回顾信任差距：制定到2040年临床医生采纳人工智能诊断技术的战略路线图

《Journal of Medical Internet Research》：Backcasting the Trust Gap: A Strategic Road Map for Clinician Adoption of AI Diagnostics by 2040

　　永国宇泽特|TruCare
2600 Tower Oaks Blvd, Suite 700
Rockville, MD
美国

将人工智能（AI）整合到临床医学中呈现出一个持续的悖论：诊断模型通常表现出比人类专家更高的基准性能，然而在临床实践中的采用仍然不稳定，临床医生的信任度也较低。传统的预测方法——沿着乐观的趋势线预测模型性能——在认识论上是不足的，因为它们无法解释将技术能力与制度信任分开的非线性社会技术转变。本文采用了一种名为“回溯法”的规范未来方法论，该方法在能源政策和公共治理领域已有40年的应用经验，专门针对临床医生采用AI诊断的挑战，旨在确定到2040年实现持久信任所需的结构性干预措施。与单一专家规范预见分析的传统一致，我们使用STEEP（社会、技术、经济、环境和政治）分析框架将回溯法作为结构化的推理工具。我们回顾了2010年至2025年间PubMed、IEEE Xplore、Google Scholar以及政策数据库（美国食品药品监督管理局、世界卫生组织、经济合作与发展组织和欧洲委员会）发布的文献，对阻碍和促进因素进行了编码，以识别代表趋同的、具有时间限制的结构变化的关键转折点。从定义的2040年愿景状态出发——一个具有风险分层临床医生信任阈值、AI输出的语义透明度、集成AI治理以及医学教育中未来素养的医疗生态系统——我们确定了三个时间转折点：
(1) 2030年，双重过程AI架构的标准化，其中大型语言模型通过本地部署的小型语言模型实时验证，产生校准的置信度分数；
(2) 2035年，由正式指定的首席AI官管理的AI协调机制的制度化；
(3) 2040年，未来素养和人机协作能力被纳入标准医学课程。

AI信任差距是一个制度设计问题，而非技术上的必然结果。回溯法将核心问题从“AI何时准备好用于医学？”转变为“我们必须建设什么来使医学准备好接受AI？”这里确定的三个转折点——2030年的可验证AI、2035年的自主治理以及2040年的未来素养——是临床医生、医疗系统领导者和政策制定者今天就可以开始构建的结构性承诺。

**引言**
基于人工智能（AI）的诊断工具在临床中的应用产生了显著的不对称性：尽管有大量的概念验证演示，但在临床实践中的持久采用仍然不足。大型语言模型（LLMs）和深度学习分类器在精心设计的基准数据集上经常能达到专家水平的表现，但对实际临床医生的调查显示，他们普遍持怀疑态度、犹豫不决，并表现出所谓的“自动化抵抗”[1]。这主要不是一个技术问题。瓶颈在于社会技术基础：AI输出的透明度、证明其安全性的治理结构、培养临床熟练度的培训计划，最重要的是，从试点到实际应用的缺乏结构化的制度路径。

针对这一挑战的主要应对方法是预测：根据当前模型准确性、监管审批时间和计算成本的趋势来估计“AI何时准备好”。这种方法在认识论上是不足的。预测假设当前的轨迹是实现预期结果的充分条件，忽略了深度整合所需的政策、文化和组织变革等非线性因素。医学未来研究是一个新兴的子领域，由Meskó等人[2]首次提出[2]。2024年的一项医疗预见范围审查发现，在超过50种已建立的未来方法中，只有8种目前被应用于医疗保健[2]。这代表了未来预见证据基础的严重未充分利用，而这些方法在过去40多年里已在经济学、国防和环境政策中得到广泛应用[3]。

本文将回溯法[4,5]应用于临床医生采用AI的具体挑战。回溯法不是问“会发生什么？”而是问“为了达到期望的未来，必须发生什么？”这种重新定位至关重要：目标不是预测AI何时会被信任，而是确定使其值得信任的具体结构性干预措施。

**路线图的组成部分**
- **验证架构**、**治理角色**和**人机协作（HAT）框架**——这些组成部分在相关的AI治理和实施科学文献中都有先例。本文的贡献不在于这些单独的组成部分，而在于三个综合性的进展：
(1) 将回溯法作为一种统一的方法论框架，专门应用于临床医生AI的采用，从而解决了Dreborg[5]提出的四个优先选择回溯法而非预测的条件；
(2) 识别三个关键转折点作为依赖关系的因果序列，每个转折点都是下一个转折点的必要前提；
(3) 将双重过程验证、首席AI官（CAIO）治理和未来素养综合为相互关联的必要条件，而不是平行的独立建议。

