《Clinica Chimica Acta》:Integrating artificial intelligence into medical laboratories: A structured implementation framework
医学实验室(medical laboratories)面临日益增加的复杂性与需求。人工智能(Artificial Intelligence, AI)提供解决方案,以提升效率、诊断准确性(diagnostic accuracy)和预测(prediction)。研究人员提出在保障质量(quality)与患者安全(patient safety)的同时负责任地采用AI。研究人员呈现医学实验室中AI三级整合(3-level integration)的指南。
Avi Peretz、Hanoch Goldshmidt、Sari Peretz、Marielle Kaplan、Orna Schwartz、Ronit Marco、Maya Azrad撰写的该文,是一篇关于将人工智能(Artificial Intelligence, AI)整合入医学实验室(medical laboratories)的结构化实施框架文章。研究背景是现代医学实验室承担常规诊断、专门检测、方法研发、技术验证、质量保证和公共卫生政策支持等职责,同时面临工作量增加、人员短缺、技术复杂化、临床数据解释困难、基础设施压力与预算约束。已有调查显示,欧洲医学实验室中仅25.6%积极参与AI实施项目,60%受访者承认对AI几乎无实际操作知识,信息与专业技能不足是主要障碍。因此,研究人员旨在综述AI进入实验室工作流的优势与局限,提出基于当前最佳实践的结构化方法,并为国际、国家和组织层面建立治理框架提供建议。研究人员得出,AI可提升效率、诊断准确性、预测能力、质量管理和行政优化,但也会带来偏倚、法律伦理、劳动力转型和过度依赖等风险;成功整合依赖于跨层级治理、持续培训、监管监督和人类专业判断。其重要意义在于为实验室负责任地采用AI、保障质量与患者安全提供路线图。
为开展该研究,研究人员未进行原始实验,也无样本队列;其方法可概括为结构化叙述性综述与框架综合,整合世界卫生组织(World Health Organization, WHO)、国际标准化组织(International Organization for Standardization, ISO)、临床化学与检验医学欧洲联盟(European Federation of Clinical Chemistry and Laboratory Medicine, EFLM)、健康AI联盟(Coalition for Health AI, CHAI)、美国食品药品监督管理局(U.S. Food and Drug Administration, FDA)、欧洲药品管理局(European Medicines Agency, EMA)及欧盟人工智能法案(EU Artificial Intelligence Act)等框架,并引用EFLM欧洲调查、AI基因组解释器、数字全息显微、CoMIGHT、患者实时质量控制(patient-based real-time quality control, PBRTQC)和SARS-CoV-2监测等示例证据,构建国际—国家—组织三级治理与实施路线图,并提出培训、监管、预算和评估建议。
研究结果如下。
1 引言:医学实验室是现代医疗系统核心,AI已从传统机器学习自动化扩展到深度学习、自然语言处理和计算机视觉,支持多模态数据整合、自适应学习和临床决策支持;但调查显示AI实施率和人员知识不足,因此需要结构化整合方法。
2 医学实验室预期挑战
2.1 工作量增加:可提供检测项目在20年内翻倍,2014年至少3500项,人口增长与老龄化、癌症和心血管等慢病、气候变化与迁移相关新发感染、个性化医疗均增加需求。
2.2 劳动力挑战:全球合格实验室人员短缺,现有人群面临压力与倦怠,诊断技术快速演变要求持续培训和技能提升。
2.3 技术挑战:数字化工具依赖增加,网络安全与数据隐私风险突出;2025年英国和美国医学实验室遭网络攻击,勒索软件泄露患者记录,需稳健IT基础设施、操作协议和持续警觉。
2.4 临床医生对诊断数据的解释:大数据和复杂检测如基因组学、蛋白质组学使临床医生难以准确整合信息;原始数据需被语境化并转化为可行动信息,以支持个性化治疗、早期诊断和改善结局。
