人工智能（AI）有望彻底改变了医疗保健的很多方面。从AI 辅助图像重建和计算机辅助诊断，到预测性分析和环境式临床文档记录，AI 已成为现代医疗服务不可或缺的一部分。

然而，大多数应用在根本上仍属于被动响应型，能够回答问题、分类图像、总结文档、转录临床记录，但每个工作流的启动和协调仍需依赖人类。

下一阶段的演进是智能体人工智能（智能体AI）。智能体AI 系统不再仅是响应提示，而是能够推理、规划、与多个系统交互、协调复杂工作流程，持续适应以实现既定目标。目前基于大型语言模型的生成式AI 充当着知识渊博的顾问角色，仅在被问及时提供答案。

而智能体AI 的行为更像是一位经验丰富的同事。智能体AI 能够理解目标，从多个来源收集信息，协调跨系统的行动，仅在需要人类判断时才上报。

对于医疗科技企业，智能体AI 标志着一场根本性的变革，即从孤立任务的自动化，转向端到端工作流及行政流程的统筹协调。

本地化AI 为医疗科技企业提供了实施自主工作流的切实起点，这些工作流涉及受保护的医疗信息、受监管的设备数据、影像系统、专业临床应用以及专家评审。通过在用户、设备和数据附近运行选定的工作流，团队既能保持响应速度和治理能力，又能准备经过验证的工作流，以便在企业基础设施范围内扩展。

在美国每年近4 万亿美元的医疗保健支出中，行政支出约占总额的四分之一。在临床医生层面，行政负担十分沉重：2025 年美国医学会（American Medical Association，AMA）报告指出，2024 年医生平均每周花费7.3 小时处理行政事务。与此同时，每20 名患者中就有1 名遭受本可避免的伤害，这并非源于临床知识的匮乏，而是由于未能及时识别确认病情恶化、工作流程碎片化以及错失及时干预的机会所致。

这正是智能体AI 有望产生最大影响的领域——通过协助协调工作流程，确保在适当医务人员的监督下，在恰当的时机采取正确的行动。

借助本地化AI，医疗机构可以在受控环境中评价智能体工作流程，然后再更广泛地部署。这种方法有助于将敏感数据、模型、工具和审计证据保留在受监管的基础设施内，同时让临床医生和技术专家审查相关结果。

医疗保健行业与其他很多行业存在根本性的不同。临床决策会带来改变人生的后果，而智能体AI 应当增强，而非取代临床医生的能力。

最有效的实施方案将包含下述要素：对高风险决策的人工审批、透明的推理过程、置信度评分、完整的审计追踪记录，以及持续的监控与治理。

目标并非实现自主医疗，而是实现增强型临床智能。

放射科工作流程优化

放射科是医疗科技领域中最成熟的AI 应用领域之一，已有很多成功的部署案例专注于病灶检测和报告生成。例如，西北大学医学中心（Northwestern Medicine）正在使用戴尔（Dell）与英伟达（NVIDIA）联合打造的“戴尔AI 工厂”（Dell AI Factory），以实现放射科图像分析自动化，更快地起草报告并标记关键发现，将工作流程效率提高了多达40%。

智能体AI 还能更进一步：根据临床紧急程度对检查优先级排序，整合电子病历（EHR）和病史信息，写作结构化的初步发现报告，提示可能需要开展的后续影像检查供临床医生审查，并就时间敏感的结果通知转诊医生。这将放射科从“影像智能”提升至“工作流程智能”。

在放射科和影像工作流程中，本地AI 有助于整合PACS/VNA 背景信息、影像应用程序和专家评审，同时减少不必要的数据传输，并保持交互式专家工作的响应能力。[注：PACS：医学影像存档与通信系统（picture archiving and communication system）；VNA：影像归档与检索系统（vendor neutral archive，供应商中立归档系统）]

