一、从一次手术说起：这不是医疗问题，而是系统问题

前段时间，一次意外摔伤，让我经历了一场桡骨骨折手术，也让我对医疗系统有了新的思考。

从医学角度看，这只是一个标准化程度较高的外科手术：影像诊断、手术复位、内固定、术后观察、康复训练。路径清晰、流程规范、风险可控。

但当你真正躺在病床上，成为这个系统中的“被处理对象”时，体验就完全不同了：

• 每天被抽血，却不知道检测目的
• 拿到检查报告，却无法理解指标含义
• 医生查房解释病情，但信息高度压缩且专业化
• 康复过程在推进，却无法量化自己的恢复进度

慢慢地，你会意识到一个问题：

这不仅仅是“医学知识门槛”这么简单，而是一个更深层的系统问题，也是当前医疗体系面临的真实困境。

二、重新定义问题：医疗系统的“控制权缺失”

先把情绪抽离，用工程思维重新建模这个问题，我们会发现医疗AI的落地难点其实隐藏在系统结构之中。

2.1 医疗系统的真实结构

从信息流与控制流的角度，现代医院可以抽象为三层：

• 决策层：医生（基于经验、指南、数据）
• 执行层：护理系统、医疗设备
• 记录层：HIS / EMR / LIS / PACS

那么，患者的位置在哪里？

答案是：患者是系统外的输入/输出对象。

这是一个非常关键的结构性问题，也是智能医疗需要解决的核心矛盾。

2.2 信息与控制的分离

在这个系统中：

• 数据是完备的
• 决策是专业的
• 执行是规范的

但是，信息闭环存在，而用户闭环却缺失了。

换句话说，你虽然身处系统之中，却无法感知自己的状态，更无法主动干预。这导致一个典型的系统缺陷：

信息闭环存在，但用户闭环缺失

三、从 DevOps 到医疗：一个熟悉的问题

如果你熟悉 DevOps 或复杂系统，这个问题并不会陌生，它其实贯穿于许多行业的智能化升级过程中。

在早期运维体系中，也存在类似困境：

• 系统运行状态复杂
• 指标难以理解
• 故障原因不透明
• 操作风险不可控

后来引入了可观测性（Observability）、自动化（Automation）、流水线（Pipeline）、策略控制（Policy）等机制。

这些改进，本质上解决了一个问题：让系统状态对使用者透明，并提供有效的控制手段。

那么问题来了：医疗行业能不能也借鉴这种思路，构建更人性化的医疗AI系统？

四、AI 的误解：能力问题，还是系统问题？

很多人第一反应是：用 AI 来解决不就得了？

确实，从能力上看，现代大模型（LLM）已经具备：

• 医学知识理解能力
• 报告解读能力
• 语言生成能力
• 推理与总结能力

例如基于 Transformer 架构的模型，可以通过医学语料训练，具备类似“解释医生语言”的能力。

4.1 但问题不在“能不能做”

关键问题在于：系统是否允许 AI 介入，以及如何安全地介入。

在医疗这种高风险场景中，核心矛盾从来不是“AI 能不能做”，而是：

AI 是否被允许做？AI 的行为是否可控？AI 的决策是否可审计？

4.2 大模型的本质问题

从系统角度看，大模型具备三个天然特性：

1. 概率性输出（Non-deterministic）
2. 不可完全解释（Limited Explainability）
3. 上下文依赖（Context-sensitive）

这三条，在医疗场景中就是“天然风险源”，也是医疗AI应用必须正视的挑战。

五、关键缺失：AI 不缺能力，缺的是“Harness”