本文的目标是运用回溯法作为结构化的预见方法，确定到2040年实现临床医生对AI诊断持久信任所需的最小结构性干预措施集。

**术语说明**
在本文中，
- **信任**指临床医生对AI生成输出的校准依赖程度，通过经过验证的自动化信任工具进行衡量；
- **置信度**指模型报告的后验概率估计；
- **采用**指超出试点阶段的持续临床使用；
- **自动化抵抗**指尽管证明了AI工具的效用，但仍持续不使用这些工具；
- **语义透明度**指AI生成的输出与可验证的计算证据来源之间存在内在联系。

**为什么回溯法是合适的方法**
回溯法最初由Robinson[4]在能源政策分析中正式提出，作为一种在现有趋势不足以实现长期目标或甚至会产生负面效果的情况下解决问题的方法。Dreborg[5]提出了四个条件，说明在哪些情况下回溯法优于预测：问题严重、现有趋势是问题的一部分、需要长期的时间范围以及主要利益相关者受到牵连。所有四个条件都适用于医学中的AI信任危机：

- **问题的严重性**：碎片化的AI采用可能导致“试点阶段永久化”，即临床AI工具始终处于评估状态而从未制度化，消耗资源却无法改善结果；
- **现有趋势是问题的一部分**：当前的趋势是将越来越强大的LLMs引入临床环境，而没有相应的验证基础设施，这增加了由幻觉引起的错误率，从而削弱了采用所需的信任[6]；
- **需要长期的时间范围**：医疗保健的制度变革（如医学教育改革、监管框架开发和治理角色创建）需要数十年的时间尺度，而不是产品发布周期；
- **主要利益相关者的竞争**：技术供应商、医疗系统、支付方和监管机构在当前的试点阶段现状中持有不同的利益诉求。只有对期望未来的规范性愿景才能使这些利益相关者围绕共同的结构议程达成一致。

因此，回溯法为解决医学中的AI信任差距提供了一种特别合适的方法论视角——这种方法符合Dreborg[5]提出的所有条件，表明仅靠预测是不够的。

**本文的方法论执行**
与单一专家规范预见分析的传统一致，本文将回溯法作为一种结构化的推理框架，而不是完全参与式的设计过程。关键转折点是通过以下文献为基础的综合分析确定的：

- **数据来源和时间范围**：我们搜索了2010年至2025年间PubMed、IEEE Xplore、Google Scholar和政策数据库（美国食品药品监督管理局[FDA]、世界卫生组织、经济合作与发展组织和欧洲委员会）的文献；
- **搜索词**：包括临床AI采用、LLM幻觉、医疗保健、置信度校准、临床决策支持、AI治理、CAIO、未来素养和HAT等关键词；
- **社会、技术、经济、环境和政治（STEEP）的量化**：每个障碍或促进因素都被编码到至少一个STEEP维度；三个转折点代表了在共享时间范围内多个维度中出现的障碍的汇聚；
- **优先级**：没有使用正式的Delphi或共识技术；选择反映了单一专家的综合判断，因此受到下文所述视角限制。

我们承认，Robinson[4]和Dreborg[5]最初提出的正式回溯法通常涉及利益相关者的共同创建、Delphi共识和情景矩阵比较；这些内容超出了本文的范围，代表了该研究议程的自然下一阶段。因此，这里报告的愿景状态、转折点和阈值规范应被视为需要多利益相关者验证的规范假设，而不是经过实证确认的目标。

**定义2040年愿景状态**
任何回溯练习的基础都是愿景状态：对未来方向的精确定义。这一阶段的模糊性会危及整个分析；愿景必须以操作化的方式定义，以便进行逆向推理。我们强调，所有阈值、时间线和结构规范都是需要多利益相关者验证的规范设计假设，而不是经过实证确认的基准。它们的实证验证是正式的多利益相关者Delphi过程的核心任务，构成了该研究议程的自然下一阶段。

