Three Generations of Healthcare IT: From the Digital Record to the Computable Care Process

想象一下医学与计算机关系的历史，这是一个关于三次不同升级的故事。首先，医生从纸质病历转向了数字化病历。这就像是将一本手写的日记变成了一个可搜索的数据库；它让查找患者姓名和查看记录变得容易，但计算机仍然无法理解这些词汇的“含义”。接着，该领域再次升级到了“结构化数据”。现在，计算机不再仅仅是阅读一个句子，而是能识别出特定的事实，比如“血压为 120/80”，从而能够运行检查并发现趋势。但一个差距依然存在：医生经常在日常对话中给出指令，比如“如果疼痛加重请联系我”或“两周后进行验血”。目前，计算机将这些视为一段纯文本。它知道这些词，但它不知道该“做什么”、在“何时”做以及“由谁”来做。本文探讨的是：我们如何教会计算机倾听这些随性的指令，并将它们转化为实际的、可执行的任务清单，使其不会在琐碎的过程中丢失？

---

三代数字医疗

可以将医疗技术想象成一款经过了三次升级的电子游戏。第一代是关于记录的数字化。想象一下将一本凌乱的纸质笔记本扫描进计算机。你可以搜索单词并更快地找到文件，但计算机只是一个高级档案柜；它并不知道“服用两片阿司匹林”是一项行动指令。

第二代是关于事实的数字化。这是在教计算机阅读笔记本并提取特定的数值：“患者发烧”、“血糖偏高”。现在，计算机可以根据规则对比这些事实，以发出警告或追踪质量。但问题在于，医生经常在“备注”栏中使用自然语言留下指令，例如“如果症状持续，请转诊至心脏科”。计算机看到了这些词，但它无法理清其中的“计划”。它不知道这是一个未来的任务、谁来执行，或者什么情况会触发它。

本文提出了第三代：使**临床意图（Clinical Intent）**具备可计算性。作者认为，我们需要一个新的层级，让计算机不仅能阅读文本，还能理解背言语背后的“意图”。他们称之为“可执行临床记录”（Actionable Clinical Record，简称 ACR）。

问题所在：“翻译丢失”的鸿沟

以下是本文强调的现实世界中的困境。当医生说“两周后重复这项血液检查”时，这是一个决定性的指令。但在目前的系统中，它被困在了一段文字之中。计算机无法自动安排那项测试、分配给护士，或检查稍后是否完成了该项任务。

作者指出，这不仅仅是一个小麻烦；它是危险的。因为这些指令不具备“可计算性”，它们经常被遗忘。在一个大型医疗系统中，只有约三分之一的专科转诊最终落实到了完成就诊。当指令在“医生说了什么”与“系统做了什么”之间的鸿沟中丢失时，患者可能会受到伤害，诊断错误也会随之发生。

解决方案：可执行临床记录 (ACR)

为了解决这个问题，作者提出了一种新的数字对象，称为可执行临床记录 (ACR)。可以将 ACR 想象成一张计算机可以真正使用的“智能待办卡”。

当医生说出或写下一条指令时，系统会尝试提取它，并将其转化为这种 ACR 格式。ACR 不仅仅是一个句子，它是一个包含特定信息的结构化包，包含：

• 动作 (Action)： 需要做什么（例如：“进行血液检查”）。
• 目标 (Target)： 针对什么（例如：“完成全血细胞计数”）。
• 执行者 (Actor)： 谁负责（例如：“护士”或“患者”），而不仅仅是说话的人）。
• 时间 (Time)： 何时发生（例如：“两周后”，而不只是一个随机日期）。
• 条件 (Condition)： 在何种规则下适用（例如：“如果症状持续”）。
• 状态 (Status)： 是等待中、进行中还是已完成？

作者强调，这并不是要取代医生的笔记。它是要在笔记之上添加一个层级，将人类语言转化为计算机的工作流系统可以理解并执行的格式。

运作方式：“混合型”大脑

论文非常谨慎地表示，这并不是承诺一个简单的 AI 聊天机器人就能解决问题。作者认为，虽然现代语言模型擅长理解文本，但在处理时间和逻辑方面并不够可靠。如果 AI 猜错了某个关键检查的日期，那将是一场灾难。

因此，他们提出了一个混合方法。想象一个团队，其中一个聪明且富有创造力的 AI（“学习者”）阅读医生的笔记并建议：“嘿，这看起来像是一个血液检查请求。”但随后，一个严格遵循规则的机器人（“验证者”）会检查数学逻辑。它确保“两周后”的计算是正确的，确认责任归属，并确保逻辑成立。如果 AI 不确定，系统设计为暂停并请求人类医生进行复核。这确保了最终生成的“待办卡”是安全且可审计的。

本文的研究发现（以及未发现的内容）

需要注意的是，本文并非关于某种已经在医院挽救生命的全新软件产品的报告。作者将其描述为一个框架和一项提议。

• 提议： 他们定义了这个新“第三层”的规则以及 ACR 格式。
• 测试： 他们针对一个特定的任务（提取随访指令）进行了一项小型受控实验（可行性研究）。在这项测试中，他们的混合系统（AI + 严格规则）在准确获取时间和动作方面，表现优于单纯的 AI 模型。
• 局限： 他们承认这仅仅是一个起点。他们尚未证明这适用于每一种类型的医疗指令，也尚未证明这能在现实世界中改善患者的预后。他们建议，未来的工作需要在真实的、混乱的医院数据上进行测试，以观察其表现如何。

前方的道路

作者将其视为一个研究议程。他们希望业界能就如何编写这些“智能待办卡”（ACR 本体论）达成共识。他们希望建立更好的方法来处理不同的语言以及医生可能改变主意的复杂情况。最重要的是，他们希望改变我们衡量成功的方式。与其仅仅检查计算机是否“读对了”文本，我们更应该衡量计算机是否能正确地执行该任务。

简而言之，本文认为，要让医疗 IT 技术真正成熟，它需要停止仅仅存储文字，转而开始理解文字中隐藏的“计划”。通过将随性的指令转化为结构化的、可执行的“可执行临床记录”，我们或许终于能够弥合那些经常丢失的指令环节，从而让医疗护理变得更安全、更可靠。但目前，这仍是一个有待更多证据支撑的、充满前景的想法。