一场仍在靠猜测运转的公共卫生危机
抗生素耐药性已经成为重大的全球健康负担，每年造成超过 100 万人死亡，并促成更多死亡。然而，治疗决策仍常常在极度不确定的情况下作出。医生往往必须在标准实验室结果出来之前就选择抗生素，尤其是在败血症等进展迅速的病例中。这造成了感染进展速度与诊断速度之间危险的不匹配。
在伦敦举行的 WIRED Health 大会上，外科医生兼卫生政策领袖 Ara Darzi 认为，AI 可能已经接近一个能够实质改变这一局面的阶段。他的核心观点并不是人工智能只是遥远的承诺，而是 2026 年可能成为抗微生物耐药性斗争中的一个拐点。这个论点建立在一个简单事实之上：传统诊断通常需要两到三天，因为它们依赖于从样本中培养细菌。在急性护理中，这样的延迟代价高昂，甚至可能致命。
为什么更快的诊断如此重要
耐药感染难以治疗、管理成本高，并与更长的住院时间相关。它们还受一个恶性循环驱动。抗生素的过度使用和误用会促使细菌进化出耐药性，而开发新药缺乏强有力的激励，又让临床医生手中的有效选择越来越少。在这种环境下，诊断的速度和准确性就变得至关重要。
Darzi 提到了败血症护理中的一个尤为严峻的数据：治疗每延迟一小时，死亡风险就会增加。这使得诊断成为前线问题，而不是后台实验室功能。如果医生能更早获得更好的信息，他们就能减少猜测，更快选择更合适的治疗，并可能避免不必要地使用进一步推动耐药性的广谱抗生素。
AI 诊断的前景
根据 Darzi 的说法，AI 驱动的诊断系统已经能够在不需要额外实验室基础设施的情况下达到很高的准确率。如果这一点在实践中得到验证，其意义重大，原因有二。第一，这意味着速度不一定要以精准度为代价。第二，这说明先进的诊断能力在基础设施有限的环境中也可能更容易部署。
这尤其重要，因为抗微生物耐药并非平均分布。Darzi 提到，东南亚和东地中海地区的耐药负担尤其高，非洲也面临显著压力。在农村和偏远地区，先进实验室资源可能有限，AI 赋能的快速诊断价值甚至可能比在资源充足的医院更大。
AI 不止于诊断
AI 在这一领域的价值并不仅限于更快识别感染。Darzi 还指出，它在发现新药以及预测耐药细菌传播方面也有潜力。这些能力对应抗微生物耐药问题的不同环节：治疗、监测和准备。放在一起看，AI 更像是一种跨领域工具，而不是单一产品解决方案。
不过，技术能力与现实健康影响之间的鸿沟仍可能很大。卫生系统采用速度缓慢，采购流程可能碎片化，而产品往往难以触达最需要它们的患者。尤其是在经济激励不足时，这一点更明显。抗生素创新长期以来都受到激励错配的困扰，而诊断创新即使技术有效，也可能面临类似的推广障碍。
风险在于，创新却无法触达
Darzi 论点中最重要的提醒是，仅有创新还不够。一个强大的诊断工具如果无法进入诊所、社区场景或资源不足的卫生系统，就无法实质改变危机的走向。抗微生物耐药相关的商业逻辑多年来一直失灵，因为抗菌管理强调谨慎使用抗生素，而这反过来又削弱了开发者的回报。如果采购方不奖励预防和精准，诊断技术同样可能面临采用阻力。
这意味着，下一阶段不仅关乎模型表现，还关乎报销、采购、信任、工作流整合和全球可及性。AI 也许能够改善诊断并指导治疗，但最终决定它是被广泛提供，还是仅局限于演示和试点项目的，是公共机构和卫生系统。
是技术窗口，而非保证性的转机
这个时刻的意义在于可能性，而非必然性。AI 正变得越来越有能力加速诊断、支持临床判断，并加强对耐药感染的监测。这些都是对一场已持续数十年的危机的重要进展。但只有当这些技术嵌入能够把它们送到负担最重地区的系统中时，它们才真正有意义。
这才是眼前真正的考验。抗生素耐药危机已经紧迫到，哪怕只是诊断速度和准确性有真正提升，也足以带来重要影响。更难的问题在于，卫生系统、政府和产业能否足够快地协同起来，把这种能力转化为广泛医疗服务。AI 也许能帮助对抗抗生素耐药性，但它能否规模化实现，取决于算法之外的一切。
- 耐药感染的传统诊断通常需要两到三天。
- Ara Darzi 表示，AI 驱动工具可以在不增加实验室基础设施的情况下达到高准确率。
- 薄弱的激励机制可能限制创新是否能触达最需要它的患者和卫生系统。
本文基于 Wired 的报道。阅读原文。
Originally published on wired.com