71%美国医院已在电子病历中集成预测性AI：Tampa General运行110多个AI应用，脓毒症48小时死亡率压到3%
最新行业数据显示，至少71%的美国医院已在电子病历中集成预测性AI，超过四分之三的医疗系统至少有一个AI应用处于生产运行状态。Tampa General医院全天候运行110多个AI应用且未因此裁员，其脓毒症48小时死亡率维持在3%，远低于20%的全国平均水平。与此同时，2026年Scottsdale Institute与Deloitte调查显示，所有受访医疗系统都将照护模式转型列为最高优先级或非常重要，但自评把转型转化为规模化AI运营的能力仅为2.7分（满分5分）。
71%的美国医院已经把AI装进病历系统：装完之后，难题才刚开始
视角标签 ｜ 行业观察
组织管理视角 ｜ 研究转化视角
至少71%的美国医院已经在电子病历 (EHR) 中集成预测性AI，这个比例在几年前还是66%。超过四分之三的医疗系统至少有一个AI应用处于生产运行状态，约三分之二的医生在过去一年使用过医疗AI，较2023年接近翻倍。但在同一时间，医疗机构给自己把转型工作转化为规模化AI运营的能力打分，只有2.7分（满分5分）。
数据开场：71%的渗透率意味着什么阶段
渗透率跨过七成，通常意味着一项技术已经越过了采用曲线的分水岭——争议阶段结束，剩下的全是执行问题。
这个判断在这份行业数据里显得格外贴切。关于AI是否属于医疗的辩论正在退场，取而代之的是一个更棘手的追问：医疗系统要怎样改变人们实际工作的方式，才能让这些技术兑现承诺？
问题的性质在于，AI无论以Agent、生成式还是预测性的形态出现，都仍然需要人类监督与签核。挑战在于AI改变的不只是临床人员使用的工具，还有他们被期待完成的工作。
标杆解剖：110个AI应用与3%的脓毒症死亡率之间的因果要小心读
最能说明这种变化已经发生到哪一步的，是Tampa General医院。
这家医疗系统全天候运行超过110个AI应用，并且没有因此裁员。总裁兼首席执行官John Couris把他们的路径称为一种非常务实的做法，并明确表示医院没有为削减全职员工而部署AI，AI让同样的人做更多的工作。
脓毒症照护是这套路径的切片。Tampa General用AI监测患者生理指标的变化，检测到潜在问题时把照护者引导至病历，由临床人员确认这个关切是否成立；如果成立，就把相应团队带到床旁。这家医院的脓毒症48小时死亡率维持在3%，全国平均水平为20%。
从3%这个数字往回读，有两个层次需要分开。
第一层，它是结果指标，不是算法指标。从监测生理变化、引导至病历、临床确认、团队到床旁，中间横着四道人工环节。任何一道失灵，3%都不会成立。
第二层，Couris本人的归因也指向了人力一端。他把这项成绩的很大一部分归功于员工有效利用了AI提供的信息，而不只是技术本身。这个归因方式值得记录，因为它与行业里常见的叙事不同——不是模型多准，而是流程能不能接住模型给出的信号。
Couris还有一句更值得细读的表态：他宁愿AI的增补做得扎实而不是做得快，要确保临床人员对新的副驾驶感到舒适。
真正的瓶颈：2.7分的能力自评
把这些标杆案例放回整体，落差就出现了。
2026年Scottsdale Institute与Deloitte健康解决方案中心的调查显示，受访医疗系统无一例外地把照护模式转型列为最高优先级或非常重要——其中63%列为最高企业优先级，37%认为非常重要。但机构自评把转型工作转化为规模化AI运营的能力，只有2.7分（满分5分）。
热情满分，能力不及格线。这个组合在技术采用史上并不罕见，但它在医疗行业的后果更重，因为临床流程的重写不像更换办公软件那样可以容错。
人力约束：AI在缺人的行业里承担的是补位还是替代
要理解2.7分的成因，绕不开劳动力这道硬约束。
Lumeris首席医疗与商务官David Carmouche的判断是，美国没有足够的人力为所有美国人提供初级保健服务。他把矛盾讲得很直白：我们既缺少足够的人来交付初级保健，又不愿放弃人类必须参与医疗这一前提；那么问题就变成，如何在受限的劳动力下满足全部人群的需求？
他提出的方向是情境化临床决策支持，让初级保健医生能处理一部分原本需要专科医生的病症，也让执业护士、医师助理、社会工作者与照护协调员在现有岗位上获得更多支持。但他同时指出一个尚未解决的问题：在医疗系统内部重组工作，并不保证系统之外的患者也能受益，那些从医疗交付缝隙中漏掉的人，我们还没有解决。
同样的张力在临床研究场景里重现。MD Anderson癌症中心首席临床研究官Jennifer Litton关心的问题不是AI能不能帮助撰写临床试验方案，而是能不能打通后续那些割裂的环节：一项试验需要覆盖判定、预算、合同，以及写进电子病历的医嘱集。每一个环节都是设计与入组之间的一道门槛。她的问题是，AI能不能把这些拿下来，让原本需要六个月的流程压缩到60天。
冷静观察：从装上去到用起来，中间隔的是流程重写
把这几条线索并起来看，2026年的美国医院AI呈现出一种明显的双速状态：装机速度快，改流程速度慢。
趋势判断有三个层次。
其一，渗透率数据本身会继续攀升，因为它度量的是集成与否，而不是用得好不好。71%还会往上走，这个数字的参考价值会持续下降。
其二，真正的竞争指标会从应用数量切换到流程压缩幅度。Tampa General的110个应用是能力储备，3%的死亡率是结果；MD Anderson关注的从六个月到60天是另一种结果。组织之间的差距将体现在能把多少AI信号改写成可计量的流程时长上。
其三，2.7分的能力自评短期内不会因为模型变强而自动修复。它度量的是重组工作的能力，不是算法能力。这也解释了为什么那些做得最实的机构，反复强调的都是同一个词——务实，以及慢一点、做扎实。技术可以快速迭代，围绕旧流程建起来的组织不会自动跟上。
装上去是采购决策，用起来是管理工程。这中间的鸿沟，才是2026年医疗AI真正的分水岭。
原文链接：Complete AI Training
千方医数集编辑部 出品
