A Scoping Review of Vibe Coding in Healthcare Across Clinical, Administrative, and Research Domains

几十年来，那些最了解医院和诊所实际运作方式的人——医生、护士和管理人员——一直无法构建他们所需的软件工具。他们能够发现患者护理计划中存在的问题或缺失的功能，但缺乏编写修复这些问题的代码所需的专业技术。与此同时，能够编写这些代码的软件工程师往往并不了解医院病房的日常现实。这种差距使得医疗系统依赖于外部供应商以及缓慢且昂贵的开发周期。最近，一种新型的人工智能出现了，有望弥合这一鸿沟。这些被称为大语言模型的系统可以理解自然语言指令，并将其转化为可运行的计算机代码。一个新术语“氛围编程”（vibe coding）被创造出来，用以描述一种工作流：在这种模式下，用户不再像传统的程序员那样工作，而更像是一个导演，通过自然语言提示来引导人工智能构建软件，由机器来处理技术性的编写工作。

俄勒冈健康与科学大学（Oregon Health & Science University）和凯撒医疗集团奥克兰医学中心（Kaiser Permanente Oakland Medical Center）的一个研究小组致力于绘制这项技术在医疗领域早期的应用图景。他们对 2023 年 1 月至 2025 年 12 月期间发表的科学文献进行了广泛的回顾，搜索任何使用这些 AI 工具构建用于医学教育、研究或医院管理软件的实例。他们的目标不是测试软件本身，而是了解这些工具在何处被使用、构建了什么样的工具，以及在这种快速转变中可能隐藏着哪些风险。他们发现该领域仍处于极早期阶段，第一批同行评审论文直到 2025 年年中才出现。他们收集到的证据表明，虽然临床医生现在可以在没有正式培训的情况下构建功能性软件，但管理这些工具的安全和监管框架尚未准备就绪。

研究人员确定了这种新方法正在扎根的四个主要领域。第一个也是最活跃的领域是医学教育。在这个领域，医生和教育工作者正在利用 AI 创建交互式培训工具，例如疾病诊断模拟器或用于教授肾脏护理的 Web 平台。一项研究描述了一支医生团队如何仅通过自然语言引导 AI，在短时间内构建了四种不同的教育应用程序。这些工具包括一个分析尿液样本的指南和一个肾脏问题诊断助手。综述中提到的另一个例子是一个名为 DebriefMD 的 Web 应用程序，它由一名耳鼻喉科医生构建，旨在帮助外科住院医师提高技能。该创建者没有接受过正式的软件工程培训，但利用 AI 工具生成了代码，最终实现了一个允许住院医师上传导师反馈语音笔记并获得自动化表现报告的系统。这些项目证明，准入门槛已显著降低，使专家能够几乎立即将他们的想法转化为可运行的软件。

在生物医学研究领域，这项技术正作为一种力量，使数据分析向更多人开放。传统上，分析复杂的医学数据集需要专门的数据科学家和程序员团队。现在，研究人员正在使用 AI 助手来编写清洗数据、运行统计模型和可视化结果所需的代码。综述指出，这种转变让调查人员能够专注于科学问题，而非实现的各种技术细节。一些研究人员甚至使用这些工具为临床研究构建定制计算器，例如一个用于预测特定眼科手术后预后的工具。综文献作者认为，这可能会使生物医学信息学变得更加民主化，允许更多临床医生在无需等待技术支持的情况下领导自己的研究项目。

第三个领域涉及维持医院运转的复杂基础设施，特别是允许不同计算机程序相互通信的系统。医院使用许多不同的软件系统来处理患者记录、化验结果和影像资料，而连接这些系统在历史上一直需要专门的工程师。综述发现了一个案例，一名经验丰富的集成架构师使用自然语言指令构建了数据流水线，而这在以往通常需要数周的手动编码时间。这表明，即使对于高度技术性的基础设施任务，AI 也可以作为现有专业知识的放大器，加速创建在系统间移动患者数据的工具。最后，综述考察了行政任务，如计费和调度。由于这些领域对患者安全的直接风险较低，它们被视为这项技术的自然起点。临床医生开始构建定制脚本来自动化处理文书工作、跟踪转诊或管理合规性，这些任务以前需要动用整个信息技术部门。

然而，综述明确指出，快速构建软件的能力并不意味着该软件是安全或已准备好广泛使用的。研究人员识别出了显著的安全和监管差距。一个主要的担忧是代码安全性。对类似 AI 工具生成的代码的研究发现，近一半的输出包含安全漏洞，这在必须保护患者数据的医疗环境中可能是危险的。此外，当医生将指令输入这些 AI 工具时，他们可能会无意中包含敏感的患者信息，从而导致信息被发送到外部服务器。此外，法律和监管环境尚不明确。目前尚未界定如果 AI 编写的工具犯错并导致患者受到伤害，谁应当承担责任。现有的医疗软件规则是为人类程序员编写的，目前尚不确定这些规则如何适用于通过与机器对话而生成的工具。

为了应对这些风险，作者提出了一个基于工具风险水平的管理新框架。他们建议，对于低风险工具（如不处理私人患者数据的教育模拟或调度计算器），可以进行最低限度的监督进行部署。处理去标识化数据或支持行政工作流的工具则需要经过结构化的审查过程，以确保其安全并符合隐私法规。最高级别的审查将保留给那些直接影响临床决策或访问可识别患者信息的工具。这些高风险应用在投入使用前，需要经过与任何其他医疗设备相同的严格测试和验证。研究人员强调，创作方法（无论是通过人类还是 AI）不应改变最终产品的安全要求。

综述总结道，虽然这项技术转型医疗保健的潜力是真实的，但目前的证据仅限于早期的实验和小规模项目。目前还没有大型研究能够证明这些工具能改善患者的预后，而且许多成功的案例都来自那些具有积极性的先驱者，他们未必能代表普通用户。作者认为，下一步不是盲目追求广泛采用，而是建立必要的护栏。这包括创建测试 AI 生成代码的标准方法、更新医学院课程以教导临床医生如何安全地使用这些工具，以及制定关于出错时谁承担责任的明确规则。“氛围编程”的承诺在于它允许最了解医疗保健的人来构建他们所需的工具，但实现这一承诺需要具备定义良好医疗实践所要求的严谨性、耐心和对安全的关注。