JAMA当前期刊条目“Designing Trustworthy Clinical AI”介绍，JAMA+ AI副编辑Yulin Hswen与哥伦比亚大学欧文医学中心、纽约长老会医院的Emily Tat，以及贝斯以色列女执事医疗中心的Peter Brodeur进行访谈，主题是一个专门用于评估临床人工智能的研究网络。
从公开摘要看，这篇内容属于JAMA+ AI Conversations访谈或讨论，而不是单项临床试验报告。其关注点放在临床AI如何被评价、如何建立可信证据，以及医疗机构在引入算法工具时需要怎样的研究和治理结构。
临床AI工具近年来被用于影像识别、病历摘要、风险预测、分诊提示、治疗路径辅助和行政流程优化等场景。与普通软件不同，临床AI一旦影响诊断、治疗或资源分配，就会牵涉患者安全、偏倚、解释性、责任归属和持续监测等问题。因此，单纯展示模型在开发数据中的准确率，通常不足以证明其适合在真实医院环境中使用。
可信临床AI评估网络的价值，在于把模型表现放回实际医疗流程中考察。一个工具是否可靠，不只取决于算法指标，也取决于数据来源是否代表目标患者群体、医生是否能正确理解提示、系统是否会加重工作负担，以及模型上线后表现是否随时间漂移。
这类网络还可帮助不同医疗机构形成共同评价标准。若每家医院只在本地小范围测试，很难判断AI工具在其他人群、不同电子病历系统或不同临床路径中是否仍然有效。多中心、持续性的评估机制，有助于发现隐藏偏倚和边界条件。
需要注意的是，JAMA该条公开摘要并未提供具体模型、样本量或结局数据，因此不应把它解读为某一AI产品已被证明有效。更稳妥的理解是：医学界正在把临床AI从“能不能做出预测”推进到“能不能被可靠、安全、可监督地用于医疗”。
原文链接：http://jamanetwork.com/journals/jama/fullarticle/2849403
免责声明：本文仅供医学资讯参考，不构成医疗AI采购、临床使用或诊疗建议。任何临床AI工具都应在合规、伦理审查和本地验证基础上使用。
