鲍莫尔成本病揭示了医疗行业“人力成本刚性上涨”的结构性难题——医生单位时间能服务的患者数量有限，而社会整体生产率却在提升，导致医疗服务价格持续攀升。AI医疗被视为破解这一困局的關鍵路径，而国产AI医疗的突围核心，在于构建“数据不出院、模型出院”的自主训练体系，实现从算法到算力的自主可控，同时守住医疗数据主权与安全底线。

鲍莫尔成本病与AI医疗的必然性

美国经济学家鲍莫尔在1967年提出的两部门非平衡增长模型中指出：进步部门（制造业等）的劳动生产率持续提升，而停滞部门（医疗、教育等服务业）的劳动生产率增长缓慢，导致其单位产品成本不断上升。医疗服务正是典型的“停滞部门”——一位医生单位时间能诊治的患者数量相对刚性，但人力成本却随社会整体薪资水平水涨船高。

《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》中明确提出，解决鲍莫尔成本病的最好方式是用机器替代医生。AI在医疗领域的应用因此获得巨大想象空间：从远程医疗虚拟助手、临床辅助决策，到远程患者监护、病历保存与药物管理，AI均能在提升效率的同时降低对人力增长的依赖。

国产AI医疗的自主可控与数据安全突围

AI的三大基石是数据、算法与算力，而医疗数据被称为AI时代的“石油”。但医疗数据的权属问题始终是核心痛点：医疗数据属于患者隐私，所有权理应属于患者；实际中权属基本在医院方；也有观点认为所有权在患者、控制权在医院、管理权在政府，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。

在此背景下，国产AI医疗的突围路径逐渐清晰：

  • 数据不出院，模型出院：目前AI模型训练所需的医疗数据，大都是通过企业和医院签署研发协议获得。实际操作中，医院与企业会做好物理隔离，通常采用“数据不出院，模型出院”的模式，即数据在院内完成训练，仅输出模型成果，从机制上保障患者隐私与数据安全。
  • 理解数据比获得数据更重要：在《深度医疗》中，埃里克·托普分析IBM医疗AI沃森的失败时指出，“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。”国产AI医疗需要在专业深耕的基础上，真正理解医疗场景，而非仅堆砌数据。
  • 从算法到算力的自主可控：依赖国外基础模型存在数据出境与供应链风险，国产AI医疗需要在核心算法与算力基础设施上构建自主体系，才能确保医疗数据主权不受外部制约。

常见问题

什么是“数据不出院，模型出院”模式？

这是目前国内AI医疗企业与医院合作的主流模式：医疗数据在医院内部完成清洗与模型训练，企业仅获得训练后的模型成果，原始数据不离开医院环境。这一模式既满足了AI模型训练对数据的需求，又从物理层面保障了患者隐私与数据安全。

医疗数据的权属到底归谁？

医疗数据的所有权属于患者个人，控制权在医院方，管理权在政府。第三方机构若要商业化开发医疗数据，需借助政府支持和医院配合，通过签署研发协议等合规途径获取数据使用权，而非直接拥有数据。

AI医疗目前处于什么发展阶段？

与自动驾驶分级类似，AI医疗目前仍处于L1到L2的阶段，即AI可辅助完成部分诊断、阅片等工作，但绝不能脱离人类医生的监督。正如埃里克·托普所言，AI医疗不太可能超越自动设备的3级水平，在任何情况下都不能容忍没有人类医生和临床医生的监督。