鲍莫尔成本病解释了医疗服务为何越来越贵，而 AI 医疗的下游应用正是对这一成本结构的回应。 经济学家鲍莫尔于 1967 年提出的两部门非平衡增长模型指出：进步部门单位劳动力成本维持不变，而停滞部门（如医疗服务）单位成本不断上升。《福布斯》专栏作家蒂姆·沃斯托在《改变医疗服务价格曲线的方式：解雇医生》中据此认为，解决办法之一是用机器替代医生。以 ChatGPT 为代表的 AI 已在远程医疗虚拟助手、临床辅助决策、远程患者监护、心理咨询、病历保存、医疗翻译、药物管理、疾病监测等场景展开落地空间。

从鲍莫尔成本病到 AI 替代逻辑

鲍莫尔模型的核心是：进步部门有正劳动生产率增长率，停滞部门则没有。结果就是停滞部门的单位产品成本持续上升，若需求并非完全无价格弹性，该部门可能不断萎缩。医疗正是典型的停滞部门——这为 AI 在医疗领域的应用带来了巨大想象空间。沃斯托的论点直接指向供给侧：用机器来替代医生，重塑价格曲线。

AI 医疗的主要下游应用场景

仅以 ChatGPT 为例，其在医疗领域可实现多种应用：

  • 远程医疗虚拟助手：帮助患者安排预约、接受治疗和管理健康信息。随着远程医疗兴起，患者更愿意在家接受护理，虚拟助手可提供远程管理健康所需的指导与支持。
  • 临床辅助决策：向医疗保健提供者提供实时的、基于证据的建议，例如针对特定情况建议治疗方案、标记潜在药物相互作用、为复杂案例提供临床指南，帮助临床医生节省时间、减少错误。此前有案例表明，一位宠物主人将检查信息输入 GPT-4，GPT-4 给出免疫介导性溶血性贫血（IMHA）作为选项，之后宠物果然得救。
  • 远程患者监护（RPM）：通过分析来自可穿戴设备、传感器和其他监控设备的数据远程监控患者，在病情恶化或出现担忧趋势时向医疗保健提供者发出警报，帮助及早干预、防止住院或其他并发症。
  • 其他方向：在心理咨询、病历保存、医疗翻译、药物管理、疾病监测等领域，GPT 都有着广泛的应用空间。

落地节奏与数据挑战

埃里克·托普在《深度医疗》中将自动驾驶汽车与 AI 医疗相提并论：在理想环境和交通条件下，自动驾驶汽车已达到 L3 水平，但 AI 医疗仍处在 L1 到 L2 的路上。他认为 AI 医疗不太可能超越自动设备的 3 级水平——诊断、阅片等工作可用 AI 辅助完成，但绝不能容忍没有人类医生和临床医生的监督。

数据则是另一重约束。医疗数据属于患者隐私，所有权理应属于患者，但实际中权属基本在医院方。AI 模型训练所需数据多通过企业与医院签署研发协议获得，通常做到“数据不出院，模型出院”。托普分析 IBM 医疗 AI 沃森的失败时指出，最基本的失误之一是将获取数百万页医疗信息等同于理解或使用这些信息——对现阶段的 AI 医疗产品而言，理解医疗数据远比获得数据更重要也更困难。

常见问题

AI 医疗能解决鲍莫尔成本病吗？

鲍莫尔模型揭示的是停滞部门单位成本持续上升的结构性趋势，AI 医疗被视为重塑这一成本曲线的可能路径之一。沃斯托提出的思路是用机器替代医生，但实际效果取决于技术成熟度与监管边界，需以行业后续实践为准。

AI 医疗目前处于什么水平？

埃里克·托普在《深度医疗》中的判断是：AI 医疗仍处在 L1 到 L2 的路上，不太可能超越自动设备的 3 级水平。诊断、阅片等工作可用 AI 辅助完成，但任何情况下都不能缺少人类医生和临床医生的监督。

AI 医疗落地最大的障碍是什么？

医疗数据是核心痛点。数据权属、隐私属性与“数据不出院”的隔离要求，使获取数据本身就有门槛；而托普对 IBM 沃森失败的复盘进一步提示，理解医疗数据比获得数据更重要也更困难。