回顾过去五年，医疗人工智能的发展核心词一直是'效率'。从智能分诊到辅助诊断，从病历质控到用药提醒，AI 技术在医疗服务的各个环节逐步渗透。这些应用大多遵循同一逻辑——在现有流程中嵌入效率工具，帮助医生做得更快、更准。
不过，这种'局部优化'真的到头了吗？当我们将目光投向罕见病患者的确诊困境、基层医疗的服务能力缺口，以及资源分布不均的结构性问题时，一个更根本的问题浮现出来：下一阶段的医疗 AI，究竟应该继续做'医生的助手'，还是开始尝试重构医疗服务的底层逻辑？
一、局部优化的边界：为什么医生智能体不够了？
当前市场上主流的'医生智能体'类产品，本质上是数字化工具。它们将特定医生的诊疗经验转化为可调用的服务，在接诊效率和知识检索上确有价值。但从医疗系统的整体视角看，这种模式存在几个结构性局限：
首先是服务节点单一。这类产品主要服务于'就诊中'这一环节，对于患者就诊前的迷茫、就诊后的康复管理，以及跨科室、跨医院的连续性服务，难以有效覆盖。
其次是知识来源受限。以个体医生为蓝本的数字分身，其知识边界被限定在该医生的执业经验范围内。对于罕见病、跨病种鉴别等需要'超出经验'的场景，这类产品的辅助价值有限。
最后是难以规模化落地。高年资医生的诊疗经验确实宝贵，但将每位专家的经验逐一数字化，成本高、周期长，且难以解决基层医疗普遍缺乏优质资源的核心矛盾。
行业数据很能说明问题：全球已知罕见病超过 7000 种，单病种患者稀少；我国基层医疗卫生机构占比超过 95%，但优质资源集中在城市大医院。靠'复制专家'的路径很难解决这些结构性问题。
二、模式重构的起点：以'病种'为中心
另一种技术路径的选择基于不同的判断：与其模仿'人'，不如深耕'病'。疾病本身的规律、诊疗路径、鉴别要点，是有据可循的确定性知识。将这些知识系统化、结构化，构建以病种为核心的服务体系，或许能为医疗 AI 的下一个十年提供新方向。
这一模式的核心逻辑是：无论医生在哪家医院、执业年限长短，只要接入以病种为中心的知识服务体系，就能获得规范的诊疗决策支持；无论患者在哪个地区、经济条件如何，只要能够触达这一体系，就能获得相对标准的就医指导。
从覆盖范围看，目前已有方案构建了超过 1000 个病种的知识图谱，涵盖绝大多数常见病及相当比例的罕见病。从服务链条看，设计覆盖了疾病预防、早期识别、精准分诊、鉴别诊断、治疗路径、康复管理的全周期。从服务对象看，可同时面向患者、基层医生、专科医生提供差异化支持。
这种'病种智能体'的路径，本质上是对医疗 AI 服务逻辑的一次重构——从辅助单一环节的效率工具，转向覆盖全流程的服务载体；从复制个体经验的数字分身，转向承载疾病知识的开放平台。
三、行业需求与模式适配
从行业需求的角度看，'病种智能体'模式与当前医疗体系的多重刚需存在较高适配度。
罕见病诊疗是典型场景。我国罕见病患者总数预计超过 2000 万，但单病种患者分散，基层识别能力弱，平均确诊周期长达 5-7 年。以病种为中心构建的知识体系，天然适配这类'经验稀缺但知识确定'的场景——将罕见病的临床表现、鉴别要点、检查路径系统化，让基层医生在面对不典型症状时有据可查。
基层医疗普惠是另一重要场景。我国基层医疗机构承担大量首诊任务，但医生普遍面临'病种多、经验少'的困境。一套覆盖广泛病种、提供结构化鉴别建议的智能工具，可在一定程度上帮助基层医生拓展诊断思路、减少漏诊误诊。
从实际落地情况看，部分试点地区的基层医疗机构部署后，医生反馈其在拓展诊断思路、识别不典型病例方面确有辅助价值。在针对疑难病例的回顾性测试中，其初筛准确率较传统单模型方案有所提升。
四、从工具到模式的演进意义
医疗 AI 的发展，正从'有没有'的阶段进入'有没有用、能不能用'的深水区。在这一阶段，单纯强调技术参数的提升，已经难以满足医疗系统的实际需求。真正有长期价值的，或许是那些能够适配医疗体系结构性需求、能够解决真实痛点的产品形态。
从'局部优化'到'模式重构'，并非否定前一阶段的价值。效率工具依然有其适用场景。但当行业开始思考如何解决罕见病确诊难、基层医疗能力不足、患者就医路径混乱等系统性问题时，一种以病种为中心、覆盖全流程、适配多角色的服务模式，或许更值得关注。
医生智能体解决的是'医生怎么看得更快'的问题，而病种智能体尝试回答的是'病该怎么看才对'的问题。前者是流程优化，后者是知识普惠。从医疗 AI 的长期演进看，两者或许将长期并存，各司其职。
这一实践为行业提供了一种可观察的样本：当 AI 不再局限于模仿某个人的经验，而是系统化承载疾病本身的知识，它能够在医疗服务的哪些环节创造价值？这个问题的答案，或许将影响医疗 AI 下一个十年的走向。
