在口腔健康领域，运用人工智能进行下一代病历记录和沟通

《Die Orthop?die》：Einsatz von künstlicher Intelligenz zur Next-Gen-Anamnese und Kommunikation in der O & U

　　摘要与背景
在患者数量增加、病例复杂性提高以及医生时间有限的背景下，基于人工智能（AI）的病史采集、分诊和文档系统在提高医疗记录效率和临床沟通方面展现出巨大潜力。这些系统的开发范围从基于规则的决策树延伸到机器学习（ML）和大型语言模型（LLM）对话系统，再到能够记录医生-患者互动、自动提取相关信息并生成结构化笔记的“环境型”文档系统。根据交互层级（患者端、医生端或系统端）和护理阶段（就诊前、中、后），这些应用可以进行分类。

实践
在日常医疗实践中，传统的症状筛查工具（虽然侧重安全性但诊断准确性有限）正逐渐被针对特定领域的、经过精心设计的入院评估和分诊工具所取代，后者在 elective care（选择性医疗服务）中具有更高的实际应用价值。目前最直接的好处体现在环境型文档助手上：减少了医生打字工作量，缩短了就诊后的处理时间，并形成了更加完整、结构化的病历记录——不过所有内容最终仍需经过医生审核和负责。负责任地实施这些系统需要遵守相关监管框架以及《医疗器械指令》（MDR）和欧盟《人工智能法案》（EU AI Act）的要求。一个本地试点项目是“OrthoCopilot”，这是一个能够为医生准备提供结构化总结的自适应离线入院系统。

要求
逐步引入基于AI的技术时应以可量化的性能指标（如咨询时间、工作负载、信息完整性、修正所需时间、账单质量）为指导，同时确保符合现行法规，并能够帮助医疗机构建立内部专业知识，为向更先进的多模态AI模型过渡打下基础。

背景
随着患者数量持续增长、病例复杂性提升以及医生时间紧张，基于AI的病史采集、分诊和文档系统为提升医疗记录效率和沟通效果带来了显著潜力。这些技术的发展路径包括规则决策树、机器学习以及大型语言模型对话系统，最终发展为能够自动记录医生与患者互动内容、提取关键信息并生成结构化文档的“环境型”系统。应用可根据交互类型（患者端、医生端或系统端）和护理阶段（就诊前、中、后）进行分类。

应用实践
在日常医疗实践中，已从传统的症状筛查工具（侧重安全性但诊断准确性有限）转向更专注于专业领域的、经过精心设计的入院评估和分诊工具，这些工具在 elective care（选择性医疗服务）中展现出更高的实用价值。目前最显著的好处来自环境型文档辅助工具：它们减少了医生的打字工作量，缩短了就诊后的处理时间，并生成了更加完整、结构化的病历记录（尽管最终仍需医生审核）。然而，负责任地部署这些系统必须遵循相关监管规定，并遵守《医疗器械指令》（MDR）和欧盟《人工智能法案》（EU AI Act）的要求。我们机构推出的试点项目“OrthoCopilot”就是一个例子，它是一个能够自动生成结构化总结以帮助医生准备的离线系统。

要求
逐步引入基于AI的技术应依据可量化指标（如咨询时间、工作量、信息完整性、修正所需时间、账单质量）来进行，并确保符合现行法规，以实现效率提升；同时协助医疗机构培养内部AI应用能力，为向更先进的多模态AI模型过渡做好准备。

结论
总体而言，基于AI的病史采集和文档系统在提升医疗记录效率和临床沟通效果方面具有巨大潜力。随着技术的不断发展，这些系统正从简单的规则决策树向复杂的机器学习和大型语言模型对话系统演进，最终发展为能够自动记录医生与患者互动并生成结构化文档的“环境型”系统。根据交互层级和护理阶段的不同，这些系统可分为患者端、医生端或系统端应用，并广泛应用于就诊前、中、后的各个护理阶段。在实际应用中，传统症状筛查工具正被专业化的工具所取代，后者在 elective care 中表现更为高效。环境型文档辅助工具减少了医生的工作负担，提升了病历记录的完整性和结构化程度，但所有内容仍需医生最终审核。为了确保系统的安全合规使用，必须严格遵守相关法规和标准。本地试点项目“OrthoCopilot”便是这一趋势的体现，它为医生提供了实用的辅助工具。

