临床诊断时的误诊，是国内紧张的医患矛盾的一个触发因素。如何让全科医生、刚毕业入职的新医生，在面对患者时，给出更科学准确的判断、更合理与个性化的诊疗方案，成为降低临床误诊率、缓解医患矛盾的关键。

在国内通常的看病流程中，患者往往在千方百计成功挂号、焦虑地来到主治医生面前之后，通过简单描述，或者附加医学检查，然后等待医生的“宣判”。医患之间，并没有足够的沟通时间，导致信息也不对称，况且医生水平、经验参差不齐，再加上部分疾病的复杂性等，种种因素叠加，临床误诊自然发生。

关于临床误诊率的统计，尚没有相关部门发布权威数据，但国内医疗行业的共识是30%左右，其中，鼻咽癌、白血病、胰腺癌、结肠癌等恶性肿瘤的平均误诊率在40%以上;肝结核、胃结核、肠系膜淋巴结核等肺外结核的平均误诊率也在40%以上。

四川华西医科大学的一个研究团队，从上世纪60年代开始，几乎每个年代都选取几千个样本做调查研究，结果发现，即便诊断技术在快速发展，可临床误诊率依然在30%上下，基本上没什么变化。

事实上，100%的诊断正确率基本不存在，即便是发达国家的医生，也有一定的误诊率。如何提高临床诊断的正确率?

在人的学习与认知能力有限的前提下，人工智能技术被寄予厚望。2016年12月21日，海虹控股在海南省海口市预发布了其第一款智能医疗产品——“海虹智能医疗项目”，这是基于人工智能与大数据技术，形成的一套综合性智能辅助医疗系统。

“智能医疗项目可以让基层医生减少一些低级错误。” 海虹控股大健康事业部副总经理张云江对记者分析。

按他对海虹智能医疗系统的分析，这套系统可以毫秒间为医生推荐针对性的治疗方案，如果其所在医院是签约医院，还可以给出所在医院的最优治疗方案。

一个名医，需要终其所学，用积累了几十年、成千上万的病例经验，才能对疑难杂症短时间内做出判断、给出诊断，智能医疗系统如何在毫秒间达到名医的决策水平?

当医生在系统中输入所需的患者个人信息后，人工智能系统能在瞬间给出最佳的诊疗方案，得益于系统背后庞大的数据库，该数据库包括病案、教科书、文献、专家共识等六大数据、知识与经验来源。

可见，足够数据量的病案是关键基础。“全科医生与刚毕业的医生，在临床诊断时最需要的并不是那些顶级三甲医院的治疗方案，反而是一些疾病的诊疗标准，来规避法律风险。”深圳市第二人民医院急诊外科主治医师姚彬接受记者采访时说，他曾经试图构建一个辅助诊疗系统，但受限于数据量与技术，未能成功。

海虹通过为国内众多城市进行的医保智能审核服务，积累了对病案审核、判断和分析的宝贵经验，通过人工智能系统的发酵，衍生出大量基于循证医学的诊断、治疗信息。现实中，三级甲等医院往往可以接触到美国最新的治疗方案与技术，甚至可以同步获得新药;然而，二级以下的医院却往往滞后一大截，不仅如此，对于这些医院的医生有指导意义的教科书与疾病诊疗指南，也常常滞后于最新的技术与诊疗方案。

将大数据、深度学习、云计算、人工智能等相关的技术，应用于疾病诊断与治疗，国外的科技公司早已布局，其中以谷歌、ibm、苹果、微软为代表。

微软开发了一个能够“消化”每年发表的所有论文的机器学习项目hanover。hanover正在俄勒冈卫生科学大学knight癌症研究所被投入使用，于自动分析研究论文中的数据以及临床试验、影像学诊断报告、电子医疗记录的基础上，以寻求能够有效治疗急性骨髓性白血病的药物、预测药物的有效性，并为病患制定个性化治疗方案。

今年8月份，ibm宣布其旗下经由纪念斯隆· 凯特琳癌症中心训练的watson oncology系统(watson肿瘤解决方案)，进入中国，在国内已有21家医院计划使用，以期基于此认知计算平台助力中国医生获得个性化的循证癌症治疗方案。

ibm开发的watson肿瘤解决方案，通过多个肿瘤研究机构与医院的病案与知识学习，能帮助医生分析临床数据，为病患制定个性化治疗方案。8月，东京大学医学研究院曾利用watson判断一位女性患有罕见的白血病，并提供了个性化诊疗方案。而在几个月前，该患者还曾被其他医院误诊。

ibm watson总监david kenny谈及这次诊断时说：“从统计学上看，即使是经验丰富的医生也会出现判断或诊疗失误，这是人所无法克服和避免的，然而通过ai辅助系统，不仅可以更加准确梳理信息(海量数据信息)，而且能够提示人们可能的结果，当然最终的诊断还是人——医生来决定。”

（转载）

以上是网络信息转载，信息真实性自行斟酌。