覆盖6166家医院的全美研究：可及工作流AI的县，住院死亡率低9.9%
Drexel大学团队在medRxiv发布的一项全国观察性研究，将美国医院协会2024年度调查（覆盖2023年6166家医院的AI与机器人采用数据）与Medicare、CDC及县级健康数据（3143个县）关联，采用交叉拟合双重稳健估计发现：可及工作流AI医院的县，住院死亡率每10万居民减少25.5例（降幅9.9%）；使用AI排班的医院SEP-1脓毒症集束化治疗依从性高约4%，用AI做常规任务自动化的医院30天肺炎死亡率低约5.1%，可预防住院减少7.2%。但研究同时揭示严重数字鸿沟：仅65.8%的美国人口住在AI医院30分钟车程内，约1.146亿人在圈外，AI可及性基尼系数高达0.740；作者警示财富代理偏倚，强调这是校正后的关联而非因果证明。
6166家医院数据：AI可及的县住院死亡率低9.9%，但1.146亿人被挡在30分钟车程外
数据视角 × 医疗数据从业者 ｜ 深度研报
Drexel大学Aaron Johnson、David Gefen、Teresa Harrison团队的medRxiv预印本（编号2026.03.10.26347904）给出了迄今覆盖面最大的医院AI效果估计之一：将美国医院协会 (American Hospital Association, AHA) 2024年度调查中6166家医院的AI采用数据，与Medicare、CDC及县级健康数据（3143个县）关联后发现，可及工作流AI的县，住院死亡率每10万居民减少25.5例（-9.9%）。但研究同时测出一条陡峭的数字鸿沟：仅65.8%的美国人口住在AI医院30分钟车程内，AI可及性基尼系数高达0.740，接近财富集中度。
一、核心数字：-25.5例从哪里来
先把两个数字摆正：每10万居民减少25.5例住院死亡，相对降幅9.9%，95%置信区间 (Confidence Interval, CI) 为11.3至39.7；若不做交叉拟合，点估计为16.9。按历史基准折算，这一差距对应每10万人减少975.8潜在寿命损失年 (Years of Potential Life Lost, YPLL)。方法上，研究采用交叉拟合双重稳健估计 (cross-fitted doubly robust estimation)，并以各医院2019年的基线表现做条件化处理，用以剥离“本来更强的医院先上AI”这类选择效应。预印本于2026年3月10日挂网，本周（9月14日前后）被news-medical等媒体再度聚焦。简单说，这套方法要做的是把“谁先用上AI”与“谁本来就更好”在统计上分开。
二、数据链路拆解：三份行政数据如何拼成一张证据网
这项研究的数据构造值得数据从业者细看。医院侧取自AHA 2024年度调查，记录2023年6166家医院的AI与机器人采用情况；结局侧来自Medicare住院数据与CDC死亡数据；社会经济与健康协变量来自County Health Rankings，覆盖3143个县——三份数据在县一级完成关联。这个设计的优势是规模与全国代表性，代价也写在方法论里：医院AI采用是自报口径，结局由行政数据定义，县级聚合天然带着生态学推断的边界——县死亡率下降，不等于每一家用了AI的医院都变得更好。另外需要注明，研究测量的是县级层面的AI可及性，而非单个医院的使用强度，外推到单院采购决策时需要额外小心。
三、分场景对比：不同AI的效果并不同向
把“AI”拆开看，效果分化相当明显：
| AI应用场景 | 关联结局 | 效应量 |
|---|---|---|
| AI排班 | SEP-1脓毒症集束化治疗依从性 | +约4% |
| 常规任务自动化AI | 30天肺炎死亡率 | -约5.1% |
| 工作流AI（整体可及） | 可预防住院 | 每10万人减少206例（-7.2%） |
| 手术机器人 | 简单比较显示更差，校正后翻转为有利 | 作者归因于重症患者被分流至有机器人的三级中心 |
排班AI与脓毒症集束化治疗 (SEP-1 bundle) 依从性的关联最容易解释：排班影响人力到位率，进而影响集束化治疗的完成率。手术机器人一行则是对所有人的提醒——未校正的简单比较会给出方向完全相反的结论，混杂控制不是统计装饰，而是结论本身。
四、横向对比：两年增长56%，鸿沟没有收窄
时间维度上的对比同样刺眼。2022至2024年，AI医院数量增长了56%，但可及性不平等并未收窄：目前仅65.8%的美国人口居住在AI医院30分钟车程内，约1.146亿人在圈外；AI可及性的基尼系数 (Gini coefficient) 为0.740，机器人为0.776，两者都已接近财富分配的集中度。换句话说，AI正在更高的技术基线上复制既有医疗资源的地理分布——拥有三级医院与充足预算的都会区先拿到AI，县域医院继续掉队——增长解决的是总量问题，并不自动解决分配问题。
五、结论与不确定性：这不是AI万能论
必须给这份研究钉上三重警示。第一，它是观察性研究，且为未经同行评审的预印本 (preprint)。第二，作者明确提示财富代理偏倚 (wealth-proxy bias)：能部署好AI的医院，本来就有更充足的预算、更严格的数据纪律和成建制的技术团队，AI采纳在很大程度上是机构成熟度的代理变量——研究给出的是校正后的关联，而非“AI导致低死亡率”的因果证明。第三，分场景效应量大都在个位数百分比区间，落地价值取决于执行质量。
这不是AI万能论，也不是AI无用论。对国内落地的启示在于：这项研究真正被校正出来的，是数据治理与制度准备度和死亡率改善之间的伴生关系——AI效果的上限，先由数据质量、流程标准与人力配置决定，再由算法决定。对投资与采购决策同样如此：AI医院的扩张速度将由医院资本开支周期与机构成熟度共同约束，采购AI之前，先把数据、流程、人力这三笔账算清楚，可能比比较模型参数更有意义。
原文链接：medRxiv
千方医数集编辑部 出品