我们将2040年的愿景状态定义为一个具有风险分层信任阈值的医疗生态系统，即临床医生对特定AI辅助诊断输出的信任程度——这与一般愿意采用AI的程度不同——通过为临床AI环境定制的经过验证的自动化信任工具进行评估[9]。2040年的愿景采用了一个风险分层的信任矩阵，其中所需的置信水平根据临床任务的自主程度和潜在后果进行调整：对于自主任务执行（例如常规药物核对和简单分诊标记），置信度分数需达到90%或以上；对于辅助决策支持（例如鉴别诊断生成和影像解读），在有人参与验证的情况下，70%到85%的分数是可以接受的。最终阈值应通过专业分层验证和正式的利益相关者共识来确定；如果发现不同的基线，路线图可能需要适应性调整时间表。

这些范围是临时的规范性参考，而非实证测量。数值具体性在回溯法中具有方法论作用：它限制了解决方案的空间，并使愿景状态适用于治理设计。具体数值基于相关的自动化信任文献[9]，应在通过正式共识方法获得专业验证的数据后进行更新。这些原则体现在提出的愿景状态的以下核心维度中：

- **语义透明度**：AI诊断输出与可验证的临床证据直接关联，每个AI生成的声明都附有基于制度指南和同行评审文献的计算置信度分数；
- **集成治理**：每个主要医疗系统都在正式指定的AI治理结构下运作，包括首席AI官（CAIO），其责任相当于首席医疗官（CMO）；
- **未来素养**：医学毕业生在临床课程中接受HAT和基本预见能力的培训。

这个愿景状态并非乌托邦式的。每个元素在相关领域都有先例：语义透明度类似于药品标签要求，CAIO反映了21世纪首席信息安全官的职责，而未来素养培训已经在商业和公共政策教育中存在。问题不在于这种状态是否可能实现，而在于什么样的结构干预措施序列能够实现它。

在快速发展的技术领域中，回溯法的一个关键问题是愿景状态在整个路线图时间范围内是否保持稳定。我们通过在制度层面定义愿景状态来解决这个问题——即治理结构、课程要求和信任阈值——而不是在技术规范层面。制度目标比其底层技术基础更稳定：它们描述了系统必须做什么（验证、治理和教育），而不是如何去做。例如，药品标签要求经历了多次重新制定周期而未修改其基本规定。因此，我们提出了一个适应性检查点机制：在每个转折点，应根据当时的技术现状审查路线图的技术假设。如果这些假设发生了实质性变化（例如，如果幻觉问题通过架构手段得到解决，使得本地小型语言模型（SLM）的验证变得不再必要），则相应的后续时间表应相应调整，而愿景状态的制度目标保持不变。

**逆向工作：三个时间转折点**
回溯法通过识别关键转折点来进行，这些转折点是一系列最小的结构变化，如果在给定日期之前实现，将保持2040年愿景的可行性。我们使用STEEP框架[3]识别了3个这样的转折点，以确保每个转折点都在所有相关维度上进行了分析。

**2030年转折点：可验证的AI标准**
2040年愿景最接近且技术上最可行的障碍是“幻觉问题”：大型语言模型（LLM）倾向于生成听起来合理但实际上不正确的临床声明。当前的缓解策略（检索增强生成和事后可解释性工具）是不够的，因为它们是回顾性的，并且主要依赖人工审查来捕捉错误[10]。我们提出，2030年的关键技术转折点是双过程AI架构的标准化，这一架构基于双过程理论[11]。该框架包括以下组成部分：
- **LLM（系统1）**：一个通用或微调的LLM从非结构化的临床数据（笔记、实验室结果和影像报告）中快速生成广泛的诊断假设。
- **SLM（系统2）**：一个嵌入特定领域的SLM，在本地硬件上运行，将LLM的输出与精心策划的机构指南语料库G和实时文献索引进行交叉参考。它充当指导者，不替代LLM，而是量化每个诊断声明的证据支持。在原型形式中已经证明了用于临床任务的隐私保护型、冗余的本地多智能体架构的可行性[12]（图1显示了这3个组成部分）。