要求
AI技术的引入应基于可量化的绩效指标进行，并遵循现有法规，以便快速看到实际效果；同时帮助医疗机构培养AI应用能力，为未来向更高级的多模态AI模型过渡奠定基础。OrthoCopilot是一款适用于运动骨科门诊的本地化病历辅助系统，它将基于规则的问卷与患者的自适应问答相结合，自动整理患者信息，并将其转化为对治疗医生具有医学意义的摘要（见图3）。该系统的应用直接融入到了就诊准备阶段（医生准备→诊疗对话）。在一项初步的可行性研究中，64名新患者在使用平板电脑完成问卷（根据答题方向进行分支式提问）后，系统生成了结构化的医生总结报告。主要评估指标包括处理时间和医生诊疗时间，并结合了对两组用户的标准化简短调查。平均处理时间小于4分钟，医生诊疗时间每例减少了约3-4分钟；83.3%的医生认为该系统对沟通有积极影响，100%的医生认为效率得到了提升（其中50%认为“显著”提升，50%认为“略有”提升）；用户普遍认为系统非常有用（66.7%）或较为有用（33.3%）。患者方面，93.3%表示系统易于使用，66.7%表示就诊前准备更加充分，73.3%认为接诊医生信息更加详尽（见图4）。这些结果与相关研究一致，表明这类数字化录入/对话系统及人工智能辅助文档系统在骨科和外伤领域受到用户欢迎，能够提升工作效率并减轻文档工作负担[12, 15]，且随机对照评估也证实系统显著缩短了文档制作时间并减轻了医生的工作压力[4]。对于非研究性领域的常规应用，根据医疗器械法规（MDR）的要求，此类系统的分类至关重要：若其用途仅限于辅助医生收集病历（不涉及自主治疗或分诊决策），则应归为IIa类风险等级。若未来版本扩展了决策支持功能（如提供风险分诊建议），则需重新评估其风险等级。将此类系统应用于临床实践中面临的主要挑战包括监管要求（如临床评估、风险管理、用户体验设计、质量管理体系建立、网络安全保障、数据保护条例合规性、上市后监测以及医生使用许可流程）。满足这些要求需要系统具备专业架构和商业可行性。

图3：OrthoCopilot试点项目中用于采集病历信息的数字问卷（左侧）以及为医生提供的摘要信息概览（右侧）

图4：OrthoCopilot试点项目中患者和医生对数字化病历采集的反馈意见[15]

除实验室基准数据外，越来越多的临床证据表明，数字化文档系统能够显著提升文档处理效率，降低非工作时间负担，并改善工作满意度和减少职业倦怠现象。例如，一项美国的多中心研究表明，引入自动化文档系统后，每例患者的文档处理时间从6.2分钟减少至5.3分钟（P<0.001）[24]；女性医生受到的影响尤为显著（从8.1分钟减少至6.7分钟，而男性医生从4.7分钟减少至4.2分钟，P=0.001）。另外，关于术后沟通系统的研究也显示，数字化工具能提升患者满意度[7]。在骨科手术后的患者中，一项随机对照试验表明，基于团队的异步数字化沟通方式在8周内将患者主动联系医院的需求从平均2.3次降至0.5次（P=0.004）[7]。针对髋关节和膝关节置换术后的远程监测研究也证实，数字化系统有助于提升患者健康相关生活质量[23]。

关于人工智能在病历编码和结算中的应用，最新研究表明基于大语言模型的流程处理效率较高，这对骨科领域的收入和质量管理具有直接意义[5, 27]。总体而言，这些证据表明人工智能辅助系统有助于改善患者护理，同时具备商业潜力。

从监管角度来看，欧盟的《人工智能法案》（AI-Act）为人工智能应用提供了明确的法律框架。高风险系统（如OrthoCopilot）需遵循严格的规定，包括风险管理制度、数据治理、日志记录、透明性要求、人为监督以及上市前和上市后的监测机制。提供商还需建立质量管理体系并标注产品符合性标志。从责任法律角度看，目前医疗领域的人工智能应用尚未有专门的责任规定；只要AI作为辅助工具使用，诊断、治疗和文档处理责任仍由医生承担[25]。伦理层面，定期进行偏见审计、明确人类最终决策流程以及向患者充分解释AI的使用情况十分重要。研究设计和实施应遵循临床评估的最佳实践指南。

从经济角度来看，现有证据表明人工智能辅助系统能短期内提升文档处理效率。研究表明，引入自动化文档系统后，每次就诊的文书工作时间显著减少，同时降低医生的工作负担；在使用数字化工具的患者中，职业倦怠现象也有所改善[24, 11]。经济学评估显示，此类系统能降低文档处理成本，且在一定条件下能提升经济效益[16]。

综上所述，人工智能辅助系统在骨科和创伤外科领域具有临床应用前景和商业潜力。然而，其广泛应用还需克服监管、合规性、伦理和法律等方面的挑战。