这里需要引入一个关键概念——Harness（控制系统/安全带），它正是医疗系统智能化改造中缺失的一环。

5.1 什么是 Harness？

在工程领域，Harness 的本质是：对能力的约束与调度机制。

在 CI/CD 中，Pipeline 是 Harness，策略引擎是 Harness，回滚机制也是 Harness。

5.2 医疗系统中的缺口

当前医疗系统具备：

• 强执行（手术、治疗）
• 强知识（医生经验）

但缺乏：

• 状态透明机制（让患者理解系统状态）
• 控制反馈回路（让患者能参与决策）
• 风险边界定义（明确 AI 的活动范围）

换句话说，医疗系统 = 执行强、决策强、控制弱。

六、引入 AI Agent：但不是你想的那种

很多人理解的 AI Agent 是聊天机器人、智能助手、自动问答。但在这里，我们需要的是另一种 Agent——作为系统与用户之间的认知桥梁，这也是医疗AI落地的关键角色。

6.1 Agent 的核心能力

1️⃣ 状态建模能力（State Modeling）

• 病例历史
• 手术记录
• 检查指标趋势

2️⃣ 解释能力（Interpretation）

• 指标含义解释
• 医嘱翻译
• 风险提示

3️⃣ 推理能力（Reasoning）

• 当前状态 vs 标准恢复路径
• 异常检测
• 趋势判断

4️⃣ 记忆能力（Memory）

• 长期记忆（病例）
• 短期上下文（住院过程）

这些能力，本质上对应的是：LLM + Memory + Tool + State。

七、为什么仅有 Agent 是危险的？

这里必须强调一个结论：仅有 Agent 不仅不够，而且是危险的。

原因很简单：Agent 可以生成建议，但建议可能是错误的，而在医疗中错误不可接受。

这就引出一个核心约束：

AI ≠ 决策者，AI = 辅助理解者

八、医疗 Harness 的设计原则

如果要设计一个医疗控制系统（Harness），它必须满足以下条件，才能确保医疗AI的安全可靠：

8.1 权限分层

L1：信息解释（AI可自动）
L2：建议生成（需医生确认）
L3：决策执行（仅医生）

8.2 风险控制

• 高风险操作必须人工审批
• AI 不得直接修改医疗行为

8.3 审计机制

• 所有 AI 输出可追溯
• 所有建议可解释

8.4 可回退性

• AI 参与不改变核心医疗流程
• 可随时“降级为纯人工系统”

九、一个完整的医疗 AI 架构

结合上述内容，可以构建一个完整系统，这也是智能医疗系统设计的一种可行方案：

患者输入
↓
AI Agent（理解层） - 数据解释 - 状态建模 - 风险提示
↓
Harness（控制层） - 权限控制 - 风险评估 - 审计机制
↓
医疗系统（执行层） - 医生决策 - 护理执行 - 医疗设备

关键在于：AI 不直接连接执行层，而是通过 Harness 进行约束与适配。

十、回到体验：为什么你会感到“失控”？

现在可以重新解释最开始的问题了，这也是许多患者在医院中的真实感受。

你在医院的焦虑，并不是因为手术或者疼痛，而是因为：

你失去了对系统状态的认知能力

进一步推演：

认知缺失 → 不确定性增加 → 焦虑

AI 的价值，不是替代医生，而是重建用户对系统状态的理解和控制感。

十一、这个问题的普适性：不只是医疗

这个结构问题，其实存在于所有复杂系统中，也是数字化转型中普遍面临的挑战：

统一表达为：系统在运行，但人无法理解。

十二、未来系统的三层模型

未来的复杂系统，将统一为：

理解层（AI Agent）
控制层（Harness）
执行层（System）

医疗只是最极端的场景，因为风险最高、容错最低、合规最严格，但它的解决方案对其他行业同样具有参考价值。

十三、结论：问题不在 AI，而在系统结构

我们可以用一句话总结全文：

医疗系统最大的问题，不是缺少 AI，而是缺少让用户理解并参与系统的结构设计。

更进一步说：AI 只是工具，真正的变革在于重新设计系统的反馈与控制回路，这也是医疗AI发展的根本方向。

十四、下一步

在下一篇文章中，我们会继续拆解：

如何让 AI Agent 真正“理解”医疗场景？

我们将从数据结构、语义表达和认知接口三个层面，进一步深入分析，探索医疗AI落地的更多细节。