**2035年转折点：主动协调转变**
2030年的转折点为信任建立了技术前提。2035年的转折点涉及这一技术基础的制度化运作。根据这一路线图，到2035年，AI预计将从“顾问”角色——被动响应查询——发展成为“主动协调者”：自主管理出院后监测、药物核对和慢性病管理等纵向护理任务[12]。这种转变带来了当前医疗领导结构无法管理的治理风险。首席信息官（CIO）缺乏临床权威；首席医疗官（CMO）缺乏AI技术素养。新兴的CAIO角色代表了必要的制度创新：这是一个正式认证的职位，结合了临床专业知识、AI技术能力和治理权限，负责认证模型安全性、审核本地校准和制定机构AI政策。CAIO并非旨在取代现有的执行角色，而是将CMO的临床责任和CIO的技术基础设施权限联系起来，具体负责（1）AI模型认证和重新认证，（2）本地校准审计和公平报告，以及（3）机构AI治理政策——这些职能目前分散在CMO或CIO的角色中。CAIO将同时向CMO和董事会的质量与安全委员会汇报，并与CIO和首席数字官在技术采购和数据架构方面进行协作。

**2040年转折点：未来素养作为临床能力**
最后一个转折点是结构上的和教育上的。2040年的愿景要求临床医生不仅仅是AI工具的被动接受者，而是积极塑造他们工作技术环境的参与者。将未来素养融入医学教育不需要新的基础设施，只需要课程决策。具体来说，我们建议纳入三个要素：（1）在临床推理课程中加入情景分析，用概率性、多未来的推理替代部分线性鉴别诊断训练[18]；（2）在实习培训中加入HAT模块；（3）在医学领导力发展计划中加入前瞻性研讨会，这与认证机构已经要求的品质改进和卫生系统科学能力相平行[19]。

**应急逻辑和适应性路径**
上述3个转折点按依赖关系顺序呈现，但结构化的回溯分析承认执行可能会偏离规范时间表[4,5]。因此，我们为每个转折点指定了应急逻辑。如果到目标日期未能实现2030年的可验证AI标准（例如，因为监管标准化被推迟），则存在一个临时替代方案：一个自愿的行业联盟标准（类似于Health Level 7 Fast Healthcare Interoperability Resources互操作性框架）可以在正式法规出台之前提供临时验证要求，同时将转折窗口延长至2033年，并压缩后续时间表。如果2035年的主动治理转折点被推迟，已经描述的CAIO作为服务的模型提供了一个不需要强制机构授权的分布式临时路径。如果2040年的未来素养整合尚未实现，则应将愿景状态的信任阈值视为理想目标而非确认的基准，此时本文提出的多利益相关者Delphi过程成为主要的重新校准机制。在每个转折点，适当的响应是进行结构化重新评估，而不是放弃愿景状态。

**回溯时间表**
图2总结了3个转折点及其与2026年基线和2040年愿景状态的关系。表1提供了STEEP框架下所需变化的跨转折点总结。

**讨论**
本分析的核心发现是，临床医学中的AI信任差距不是一个等待技术解决方案的技术问题，而是一个可以通过制度设计干预解决的制度设计问题。三个时间限定的结构转折点——可验证的AI（2030年）、主动治理（2035年）和未来素养（2040年）——构成了实现定义的2040年愿景状态所需的最小结构变化集。以下小节探讨了路线图本身产生的次要风险和实施考虑因素。

**结论**
向更大程度AI整合的回溯必须应对一个众所周知的风险：随着系统变得更加可靠，临床医生可能会表现出自动化偏见，未经适当批判性评估就接受AI输出[6]。系统性地审查临床决策支持中的自动化偏见记录了其在不同专业中的频率，并确定了关键中介因素，包括界面设计和任务复杂性[20]。矛盾的是，双过程架构在减少错误方面越成功，它可能越会侵蚀系统故障期间安全运作所需的基线临床推理技能。结构上的应对措施不是减缓AI整合，而是将验证层设计得具有教育意义。一个能够展示其推理过程的SLM——将每个诊断标志与特定指南引用联系起来——既起到安全护栏的作用，也起到实时教学工具的作用[21]。关键的是，这需要超越单纯过滤的设计承诺：SLM应作为透明的推理伙伴呈现给临床医生，而不是不透明的守门人，从而使每次互动都能增强而非取代临床判断。长期接触SLM提供的指南引用可以成为嵌入式继续医学教育的一部分，培养2040年未来素养转折点所需的领域流利度。临床推理和AI协作不是零和游戏；当验证架构变得可见时，它们是相互促进的。

