周一上午的医院消化内科诊室外，40个号已经排起长队，8点30分第一位患者走进诊室，开口主诉上腹痛、胸闷。接诊医生还没来得及翻完过往病历，系统已经弹出一条醒目的跨科提醒，提示患者有心脏支架手术既往史，建议请心内科进一步评估。这条关键提示并非来自正在坐诊的其他科室医生，而是来自系统中预先设置的心内科AI医生分身，这是清华大学团队打造的紫荆AI医院系统在真实诊室里的日常运行场景。

　　近年来，医生AI分身正逐步在医疗领域落地应用，核心定位是作为真人医生的补充力量承接大量事务性工作，以此提升整体医疗服务效率。不同于过去单一功能的医疗AI工具，当前的AI分身已经形成覆盖多个临床科室的智能体矩阵，能够深度融入现有诊疗流程的各个环节，为医生分担大量基础、重复的工作内容。

两类主流落地路径覆盖不同医疗场景

　　目前国内已经形成两条相对清晰的AI分身落地路径，分别面向院内临床辅助和大众健康科普咨询两大方向。其中清华大学团队打造的紫荆AI医院系统，构建起覆盖27个临床科室的54个AI医生智能体矩阵，相关测试工作已经在北京、江苏、广西等地的9家医院陆续展开，近200位临床医生已经搭建完成自己的专属AI分身。这套系统主要面向院内诊疗场景，通过承接大量事务性工作缓解一线医生的日常工作负担，同时助力优质医疗资源向基层下沉。

　　另一类落地路径以蚂蚁集团推出的蚂蚁阿福应用为代表，该平台邀请全国2000多名医生开设专属AI分身，核心着力点放在名医资源的数字化复用层面，为普通用户提供全天候的健康科普咨询服务。两类路径的定位边界十分清晰，面向院内的AI分身深度参与诊疗全流程辅助工作，面向大众的AI分身则不开展任何诊疗行为，仅聚焦健康科普类的基础咨询服务，避免出现越界的医疗风险。

　　从实际运行的场景来看，AI分身的价值在基层和偏远地区体现得尤为突出。过去偏远地区的患者想要获得优质医疗服务，往往需要长途奔波前往大城市的三甲医院，AI分身的普及直接打破了地域限制，患者在当地的基层医疗机构就可以获得顶尖专家的经验参考，大幅减少了跨区域就医的奔波成本。同时AI分身也改变了传统的医患互动形态，大量基础、重复的健康疑问都可以由AI分身直接解答，把真人医生的时间彻底释放出来，集中精力处理真正需要人工判断的复杂诊疗工作。

明确权责边界 全程作为真人医生辅助角色

　　在实际的诊疗流程中，AI分身的工作范围有着非常清晰的划定，主要承担诊前预问诊、分诊、患者基础信息采集与整理分析等辅助类工作，所有涉及诊断、治疗、用药的最终决策权，始终完全掌握在真人医生手中。以紫荆AI医院系统的运行为例，AI分身会在患者进入诊室前先完成基础信息采集，把患者的既往病史、症状描述整理成结构化的清晰文档，医生接诊时不需要再花费大量时间询问基础信息，可以直接聚焦核心病情判断。

　　在日常的门诊工作中，AI分身还可以同步协助医生完成病历书写、后续随访提醒等事务性工作，把医生从大量非诊疗类的文字工作中解放出来。北京清华长庚医院的试点数据显示，常态化使用该系统的18个临床科室，医生的整体诊疗效率提升约30%，不少医生的AI分身协同处理200个病例之后，诊疗建议的采纳率可以稳定达到90%以上。

　　在跨科室的复杂病情处理场景中，AI分身的协同优势体现得更为明显。过去患者遇到涉及多个科室的复杂病情，往往需要多次转诊、反复排队等待多学科会诊，协调不同科室专家的时间成本很高。现在不同专科的AI分身可以实时同步给出各自的参考建议，系统还会自动高亮不同分身意见中存在分歧的部分，供接诊的真人医生综合判断，相当于在门诊现场就完成了轻量化的多学科会诊，大幅提升复杂病情的处理效率。

普惠下沉基层 填补现有医疗服务短板

　　AI分身的普及正在为基层医疗服务带来实实在在的改变。过去不少基层家庭医生因为个人服务能力有限，很难为辖区内的所有居民提供足够细致的健康管理服务，普遍存在“签而不管”的情况。引入AI分身之后，基层医生可以直接调用上级医院专家的AI分身，在处理复杂病情时随时获得顶尖专家的经验参考，相当于把大医院的专家能力直接搬到了基层诊室。

　　患者在大型三甲医院完成治疗返回居住地之后，对应的临床专家AI分身还可以同步跟进，基层医疗机构的医生可以借助AI分身的能力，持续为患者提供术后康复随访、日常健康指导等连续性服务，保障患者治疗的连贯性，避免出现出院之后无人跟进管理的断层问题。借助AI分身的辅助，一名基层医生甚至可以高效管理辖区内上千名居民，AI分身可以实时监控居民健康数据的波动，自动识别需要提前预警的异常指标，筛选出需要向上级医院转诊的人群，为居民提供更个性化的健康管理方案。

　　不少参与试点的医生已经感受到AI分身带来的服务能力提升，杭州市第七人民医院副院长、睡眠专家毛洪京表示，自己从业近三十年，一年最多可以服务1万例线下患者，而他的AI分身上线之后，一年时间就为368万用户提供了睡眠健康相关的科普咨询服务，相当于把自己的专业能力放大了数百倍，覆盖了过去完全触达不到的海量普通人群。

多重结构性障碍待解 大规模临床落地仍存挑战

　　尽管AI分身的应用前景十分广阔，但要大规模走向临床一线，目前仍然面临多重尚未完全突破的结构性障碍。医疗场景的容错空间极小，任何一点算法出错都可能直接影响患者的健康安全，如何建立完善的安全管控机制，从技术层面防范算法出现偏差，是当前行业面临的首要考验。

　　目前行业内还没有形成统一的判定标准，如何准确衡量AI智能体的诊疗表现接近真人医生的实际水平，确定授权AI参与不同诊疗环节的临界标准，仍然需要大规模的真实临床数据进行长期检验。即便是在标准化医学考试数据集上取得超过96%的高准确率，也只能说明AI掌握了足够的医学知识，并不等同于它可以完全应对真实门诊中患者主诉不清、多病共存、检查结果互相矛盾等复杂的实际情况。

　　制度层面的空白同样是绕不开的现实问题，当前AI分身本身不具备独立执业资质，一旦AI给出的参考建议出现偏差，医生、医疗机构与技术提供方之间的责任如何划分，目前还没有明确的法律细则给出清晰界定。同时AI训练需要依赖大量真实病历与健康数据，患者个人信息的采集边界、授权方式和脱敏标准，也需要在制度层面给出明确的规范答案，保障患者的个人健康信息安全。

　　哪些场景下AI分身仍然容易出现判断偏差，如何在提升效率的同时守住医疗安全的底线，相关的技术标准和制度规范何时能够完全落地，这些都是行业接下来需要逐步探索解答的问题。

(编辑：曹凤芹)