综述：人工智能在门诊初级医疗中的应用、挑战与未来方向：一项范围综述

《Journal of General Internal Medicine》：Artificial Intelligence in Outpatient Primary Care: A Scoping Review on Applications, Challenges, and Future Directions

本综述系统评估了人工智能（AI）在门诊初级医疗中的应用现状。通过对61项研究的分析发现，AI技术主要集中于疾病诊断与风险预测模型的开发阶段，真实世界应用仍局限于临床决策支持（CDS）及电子健康记录（EHR）文档自动化等有限场景。尽管大型语言模型（LLM）如ChatGPT展现出潜力，但亟需大规模临床试验验证其有效性并解决数据安全与算法公平性问题。

　　

背景：AI重塑初级医疗的机遇与挑战

随着美国国家医学院指出，人工智能（AI）技术与医疗保健的融合可能为患者护理带来革命性变革。尤其在门诊初级医疗场景中，AI在辅助临床决策、优化诊疗流程等方面展现出巨大潜力。然而，尽管技术快速发展，AI在真实世界初级医疗环境中的实际渗透程度仍不明确。本研究通过范围综述方法，系统梳理2019年至2024年间AI在非急诊门诊初级医疗中的功能实现、试验进展与整合现状。

研究方法：系统性文献筛选与数据分析

研究团队严格遵循乔安娜布里格斯研究所（JBI）方法论框架，并按照PRISMA-ScR指南进行报告。通过检索MEDLINE、CINAHL、Scopus及ClinicalTrials.gov数据库，最终从3203篇文献中筛选出61项符合标准的研究。采用主题分析法对AI应用领域、研究阶段和实施状态进行综合评估。

研究结果：应用集中度高且实施阶段偏早

结果显示，AI应用高度集中于疾病诊断（25%）和风险预测（23%）两大领域，涉及心血管疾病、糖尿病、皮肤病病理学、认知障碍等常见初级医疗场景。临床决策支持（15%）和提供者认知支持（8%）相关研究较少，而实践管理、风险调整分组等领域几乎空白。从实施阶段来看，43%的研究处于模型开发期，仅10%进入临床使用阶段，且多集中于生成式AI医疗文档自动化等有限场景。

核心应用场景深度解析

在疾病诊断与风险预测领域，研究团队验证了AI在心电图分析、视网膜病变筛查、皮肤病分类等方面的卓越表现。例如，基于深度学习的心律失常检测模型已达到心脏病专家水平（Hannun等2019），而糖尿病视网膜病变筛查算法在初级医疗场景中展现出高准确性（Gulshan等2016）。然而，这些模型多基于回顾性电子健康记录（EHR）数据开发，缺乏对患者预后指标的直接影响验证。

临床决策支持系统主要聚焦于处方优化、指南依从性提升等领域。其中，针对非复杂性尿路感染的抗菌药物管理算法（Kanjilal等2020）和高血压个性化治疗方案推荐模型（Ye等2020）显示出临床实用性。值得注意的是，基于大型语言模型（LLM）的文档自动化工具（如Nuance DAX）已能有效减轻临床文档负担，但相关研究多局限于单中心试点。

实施挑战与局限性

研究揭示了AI整合至初级医疗的多重障碍：首先，技术层面存在与现有电子健康记录（EHR）系统的兼容性问题及数据安全隐忧；其次，组织层面需应对工作流重构和医护人员培训挑战；此外，商业AI产品的快速部署常缺乏学术验证，而联邦资助更倾向于疾病特异性项目，导致初级医疗AI创新资源不足。更关键的是，算法公平性研究缺失可能加剧健康不平等，特别是在不同种族、社会经济背景人群中的表现差异尚未充分评估。

未来发展方向

为实现AI在初级医疗中的负责任整合，需优先开展以下工作：推进大规模有效性试验（如通过学习型医疗系统网络）；建立LLM应用透明度标准以防范幻觉输出风险；加强开发者与医疗机构的协作数据访问机制。同时，应特别关注AI在不同人群（包括年龄、地理、社会经济维度）中的影响差异，确保技术普惠性。正如Johnson等（2025）所强调，只有通过验证、整合与包容性并重的多维度推进，AI才能真正转化为提升初级医疗质量的驱动力。

结论

本研究通过系统梳理揭示，AI在初级医疗中的应用仍处于早期发展阶段。尽管技术在诊断辅助、文档自动化等场景展现价值，但距离规模化临床落地尚有差距。未来需通过强化临床试验、优化技术整合路径、建立伦理规范三位一体的推进策略，方能实现AI在初级医疗场景中的可持续价值创造。