Nature临床 AI · EHR 代理
Ferber D, Kather J N et al. — TU Dresden / EKFZ for Digital Health
MIRA 是首个在沙箱 EHR 中自主完成全流程临床决策的 AI 代理：问诊→检查→诊断→处方→住院计划，对 574 个急诊病例的诊断准确率 88.9%，超越主治医生的 78.1%。
- 方法：FHIR 合规的多工具代理框架（85,000+ 操作选项），患者模拟代理提供对话环境，独立医学评审
- 结果：诊断准确率 88.9%（vs 主治医生 78.1%，住院医师 71.1%）；阑尾炎召回率 100%；零高危药物交互
- 亮点：不只是聊天机器人——MIRA 在真实 EHR 流程中执行权限范围内的实际临床操作
编者按这是临床 AI 发展的标志性事件。过去的医疗 AI 要么只做诊断建议、要么只做单步问答；MIRA 第一次把"问病史→查检查→下诊断→开处方→安排入院"整个工作流闭环在一个代理里，并在对照实验中超越了真实医生。同期 Nature 上的 AMIE（Google DeepMind）在 100 个多轮管理场景中也超越了 21 位全科医生。一周之内两篇 Nature，AI 作为临床协作者的时代正式到来。
局限 · 在模拟 EHR（MIMIC-IV）上测试，覆盖 8 种诊断，尚未在真实临床环境前瞻性验证；特定抗生素选择等精细处方决策仍不完善，需严格人工监督。
临床 AI 代理EHR自主诊断Nature 2026
Nature临床 AI · 疾病管理
Palepu A, Liévin V, Weng W H, Saab K, Tu T, Karthikesalingam A, Schaekermann M et al. — Google DeepMind
AMIE 的疾病管理版本在 100 个多轮临床场景（对应 UK NICE/BMJ 指南）中与 21 位全科医生对比，治疗精准度和检查选择均超越医生，困难医学决策推理（RxQA）中同样领先。
- 方法：Gemini 长上下文 + 临床指南 RAG + 药典检索，多轮跨就诊对话管理，盲法 OSCE 评估设计
- 结果：治疗精准度和检查合理性超越全科医生；RxQA 困难案例显著领先；指南符合度高于人类对照组
- 亮点：把 AI 的优势从"单次问答"延伸到"跨就诊的慢病管理"，这才是真实临床工作的主战场
编者按与 MIRA 同期发表，但切入点不同——MIRA 聚焦急诊 EHR 操作闭环，AMIE 聚焦门诊多轮疾病管理。两者合在一起，覆盖了从急性到慢性、从操作到对话的两条核心临床路径。长期慢病管理恰恰是医疗系统最超负荷的部分，AI 在这里的突破或许比急诊诊断更有现实意义。
局限 · 虚拟 OSCE 场景仍是模拟；评估仅覆盖英国 NICE/BMJ 指南体系，跨医疗体系（如中国或美国 ACG）的泛化尚待验证；尚未处理多模态影像输入。
疾病管理 AI多轮对话AMIENature 2026
JAMA Network Open临床 AI · 文档
Grolleau F, Liang A et al. — Stanford Medicine / JAMA Network Open
10 周临床试点（Sequoia Hospital 24 床单元），AI 生成出院小结在主观上节省超 10 分钟/份，显著降低医生倦怠评分，但实际计时节省仅 3 分钟，2% 存在幻觉。
- 方法：11 名住院医师日常使用 AI 出院小结，评估准确性、感知节时和倦怠量表（10 周，100 份摘要）
- 结果：25% 存在遗漏，20% 有不准确，2% 有幻觉；88 份无潜在危害；倦怠评分显著下降
- 亮点：发现"感知价值"与"实际节时"的分离——医生愿意接受 AI 工具，是因为减少了认知负担而非纯粹节约时间
编者按这个数据提供了一个重要校准：AI 出院小结在真实部署中仍有 25% 遗漏率和 2% 幻觉率，离"可以无监督使用"还有距离。但倦怠评分的下降是真实的——说明 AI 的价值不仅在于效率，还在于把医生从重复性文档工作中解放出来。在 MIRA/AMIE 的宏大叙事旁，这篇来自真实临床的现场报告格外值得参考。
局限 · 仅 11 名医生、100 份摘要的小规模试点，单一医院背景，缺乏随机对照；实际节时效果与感知差距大，可能受安慰剂效应影响。
出院小结医生倦怠临床部署Stanford