Clinicians' Rationale for Editing Ambient AI-Drafted Clinical Notes: Persistent Challenges and Implications for Improvement

这项针对 30 名临床医生的研究揭示了医生修改 AI 生成病历草稿的主要动因（如提升准确性、降低法律风险及满足计费标准）及具体原因（如转录错误和缺乏上下文），并据此提出了通过优化模型可靠性、深化专科定制、加强系统集成及提供机构支持来改善环境 AI 文档系统的综合建议。

要点

这篇论文就像是在探讨一位**“超级实习生”**（环境 AI）如何帮助医生写病历，以及为什么医生们还是得花大量时间亲手修改这位实习生的“初稿”。

想象一下，医生和患者聊天时，旁边坐着一个不知疲倦的AI 录音笔。它不仅能听懂对话，还能自动把聊天内容整理成一份病历草稿。这听起来像魔法，对吧？但研究发现，医生们拿到这份“魔法草稿”后，并不能直接签字，而是必须像编辑校对一样，进行大量的修改。

这篇论文就是去采访了 30 位医生，问他们：“你们为什么要改？改了什么？希望它怎么改？”

以下是用通俗语言和比喻对论文核心内容的解读：

1. 为什么医生要修改 AI 的草稿？（四大理由）

医生修改 AI 草稿，就像大厨在尝了预制菜后，必须重新调味，原因主要有四点：

• 理由一：防止“听错”和“张冠李戴” (准确性)

  • 比喻：AI 就像个听力有点差、记性不太好的速记员。
  • 问题：它可能把药名听错（比如把一种化疗药听成另一种），或者把谁说的话搞混了。比如，患者说“我老婆做过移植手术”，AI 可能误写成“患者做过移植手术”。
  • 后果：这种错误在医疗上很危险，医生必须手动纠正，否则就是医疗事故。

• 理由二：不够“专业”和“具体” (专科精度)

  • 比喻：AI 像个刚毕业的通用型实习生，写出来的东西像“万能模板”，缺乏专科医生的“老练”。
  • 问题：比如风湿科医生需要记录病情的“低、中、高”活动度，AI 却只写了个笼统的“不舒服”；或者精神科医生需要分析患者“话里有话”的潜台词，AI 却只记录了字面意思。
  • 后果：医生必须把那些“行话”和“专业判断”重新加进去，让病历看起来像个专家写的，而不是个机器人写的。

• 理由三：为了“算账”和“免责” (法律与计费)

  • 比喻：病历不仅是看病记录，还是**“账单”和“护身符”**。
  • 问题：保险公司和医院要看病历来决定给医生发多少钱（计费），或者在出纠纷时看医生有没有尽责（法律）。AI 写的草稿往往太“老实”，只记录了事实，没记录医生思考的过程（比如“虽然还没确诊，但我怀疑是 A"）。
  • 后果：医生必须手动添加很多细节，证明“我花了很多时间思考”、“我解释了风险”，这样才能合法收费，也能在法律上保护自己。

• 理由四：为了“好读”和“整洁” (专业规范)

  • 比喻：AI 写的草稿像**“流水账”**，太啰嗦、太口语化。
  • 问题：它可能把患者说的废话也记下来，或者把不同部分的内容（比如检查结果和患者主诉）混在一起。
  • 后果：医生需要把这份“流水账”修剪成一份结构清晰、用词专业的正式报告，方便其他医生快速阅读。

2. 医生们有什么“吐槽”和建议？

医生们发现，要完全信任 AI 目前还很难，他们提出了一些改进建议：

• 医生自己的“配合策略”：

  • 比喻：既然 AI 听不懂“指指点点”，医生就得**“把动作说出来”**。
  • 做法：以前医生指一下患者的胳膊说“这里疼”，AI 可能记不住。现在医生得故意大声说：“患者指着右臂说疼。”甚至医生在检查时，要像解说员一样把动作念出来：“我现在正在做直肠检查……"
  • 目的：强迫 AI 捕捉到关键信息，减少后期修改。

• 给 AI 厂商的“升级包”：

  • 比喻：别给所有医生发同一套“万能模板”，要**“因材施教”**。
  • 做法：
    • 更聪明：提高听写准确率，分清谁在说话。
    • 更懂行：给不同科室（如眼科、骨科）定制不同的“填空模板”。
    • 更听话：允许医生设置“语气”，比如“写得简练点”或“多写点细节”，甚至像用 ChatGPT 一样，让 AI 重新改写某一段。

