Baliga和Seshadri的这篇综述文章[1]全面阐述了人工智能研究在麻醉学领域与临床实践之间的障碍。作者指出了这些障碍存在于数据质量、监管复杂性、电子健康记录（EHR）的互操作性以及警报疲劳等方面，并构建了一个非常有用的分类体系。然而，在他们的框架中有一个方面几乎没有得到关注：即人工智能辅助工作流程对麻醉医护人员福祉的影响。我们认为这一点值得特别考虑，因为它为人工智能的落地提供了一条实用的第二条实施路径，这条路径不依赖于多中心前瞻性试验的完成或严格的监管限制。

麻醉学领域面临着巨大的职业压力。仅在美国，麻醉医生的职业倦怠每年造成的损失就超过46亿美元，而且预计在未来十年内劳动力短缺的情况会进一步恶化[2]。在这种背景下，Loepke提出的“麻醉学5.0”框架将以人为本的理念视为任何可持续技术整合到临床实践中的基本设计要求[2]。这一视角对于Baliga和Seshadri所描述的转化挑战具有重要意义：医护人员的流失和认知负担过重会削弱实施和维持人工智能工具所需的机构能力。

Hurley等人的经验提供了一个低门槛实施路径的具体示例[3]。他们使用ChatGPT辅助工具为27名麻醉科住院医师设计了为期六个月的排班表。结果非常积极：100%的首选年假申请得到了批准，值班任务在三个临床科室（手术室、产科和重症监护室）之间得到了公平分配，最终休假决定也在一个工作日内得到了回复。整个过程不需要进行随机试验，也不需要任何监管许可或电子健康记录的整合。该干预措施针对的是一个具体且明确的职业摩擦源——不透明且不公平的排班制度，这直接导致了住院医师的职业倦怠和士气低落[3]。这正是Loepke所提到的那种“反复出现的微摩擦”，它会侵蚀医生的日常工作生活[2]。

工作流程中的人工智能不仅关系到患者的安全，也关系到医护人员的福祉。Weller等人[4]指出，沟通失误导致了60%至70%的严重临床事件，而麻醉团队内部的共同情境意识是决定安全结果和员工体验的关键因素。能够持续处理信息且不会导致医护人员疲劳的人工智能系统，如果其设计目的是减轻临床医生的认知负担而非增加警报负担，那么它们将能够有效支持团队的情境意识[4。

Baliga和Seshadri提出的十一步实施检查清单[1]是一个有价值的贡献，但它主要围绕床边临床人工智能工具及其相应的证据标准进行构建。我们认为，如果该框架能够明确区分两条并行的实施路径会更为完善：一条是高门槛路径，适用于需要多中心前瞻性结果数据的人工智能临床决策支持工具；另一条是低门槛路径，专注于排班、行政负担和认知人体工程学，其主要评估指标是医护人员的福祉和劳动力的可持续性。这两条路径并不相互竞争——它们可以共享基础设施，共同提升机构的AI素养，并可以同时推进。

将医护人员的福祉视为人工智能实施的合法且可衡量的评估指标，可能会加速那些仅靠临床或经济论据至今未能实现的应用进程。任何能够减轻工作负担或提高工作质量的人工智能工具都值得投资，就像临床决策系统一样。只有将人类实施、维护和信任人工智能工具的能力视为前提条件，而不是事后考虑的因素，转化差距才能更快地缩小。