2.5 基础设施挑战:复杂工作流依赖可靠计算与通信网络,仪器需不间断电源和气候控制,能源消耗和可持续性压力大;电子健康记录(Electronic Health Records, EHR)、中间件和实验室信息系统(Laboratory Information System, LIS)的整合与互操作困难,健康水平七(Health Level Seven, HL7)和快速医疗互操作性资源(Fast Healthcare Interoperability Resources, FHIR)可促进结构化交换;WHO框架强调气候韧性与低碳卫生系统。
2.6 预算约束:先进计算机系统和AI可长期节省成本,但前期投资高,小型或预算紧张机构难以承担;许可、维护、更新和人力培训持续支出加重压力。
3 AI在实验室医学中的作用与益处
3.1 自动化与运营效率:AI可在分析前、分析中和分析后阶段减少重复任务,识别冗余或不适当检测,按临床紧急性和实验室能力排序,评估标本质量及溶血、黄疸、脂血等干扰,辅助结果解释、验证、资源分配和调度。
3.2 诊断准确性与质量:AI算法在复杂诊断数据中提高敏感性和特异性;AI基因组解释器诊断罕见遗传病候选变异准确率达96.7%;血液学数字成像可预分类外周血白细胞并评估红细胞和血小板形态;微生物学中AI图像分析用于革兰染色和培养工作流,数字全息显微可快速数字化血培养革兰染色并自动解释常见细菌形态;预测能力支持避免不必要检测,并与基于价值的实验室医学(value-based laboratory medicine, VBLM)一致。
3.3 支持新检测方法验证:AI可分析大型复杂验证数据集、识别离群值和不一致、加速统计比较与重复性检查;快速PCR检测设计中,针对数千病毒基因组序列进行计算机预测和验证,使开发时间减少90%;CoMIGHT用于判断多组生物标志物组合能否增强癌症检测。
3.4 疾病趋势预测分析:AI聚合组织、区域、国家和全球实验室网络数据,预测暴发、季节模式和健康威胁;对英格兰SARS-CoV-2 PCR循环阈值(cycle threshold, Ct)值进行迭代序列回归分析,可早期提示Delta和Omicron等新变异出现与传播。
3.5 质量与风险管理:AI实时监测检测性能并自动警报偏差或失败;PBRTQC增强AI模块可改善质量控制、标准化和错误检测;风险预测模型可预判设备故障或流程中断,支持主动维护。
3.6 行政优化:智能系统辅助规划、排程、资源优化、人员与库存管理,预测性订购确保供应及时补给,AI平台改善内部沟通和知识共享,并模拟财务与运营情景支持战略决策。
3.7 成本降低:AI在运营、诊断、行政和战略领域的累积影响可节省成本,提高效率、减少错误、优化资源并减少停机。
4 AI整合的挑战与风险
4.1 错误与偏倚:AI依赖开发与运行数据,检测缺乏协调、数据标准化和互操作不足、某些社会人口群体代表不足会引入偏倚,影响准确性和泛化,导致错误临床决策和患者伤害;EFLM提出基于实验室数据的AI/机器学习模型评估清单。
4.2 法律与伦理挑战:诊断错误或数据误读时,责任可能涉及实验室、医生或AI开发者;深度神经网络等“黑箱”缺乏透明性和可解释性,难以确定错误来源和因果关系;未使用可改善诊断的AI也可能被主张为过失;伦理问题包括不公平偏倚、透明度、知情同意、数据所有权和AI增强服务公平可及。
4.3 劳动力颠覆与技能差距:AI采用可能影响实验室人员,自动化减轻常规负担但引发岗位替代和职业身份侵蚀担忧;人员角色转向数据提供者、分析输出批判性消费者和AI结果评估者,需要技术再培训和数字素养,心理抵抗也是障碍。
4.4 过度依赖与人类专业知识丧失:自动化偏倚可能逐渐导致专业去技能化,减少临床医生接触多样病例和独立决策机会,实验室可能丧失机构知识和临床判断。
5 医学实验室实施AI的结构化框架
5.1 国际层面
5.1.1 伦理框架开发:WHO等提出自主、受益、不伤害、公正、透明和问责六项核心原则,应嵌入实验室AI系统。
5.1.2 国际标准与指南开发:ISO/CD 24051分两部分,分别覆盖医学实验室AI应用一般原则及数字病理和AI图像分析;ISO 15189仍是质量和能力基石,可支持验证、生命周期管理和可追溯性;标准更新慢,指南更灵活,CHAI 2025年发布指导文件并更新;建议标准保持原则性,指南保持实用性并明确禁止用途,如偏倚数据集、不可解释黑箱、无保障自动化覆盖人类判断。
5.1.3 更新培训项目:实验室人员需转向数据管理者和AI输出评估者;EFLM提供300多讲课程,CHAI宣布自愿认证;能力应包括数据素养、人机协作、可解释性与审计、沟通和伦理推理;Ade强调临床实验室AI使用标准操作程序(standard operating procedure, SOP)、强制培训和年度能力评估。
