2024年，超過70家醫療AI公司取得了FDA許可。全球臨床AI投資突破150億美元。各大醫療體系紛紛發表了自己的AI策略。
可是在美國的醫院裡，毫無預警就病情惡化的病人，數量並沒有實質改變。慢性腎臟病仍要拖上好幾年才被發現。據估計，美國每年仍有約1,200萬名成年人在門診中受到診斷錯誤的影響。換了新醫師，你還是得自己背出正在吃的藥。
路走錯了。
大多數醫療AI到底在做什麼
大多數臨床AI產品，做的不外乎三件事：摘要病歷，替影像分類，在數字越過閾值時發出警示。都有用，也都只是包裝層（wrapper）。它們把臨床資料原封不動地拿來，跑一遍模型，再把結果呈現出來。底層的資料沒有變，系統理解病人的方式也沒有變。
放射科醫師借助AI判讀胸部X光，讀的仍然是某一刻的一張片子。AI也許能抓到一顆她會漏掉的結節，這確實可貴。但它沒辦法告訴她：這位病人三年裡做過五次肺功能檢查，結果一路下滑；八個月前換藥之後，下降明顯加快；照這條軌跡，18個月內就會發展成慢性阻塞性肺病。這些資訊都在，只是散落在不同的醫療院所、不同的年份裡。任何包裝層都搆不著它們，因為包裝層只看得見眼前這一次看診。
幾乎所有臨床AI的分析單位，都是一次看診、一份病歷、一張影像。而人類疾病的分析單位是年。兩者一天對不上，醫療AI就只會不停地替錯誤的問題提供更快的答案。
人類疾病的分析單位，是年。
速度的陷阱
人人都在講速度：幾秒鐘寫好出院摘要；醫師還在跟病人說話，轉診單已經擬好；自由文字裡的診斷，立刻就能擷取出來。
醫師的職業倦怠是真的，文書負擔也確實壓得人喘不過氣。任何能把時間還給臨床照護的東西，都有價值。但在現有的基礎建設上加速，解決的只是效率問題。一位醫師拿到了今天這次門診完美的AI摘要，卻依然不知道，過去兩年裡，她的病人在三家醫療院所的肌酸酐一直在升高。摘要是快了，臨床全貌卻分毫未變。
醫療體系導入能讓流程加速的AI，交出一串生產力提升的數字，然後宣布AI策略大獲成功。與此同時，從疾病開始發展到它被發現之間的那段時間，一點也沒有縮短。整個體系只是朝著原來的方向跑得更快，卻沒有人問過，這個方向對不對。
為什麼整個產業都在做包裝層
做包裝層，是理性的選擇。拿一個預訓練模型，用臨床文本微調一下，幾個月就能推出產品。驗證很單純：病歷進去，摘要出來。銷售說法也是現成的：「我們接上您的電子病歷，讓它變得更聰明。」不必為資料架構展開艱難的協商，也不會打亂任何工作流程。
要做一套能隨時間讀懂健康的系統，則完全是另一回事。你得把病人橫跨多年、橫跨多家院所的經歷完整呈現出來；你得讓臨床推理建立在走向而非位置之上；你得在數百家醫院驗證；你還得說服醫院相信，提早兩年發現疾病，值得它們接受比摘要外掛深得多的系統整合。
這條路更慢，更貴，還得去談一些大多數團隊根本沒有能力談的事。但只有這條路，才真正對準了臨床上的那塊空白。
黑盒子讓事情更糟
大多數臨床AI不只是包裝層，還是黑盒子。模型吞進資料，吐出結論，醫師看不到中間的推理。她無法追問是哪些輸入導出了這個結論，也無法對中間步驟做出自己的判斷，因為根本就沒有看得見的中間步驟。
實際上，臨床人員對待這類輸出，就像對待電子病歷裡成百上千則其他警示一樣：先存三分懷疑，再憑訓練出來的本能把它關掉。不透明的系統，使用率始終在10%到15%之間打轉。系統跳出警示，醫師視而不見。AI一直在運作，對臨床卻毫無作用。
那些讓臨床人員使用率超過80%的系統，都有一個共同點：推理是看得見的。臨床人員能看到評估的依據，也能針對其中某一部分提出異議。做不到這一點，就不會有人真正用起來。在我自己動手做之前，好幾年裡，我一再眼看著採用就這樣落空。
真正的不同長什麼樣子
一位病人，18個月裡在兩家醫療院所就醫，肌酸酐每一季漲0.1。沒有哪一個數值觸發過警示，每次看診，這個數字都「在範圍內」。一套會讀軌跡的系統能抓住它。醫師收到的警示裡，有趨勢，有推算出的走向，也有標記背後的臨床推理。她看過，認同，轉診腎臟科，比病人越過閾值的那一天早了整整一年。
我們打造Chroneme，要抓住的就是這樣的變化。我們正依照一份預先登錄的研究計畫書進行驗證，結果無論好壞，包括它力有未逮之處，都會如實公開。
能在加護病房裡抓住緩慢偏移的那種智慧，同樣能在基層診所裡抓住緩慢偏移。能標記出心率在幾週內持續走高的系統，同樣能標記出A1c在幾年裡持續走高。架構不變，變的只是時間尺度。
一百五十億美元。七十張許可。病人的就醫體驗，原地不動。
要等基礎建設變了，它才會變。要等臨床AI讀的是軌跡而不是快照，要等系統把推理攤開而不是藏起來，要等健康成為一個人能看著它隨時間變化的東西，而不是事後才被發現的東西。
這就是我們在Chroneme做的事。