2019年，蒙大拿州一家农村医院安装了首个AI辅助诊断工具——一款胸部X光系统，能在放射科医生审片前自动标记潜在气胸病例。这项部署没有经过国会听证会，也没有任何全国性辩论。该设备通过现有FDA审批流程悄然进入临床应用，而这套监管框架从未被设计用于管理算法革命。七年后，这家医院已使用七款不同的AI系统——而它们诞生时，政策制定者才刚刚开始警告AI风险。
数字揭示了监管者仍在追赶的现实。FDA已在美国批准超过1300款AI医疗设备，其中超过一半在过去三年内获批，最早可追溯至1995年。转折点出现在2022年前后，当时审批速度增加了两倍。这些并非理论部署或试点项目——而是嵌入诊断流程的工作工具，已进入全美6000家医院，每年处理数百万次患者诊疗。
审批活动主要集中在放射学领域。FDA已批准用于解读CT扫描、检测乳腺X光片中的乳腺癌、识别MRI脑卒中早期迹象、以及在常规眼科检查中发现糖尿病视网膜病变的AI系统。Viz.ai、Aidoc和RapidAI已成为主要医疗中心的标准基础设施。这些算法现在能在几分钟内标记关键发现——脑出血、肺栓塞、颈椎骨折——而非像以前那样等待数小时。这种诊断时间压缩直接关系到患者预后。
但临床AI只是这场革命的一半。AI工作流应用——不属于FDA医疗器械分类——可能已经更深刻地重塑了医疗运营。这些系统负责手术室调度、预测患者爽约、优化护士排班、以及分流急诊患者。2024年一项针对医疗技术领导者的调查显示，72%将AI用于减轻护理人员负担和提高满意度——超过任何临床应用。超过半数将工作流效率和生产力列为主要AI投资方向。
Mayo Clinic Platform解决方案开发商市场副总裁Steve Bethke描述了执行鸿沟："医疗非常复杂。解决方案开发商必须深入关注临床和技术能力，然后使解决方案与相关业务影响保持一致。如果任何一个维度出错，解决方案就不会被采用或产生价值。"AI健康初创公司的高失败率印证了这一点——许多供应商倒闭并非技术失败，而是低估了机构复杂性。
监管环境仍然刻意狭窄。FDA设备审批要求证明特定预期用途的安全性和有效性，但不评估工作流整合、临床医生接受度或长期预后影响。这意味着放射科AI可能基于对照研究中的诊断准确性获得审批，但在临床医生不信任其输出或工作流工具造成意外瓶颈的医院中表现不佳。提供商认识到这种差距：77%的技术领导者将不成熟的AI工具列为采用的重要障碍。
医疗AI部署差距创造了一个讽刺。政策制定者正在积极辩论AI安全、责任和透明度的框架——而核心技术已经通过几乎没有公众关注的渠道扩散到临床实践中。1300款设备代表的不是未来风险，而是现有现实。其对患者护理的综合影响难以精确衡量，因为系统性评估尚未开始。
下一波浪潮已在酝酿中。麦肯锡研究发现，61%的医疗机构打算与第三方供应商合作开发生成式AI解决方案。这些工具将比监管框架走得更快，在国家标准存在之前就已到来，并以难以逆转的规模运作。蒙大拿州医院放射科医生现在与七款AI系统协同工作，却从未在国会作证。革命静悄悄地发生在诊室和影像科，早在任何机构询问它是否应该发生之前。