智能手术室

现代手术室属于复杂的多系统环境，发生协调失误的代价高昂。智能体AI 能够协助协调高效的术前和术后规划，例如确认术前所需影像资料是否齐备、监控设备就绪状态、提醒工作人员缺失的器械、追踪手术关键节点，以及协调术后工作流程。智能体AI 不会增加额外的仪表盘，而是在后台运行，并在需要时上报问题，从而帮助减少延误、提高设备利用率并保障患者安全。

超越警报的临床决策支持

智能体AI 不会用通知淹没临床医生，而是从多个临床系统中整合证据，结合具体患者背景分析，审查诊疗指南和药物相互作用，为临床医生提供基于证据的诊疗路径选项供其审阅，并仅上报有意义的建议。这将决策支持从被动的警报转变为主动的临床协作。

联网医疗设备

医院运行着数千台联网设备，包括输液泵、患者监护仪、影像系统、呼吸机、实验室分析仪和手术机器人。这些设备持续产生临床和运营数据。智能体AI 能够检测异常性能趋势、安排预测性维护、协调软件更新、识别确认网络安全风险并提高设备利用率，从而延长设备运行时间，降低运营成本。

在互联设备环境中，实时传感器AI 能够将感知、推理、可视化和下游操作紧密集成于成像系统、仪器、设备及手术机器人附近。在本地运行选定的工作流，不仅能支持响应迅速的操作，减少不必要的数据传输，还能为团队提供一条可控路径，用于评价、扩展基于AI 的设备工作流。

基础设施的关键：AI 工厂

部署智能体AI 不仅需要选择合适的基础模型。它需要经过深思熟虑的架构和基础设施设计，以支持分布式智能。此外，还需合理分配工作负载——覆盖本地系统、共享的企业基础设施、云端及AI 工厂（AI Factory）环境，从而确保敏感数据、专用应用程序和专家审核始终保持互联。

医疗数据高度分散——影像设备、患者监护仪、实验室仪器以及临床信息分散存储于电子病历（EHR）、医学影像存档与通信系统（picture archiving and communication system， PACS）、影像归档与检索系统（vendor neutral archive，VNA，供应商中立归档系统）、放射科信息系统（radiology information system，RIS）、临床检验实验室信息管理系统（laboratory information system，LIS）以及众多科室应用程序中。因此，考虑到对实时决策支持的需求、数据隐私权与治理方面的监管要求以及长期成本，混合式分布式部署架构特别适合智能体AI。戴尔与英伟达联合打造的“戴尔AI 工厂”（Dell AI Factory）提供了从边缘服务器和工作站到企业级AI 平台的基础设施支撑。临床AI 推理在数据生成地附近执行，企业智能体AI 协调跨部门的工作流，云端则支持大规模模型训练、设备集群管理和人群分析。

本地部署的多智能体医疗工作流可以展示该模型在实践中的运作方式：协调员代理负责统筹管理负责患者数据、检验所检查和生命体征、药物、临床分析及可视化的专用代理，同时敏感数据始终保留在组织受控的环境中，由临床医生审核结果。

这种分布式方法提高了临床响应速度，缓解了网络拥塞，降低云计算成本，并使医疗服务提供者能够以可预测且经济高效的方式扩展AI 部署。

这为采用该技术开辟了一条从本地到企业的路径：企业可以从敏感数据、专用应用程序和专家审核等环节入手，随后通过AI 工厂，将经过验证的工作流扩展至整个企业基础设施和云环境。

对于医疗科技公司，智能体AI 远不止是又一项软件功能。

智能体AI 创造了提供集成临床解决方案的机遇。胜出的企业不会仅仅构建更智能的算法，而是将构建智能生态系统，让智能体AI 在设备、应用程序、临床医生和医疗机构之间协同工作。

这些智能体共同营造出一个更高效、更具韧性，并最终更以患者为中心的医疗环境。

智能体AI 不仅是医疗领域AI 发展的下一个篇章，而是智能医疗系统的开端，该系统将与临床医生积极协作，提升运营效率、加速临床工作流程并改善患者预后。

“AI 工厂”有望助力医疗科技机构，从孤立的AI 工具转型为智能的企业级工作流协调体系，提供可预见的成本、数据隐私权安全保障和始终如一的性能。