**算法公平性和孤岛偏见**
从集中式云LLM向本地部署的SLM的转变引入了一个特定的公平风险。如果一个机构SLM主要针对某一健康系统的人口进行训练，它可能会为该人群产生准确的结果，但对代表性不足的群体产生系统性的错误结果[22]。因此，CAIO角色必须明确管理本地优化与国家公平基准之间的紧张关系——这种权衡将在不同人口统计特征的医疗系统中加剧模型校准差异时变得更加明显。我们提出了4项具体的结构保障措施。首先，CAIO的公平审计职责要求每年根据全国代表性基准重新校准本地SLM，并强制公开按年龄、种族、性别和社会经济地位分层的绩效指标。执行权力将归属于机构内的首席人工智能官（CAIO），该官员需向目前监督质量改进计划的相同认证机构负责。其次，一个跨机构的校准交换平台——类似于在肿瘤成像人工智能领域试点过的联邦模型基准框架[8]，并通过具有漂移感知能力的联邦SLM训练[16]在技术上得以实现——将允许医疗系统共享校准数据，而不会损害数据主权或患者隐私；参与该平台需要基于现有联邦研究网络治理模式（例如PCORnet）制定的标准化数据使用协议。第三，一个要求机构公开SLM性能统计数据的透明度机制将在不依赖监管执行的情况下创造问责压力。第四，对于本地部署的SLM，最低的训练数据多样性要求（与FDA关于基于人工智能或机器学习的医疗设备的最新指导方针[23]保持一致）将在部署前建立防止校准结果过于偏向特定人群的保护措施。然而，我们也认识到这些保障措施会带来结构性矛盾：针对特定机构人群的本地优化与国家层面的公平性目标可能难以同时实现，过于严格的多样性规定可能会导致医疗系统间的监管碎片化。解决这一矛盾是2035年转型计划中的治理研究重点。

随着代理型人工智能自主协调长期护理决策，当前的法律框架在结构上变得不连贯：它将所有诊断和治疗决策的责任归于个别医生，这种结构与分布式的人工智能-人类协作模式不相容。2035年的转型计划需要相应的法律创新：建立一个协作医疗治理框架，明确医生、机构CAIO和人工智能系统认证治理记录之间的共同责任。航空领域中自动化驾驶舱系统的联合责任机制提供了一个有参考价值的先例（尽管并不完美）。这一类比存在重要局限：航空业由一个统一的全球监管机构（国际民用航空组织）管理，而医疗行业则由分散的国家和地区监管机构（如FDA、欧洲药品管理局等）管辖，且它们的审批流程各不相同。此外，航空驾驶舱中是两名人类飞行员与一个有限功能的自动化系统配合工作；而临床“驾驶舱”可能涉及一名医生同时管理多个跨护理领域的AI代理。尽管存在这些差异，但航空治理中的几种具体机制仍可有效应用于临床人工智能。首先，决策记录日志（类似于飞行数据记录器）可以记录AI系统的输入、置信度评分以及每个重要临床建议的标记不确定性，从而为不良事件审查提供可审计的治理轨迹。其次，新的医疗事故责任机制可以将医疗系统的CAIO列为AI辅助决策的共同责任方，根据其治理记录的质量来分配责任，而不仅仅是将其全部归咎于负责治疗的医生。第三，逐步授权的协议（类似于航空业中对自动驾驶仪在不同飞行阶段的认证过程）可以规定代理型人工智能在无需实时人工确认的情况下允许行动的条件，并将这些条件与已证明的校准性能挂钩。目前这些机制还处于概念阶段；其法律层面的实施将是2035年转型计划的任务。

随着代理型人工智能自主执行护理决策，现有的法律框架在结构上显得不协调：它将所有诊断和治疗决策的责任归于个别医生，这与分布式的人工智能-人类协作模式不兼容。2035年的转型计划需要相应的法律创新，建立一个协作医疗治理框架，明确医生、机构CAIO和AI系统认证治理记录之间的共同责任。航空领域的联合责任机制提供了一个有启发性的先例，尽管并不完美。不过这一类比存在局限：航空业由一个统一的全球监管机构管理，而医疗行业则由多个国家和地区监管机构管辖，且它们的审批流程各不相同。此外，航空驾驶舱中是两名人类飞行员与一个自动化系统配合工作；而临床“驾驶舱”可能涉及一名医生同时管理多个护理领域的AI代理。尽管存在这些差异，但航空治理中的几个具体机制仍可应用于临床人工智能。例如，决策记录日志可以记录AI系统的输入、置信度评分和标记的不确定性，为不良事件审查提供可审计的治理轨迹。新的医疗事故责任机制可以将医疗系统的CAIO列为AI辅助决策的共同责任方，根据其治理记录的质量来分配责任。逐步授权的协议可以规定AI在无需实时人工确认的情况下允许行动的条件，并将这些条件与已证明的校准性能挂钩。目前这些机制还处于概念阶段；其法律层面的实施将是2035年转型计划的任务。

