臨床信息官。