5.1.4 多学科国际工作组:建议建立多学科国际工作组,涵盖实验室人员、AI开发者、研究者、伦理学家、社会科学家、数据科学家、法律专家、教育者、变革管理和监管机构;FUTURE-AI由117名专家来自50国,提出公平、普遍、可追溯、可用、稳健和可解释原则;EFLM设数字化的AI委员会(Committee on Digitalization and Artificial Intelligence, C-AI)和AI工作组(Working Group on Artificial Intelligence, WG-AI);GI-AI4H提供全球协调;建议建立正式咨询渠道和国家代表网络。
5.1.5 全球论坛与知识平台:论坛促进同行交流、共识和最佳实践传播,补充正式工作组,推动创新和自下而上贡献。
5.1.6 利益相关者自上而下与自下而上沟通:需要全球组织、工作组、国家监管者和地方实验室双向沟通,反馈可包括案例研究、实施反馈和培训需求。
5.2 国家层面
5.2.1 国家层面指南:美国CHAI的负责任使用AI in Healthcare(Responsible Use of AI in Healthcare, RUAIH)提出AI政策与治理、隐私与透明、数据安全、质量监测、安全事件自愿盲报、风险与偏倚评估、教育培训七要素。
5.2.2 确保数据安全与隐私的基础设施:需遵守HIPAA和GDPR,并实施传输和静态加密、访问控制、访问日志审计、事件响应、数据使用协议、安全评估、漏洞扫描和审计权。
5.2.3 解决AI使用责任与问责的立法:责任应按各方控制或自主程度比例分配,但黑箱模型使应用困难;未使用AI可能构成过失;美国ACA第1557节最终规则将AI临床决策支持工具纳入范围,要求评估敏感变量并防止歧视。
5.2.4 监管监督机制:FDA发布AI设备全生命周期管理、透明、偏倚缓解和上市后性能监测指南;EU AI Act第73条要求高风险AI系统提供者向国家当局报告严重事件;需强制事件报告、系统性能审计、突击检查和集中注册。
5.2.5 支持AI整合的专项预算:政府资金支持基础设施、工具和培训,2025年美国HHS AI战略计划强调专项资助、基础设施、人员培训和公私合作;DOE和NSF投资AI测试床,CMS AI Health Outcomes Challenge和NSF-NIH Smart Health合作提供资助。
5.2.6 实验室人员培训项目设计与部署:AI实施专长将成为核心能力,培训应与EFLM、ISO 15189和AI指南对齐,并适应国家卫生系统和教育路径;课程应经国家监管批准,纳入AI算法决策支持、数据质量、偏倚检测和人机协作,并进入认证与执照考试及继续教育。
5.2.7 国家论坛与知识平台:应促进实验室、学术、产业和监管合作,支持继续教育、咨询渠道和导师计划,加速学习并降低实施风险。
5.3 组织层面——机构治理与实施路线图:AI整合应作为战略转型项目而非软件安装;建立多学科AI治理或指导委员会,涵盖实验室和临床领导、信息技术、数据科学、质量与患者安全、法律监管、伦理公平专家,监督AI生命周期;Liao等展示大型卫生系统中多学科指导委员会和子委员会从有效性、用户可接受性到部署和持续监测的治理;Hussein等系统综述识别组织结构为核心治理域并提出成熟度模型;路线图包括战略规划、需求评估、利益相关者参与、技术选择与评估、治理审查与批准、试点测试、培训与变革管理、实施与部署、监测与评估、反馈与迭代、持续支持与再评估。
6 结论:讨论部分强调AI整合不是一次性实施事件,而是持续组织过程,需机构监督、结构化实施、监测和再评估,将治理原则转化为安全、有效和可持续实践。
研究结论部分翻译如下:人工智能(AI)提供显著益处,如改善效率、诊断准确性和预测能力,但其采用引入技术、伦理和组织挑战,需要谨慎管理。AI采用决策必须基于信息。为支持这一点,该文提供了AI整合益处与挑战的基础背景,尤其考虑到当今实验室面临的操作和劳动力压力。为应对上述整合复杂性,研究人员提出一个跨国际、国家和组织层面运行的结构化框架,强调适应性、透明度和持续学习。该方法旨在确保实验室能够负责任地利用AI,同时保持质量和患者安全。必须认识到,AI是支持性工具,而非实验室专业人员的替代品。人类专业知识对于监督、验证和解释仍然不可或缺,尤其在复杂或非典型病例中。成功实施取决于技能人员的积极参与。未来研究应探索如何将指南适配不同实验室类型和情境,以及实施结果在不同医疗系统中如何变化。