这份路线图明确以医生为中心：其愿景状态取决于医生对AI辅助结果的信任程度，转型目标旨在改善患者的治疗效果，而患者对AI辅助护理的接受程度是一个潜在的限制因素。信任AI生成诊断结果的医生仍可能遇到患者拒绝接受的情况，因为患者可能认为该诊断结果来自“机器人”——这在数字健康采纳文献中已有相关记录[1]。三个转型点都涉及患者信任问题。在2030年的转型点，要求每个AI生成的结果都附带可计算的置信度评分并附有可验证的证据，这有助于向患者提供易于理解的解释。在2035年的转型点，CAIO的治理职责应包括向患者和社区传达机构的AI政策、审计结果和保障机制。到2040年的愿景状态，医学教育应涵盖AI辅助诊断的共享决策框架，培训医生与患者共同解读AI输出，而不是将其视为权威结论。虽然本文未详细探讨患者信任的全面评估，但这属于必要的并行研究课题。

在操作层面，存在几个需要明确解决的实施障碍。首先，与传统的电子健康记录系统的互操作性是一个重大技术挑战：本地部署的SLM必须通过供应商中立的应用程序编程接口与现有的Health Level 7或Fast Healthcare Interoperability Resources标准及临床数据存储库集成，但目前这些标准尚未统一。其次，工作流程负担不容忽视；在护理环节引入可感知延迟的验证机制可能导致医生采取绕过该机制的做法，从而削弱其安全作用。第三，各机构的数字化成熟度差异很大：农村和医疗安全网系统的计算基础设施可能不足，无法运行本地SLM，使得上述的CAIO即服务模式成为大部分医疗系统的结构性前提条件而非可选方案。第四，不同司法管辖区的医疗法律制度差异意味着为美国监管环境制定的治理框架需要在欧盟、英国等具有不同医疗设备和责任制度的地区进行大幅调整。第五，小型医疗系统的采购预算周期通常为5年，可能与这里提出的十年级转型计划时间表不一致；分阶段采购计划和区域联盟采购协议可能是必要的补救措施。

本文存在五个主要局限性。首先，这种回顾性分析是一种规范性方法，而非预测性方法；所确定的转型点只是实现2040年愿景的必要条件，并不能保证最终结果。其次，2040年的愿景状态及其风险分层信任阈值（自主任务≥90%；辅助支持70%-85%）反映了专家判断，而非实证共识[13]；未来的工作应通过正式的多利益相关者德尔菲流程来确立这一愿景。第三，这项分析仅从专业角度进行；患者学者、一线护士以及资源匮乏地区的观点在研究中代表性不足。第四，这种双流程架构需要通过实际临床数据集进行实证验证，以确认SLM验证是否能显著提高大型语言模型（LLM）的诊断准确性。我们认为这是一个可解决的研究课题，并计划在后续研究中使用去标识化的临床数据来解决这一问题。第五，本文的治理机制、责任框架和认证参考主要基于美国的监管环境（FDA、研究生医学教育认证委员会和州级医疗事故法规），欧盟、英国等地区的读者需要根据自身监管框架进行调整。下一步计划是将这份路线图扩展到多个司法管辖区。

AI能力与临床应用之间的信任差距既非技术性问题，也非不可避免的结果。这是一个制度设计问题，需要通过制度设计来解决。回顾性分析将问题从“AI何时能应用于医疗？”转变为“我们必须构建什么才能让医疗体系准备好迎接AI？”这里确定的三个转型点——2030年的可验证AI、2035年的代理型治理以及2040年的未来素养——并非预测结果，而是临床医生、医疗系统领导者和政策制定者今天就可以开始努力的结构化目标。医学未来研究为这项工作提供了必要的实践支持。我们邀请医生、研究人员和AI开发者正式参与回顾性分析、情景规划等前瞻性方法，将其作为构建医疗技术未来的关键工具。我们还建议成立多机构联盟，利用去标识化的电子健康记录数据在不同医疗系统中评估这种双流程架构，以建立这一规范性路线图本身无法提供的实证证据基础。本文提供的路线图旨在作为这项机构工作的结构化起点。