医疗服务价格因鲍莫尔成本病持续上涨，AI医疗能否扭转医疗数据的成本曲线？

医疗服务价格因鲍莫尔成本病持续上涨，AI医疗能否扭转医疗数据的成本曲线？答案是：AI医疗有潜力通过自动化降低人力依赖来改变成本曲线，但医疗数据获取与清洗的高昂成本仍是核心制约，短期内难以彻底扭转。

鲍莫尔成本病解释了医疗服务价格持续上涨的底层逻辑。经济学家鲍莫尔在1967年构建的两部门模型中指出，进步部门（如制造业）劳动生产率持续增长，单位产品成本维持不变；而停滞部门（如医疗服务）劳动生产率增长缓慢，单位产品成本将不断上升。简单来说，一位医生单位时间能诊治的患者数量相对刚性，但社会整体生产力在提升，因此医生的服务价格会持续上涨。《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》中提出，解决这一问题的方向是用机器来替代医生，这正是AI医疗切入的核心逻辑。

AI医疗如何改变成本结构

AI医疗的核心价值在于将停滞部门的部分人力劳动转移给机器。以ChatGPT为例，其在医疗领域已展现出多种应用可能：远程医疗虚拟助手可帮助患者安排预约、管理健康信息；临床辅助决策可向医疗保健提供者提供实时的、基于证据的建议，标记潜在的药物相互作用；远程患者监护可通过分析可穿戴设备数据，在患者病情恶化时向医疗保健提供者发出警报。这些应用的本质，都是用算法替代重复性人力劳动，从而降低单位服务的边际成本。

不过，AI医疗的落地进度仍需理性看待。在《深度医疗》中，埃里克·托普将AI医疗与自动驾驶相类比：目前自动驾驶汽车在理想条件下已达到L3水平，而AI医疗仍处在L1到L2的路上。托普认为，AI医疗不太可能超越自动设备的3级水平——阅片、诊断等辅助工作可由AI完成，但任何情况下都不能容忍没有人类医生的监督。

数据成本：AI医疗的第一驱动力与最大瓶颈

数据被称为AI时代的“石油”，但在医疗领域，数据获取与处理成本极为高昂。医疗数据属于患者隐私，实际中权属基本在医院方，第三方机构需借助政府支持和医院配合方能进行商业化开发。在数据收集到模型建立过程中，医院和企业通常采取**“数据不出院，模型出院”**的物理隔离方式，这增加了协作成本。

从市场端看，医疗数据的商业化仍处于极早期。根据动脉网的报道，国内各大数据交易所已有不少将“医疗卫生”数据纳入交易品类，但目前仅有贵州大数据交易所上架了一款“儿童构音障碍早筛语音数据”产品，售价25万元，累计交易2笔。这一案例说明，医疗数据的交易流通尚不成熟，数据成本高企且难以规模化。

更深层的挑战在于，理解医疗数据远比获得数据更重要。埃里克·托普在分析IBM医疗AI沃森的失败时指出，其“最基本的失误之一，就是将获取数百万页的医疗信息等同于理解或使用这些信息”。如果不能深刻理解所服务的行业，再多的数据也只是徒耗电力。

常见问题

AI医疗能否完全替代医生？

不能。埃里克·托普认为，AI医疗不太可能超越自动设备的3级水平。很多诊断、阅片工作可以用AI辅助完成，但就医学整体而言，任何情况下都不能容忍没有人类医生和临床医生的监督。

医疗数据交易目前处于什么阶段？

极早期阶段。国内大数据交易所虽已开始将医疗卫生数据纳入交易品类，但实际成交案例极少——目前仅有贵州大数据交易所上架的一款儿童构音障碍早筛语音数据产品，售价25万元，累计交易2笔。

AI医疗改变成本曲线的最大障碍是什么？

数据成本与理解成本。一方面，医疗数据获取、清洗、标注成本高企，“数据不出院”的物理隔离增加了协作成本；另一方面，理解医疗数据远比获得数据更困难，如果不能深刻理解行业，再多的数据也难以转化为有效的医疗AI能力。