• 给医院的“系统整合”：

  • 比喻：别让 AI 像个**“孤岛”，要把它“嵌入”**到医生的工作台里。
  • 做法：AI 应该能直接读取患者以前的病历、用药记录，而不是让医生再去复制粘贴。这样 AI 写的草稿才更有“上下文”，不用医生反复删除重复信息。

• 给管理层的“培训”：

  • 比喻：别只发个说明书，要**“手把手教”**。
  • 做法：医院需要告诉医生：什么时候该录音？怎么跟患者解释？遇到 AI 写错了该怎么处理？要有统一的标准，别让医生自己摸索。

3. 总结：未来的路怎么走？

这篇论文的核心观点是：AI 目前还只是个“草稿生成器”，而不是“最终决策者”。

• 现状：AI 确实帮医生省了一点打字的时间，但因为需要大量修改，医生并没有感到“彻底解放”。
• 未来：要想让 AI 真正帮上忙，不能只靠技术升级，还需要医生、厂商、医院三方合作。
  • 厂商要造出更懂医学、更精准的 AI。
  • 医院要提供好的培训和工作流程。
  • 医生要学会如何与 AI“配合对话”。

一句话总结：
现在的 AI 就像个很有天赋但还没经过专业训练的“速记员”，它能帮医生把聊天记下来，但要想变成一份能看病、能报销、能免责的正式病历，还得靠医生这位“主编”花大力气去润色和把关。未来的目标，是让这位“速记员”进化成一位懂专业、懂规矩的“初级医生”，让主编能真正从繁琐的修改中解脱出来。

技术摘要

论文技术总结：临床医生编辑环境 AI 生成病历的动因、挑战与改进启示

1. 研究背景与问题 (Problem)

随着美国医院和诊所中**环境人工智能（Ambient AI）**文档工具的迅速普及，这些工具通过录制医患对话自动生成病历初稿，旨在减轻临床医生的文书负担并减少职业倦怠。然而，尽管早期评估显示其能提高效率，但临床医生在实际使用中仍面临持续挑战：

• 编辑负担未减：医生仍需花费大量时间修改 AI 生成的草稿，这直接抵消了 AI 带来的效率增益。
• 现有研究局限： prior 研究多关注“医生修改了什么”（如内容分析），但缺乏对“为什么修改”（即编辑背后的临床、法律和流程动因）的深入理解。
• 核心痛点：AI 生成的草稿在准确性、专科特异性、法律合规性（如计费、责任界定）以及病历结构标准化方面存在不足，导致医生必须进行大量人工干预才能签署病历。

2. 研究方法 (Methodology)

本研究采用定性研究方法，旨在深入探究临床医生编辑 AI 草稿的意图和驱动因素。

• 研究对象：来自加州大学欧文分校医疗中心（UCI Health）的30 名临床医生（包括 15 名全科医生和 15 名专科医生，涵盖风湿病学、神经外科、肿瘤学等多个亚专科）。
• 工具环境：研究对象均在日常门诊中使用商业环境 AI 工具 Abridge。
• 数据收集：
  • 进行半结构化访谈（每人约 45 分钟），邀请医生描述其编辑经验。
  • 向医生展示基于先前研究识别出的真实世界编辑示例（如事实修正、专科细化等），请其解释编辑决策背后的原因。
• 数据分析：
  • 采用主题分析法（Thematic Analysis）。
  • 结合先验框架（基于之前的内容分析发现的五种编辑模式）和归纳法（从访谈中提取新主题）。
  • 使用 Atlas.ti 软件进行编码，并通过双人编码和共识讨论确保信度，最后进行成员检验（Member Checking）以验证解释的有效性。

3. 主要发现与结果 (Key Results)

研究发现，医生编辑 AI 草稿主要出于以下四大核心动因，并揭示了相应的技术挑战：

A. 确保临床准确性与归属权 (Accuracy & Attribution)

• 编辑动因：修正转录错误（特别是药物名称、罕见术语）、纠正说话人归属错误（如将家属或护士的话归为患者）、以及修正因口音或背景噪音导致的语义偏差。
• 挑战：AI 无法完全区分不同说话者，且难以处理非标准发音或复杂医疗术语，导致关键病史（如移植史、化疗方案）被错误记录。

B. 提升专科特异性与完整性 (Specialty-Specific Precision)

• 编辑动因：AI 生成的草稿往往过于“通用”（像全科医生写的），缺乏专科所需的鉴别诊断思维、优先级排序和特定术语（如风湿病中的疾病活动度分级）。
• 挑战：
  • 缺失关键细节：AI 常遗漏阴性症状（Pertinent Negatives）、具体的风险评估或详细的知情同意过程。
  • 结构混乱：将患者主诉误写为医生诊断，或将实验室结果错误归类，导致病历逻辑不清。
  • 缺乏深度：无法像专科医生那样“读懂言外之意”或进行复杂的鉴别诊断推理。

C. 满足计费、合规与法律要求 (Billing, Compliance & Liability)

• 编辑动因：确保病历符合计费编码（CPT/ICD）的严格标准，记录医疗决策的严重程度，并作为法律证据保护医生。
• 挑战：
  • 确定性过度：AI 倾向于将“可能”的推测转化为“确定”的诊断，增加了法律风险。医生需手动添加限定词（如“疑似”、“待排”）以反映临床不确定性。
  • 计费要素缺失：AI 未能自动记录用于计费的咨询时间、选项讨论或保守治疗尝试等关键细节，医生需手动补充以支持高级别计费。

D. 标准化与流程整合 (Standardization & Workflow)

• 编辑动因：将口语化的转录文本转化为专业的医学记录，去除冗余，并适配电子病历（EHR）的结构。
• 挑战：
  • 格式不匹配：AI 生成的段落式文本难以直接嵌入 EHR 的结构化字段（如问题列表、诊断关联的评估计划）。
  • 缺乏上下文：AI 无法读取患者既往病史或当前用药列表，导致重复记录或遗漏连续性护理信息。

改进建议 (Recommendations)

医生提出了多层次的改进需求：

1. 模型层面：提高转录和说话人识别的准确率；默认采用保守的确定性措辞（Hedging）；建立更完善的药物库。
2. 定制化：支持按专科（如精神科、肿瘤科）和就诊类型（初诊 vs. 复诊）定制的模板。
3. 个性化：允许医生调整生成风格（更简洁或更详细），并提供类似 ChatGPT 的“重新提示（Re-prompting）”功能。
4. 系统集成：深度集成 EHR，自动拉取既往病史、药物列表，并支持直接生成医嘱。
5. 机构支持：提供针对特定专科的培训、标准化的知情同意流程以及明确的编辑指导原则。

4. 关键贡献 (Key Contributions)

• 理论贡献：首次系统性地揭示了医生编辑 AI 病历的深层动因（不仅仅是纠错，更是为了法律安全、计费合规和专科思维表达），填补了从“现象描述”到“动机分析”的空白。
• 实践指导：提出了具体的、可操作的改进目标，包括核心模型可靠性、专科定制化、EHR 深度集成以及机构治理框架。
• 人机协作视角：强调了医生需要调整沟通策略（如“口述检查发现”）以适应 AI，同时也指出 AI 必须适应医疗工作的复杂性和法律严谨性。

5. 研究意义 (Significance)

• 对 AI 开发者的启示：单纯提高转录准确率不足以解决痛点。未来的环境 AI 必须进化为**“临床思维辅助工具”**，能够理解专科逻辑、处理法律不确定性，并无缝融入 EHR 工作流。
• 对医疗机构的启示：实施环境 AI 不能仅靠技术部署，必须配套专科特定的培训、治理规范和标准化审查流程，以减轻医生的认知负荷和法律风险。
• 对临床实践的影响：通过优化 AI 工具，有望真正将医生从繁琐的文书工作中解放出来，使其回归以患者为中心的照护，同时确保病历的法律效力和计费合规性。

总结：该研究指出，环境 AI 要从“生成草稿”进化为“可签署的病历”，需要跨越从语音识别到临床语义理解，再到法律与计费逻辑对齐的巨大鸿沟。这需要技术供应商、医疗机构和临床医生三方的协同努力。