OpenAI 医疗 Agent 能操作医院系统了:3 组评测数据看 AI 从回答问题走向真正干活

OpenAI 医疗 Agent 能操作医院系统了:3 组评测数据看 AI 从回答问题走向真正干活

openai-healthcare-computer-use-agent-hospital-systems-image-0

OpenAI 医疗 Computer-use Agent 的关键进展,是它能进入医疗机构已经在用的软件系统,读取患者的纵向病历信息,并据此准备医疗记录、医嘱草稿、患者回复和保险预授权材料。AI 的价值正在从回答专业问题延伸到执行实际业务流程。医疗 AI 的竞争重点也随之变化,不再局限于医学知识问答,而是进入临床与行政工作流本身。需要强调的是,这些材料在演示和公开案例中都要经过医生或工作人员审核,AI 并不独立拥有处方权或医疗决策权。

您读完此文能了解到什么?

  • MRI 演示中,Agent 从读取病历到准备预授权申请的完整操作链。
  • 99% 安全性、93% 医生高度认可、94.3% rubric points 三组数据各自的评价口径,以及它们与斯坦福 HealthAdminBench 论文成绩的区别。
  • CVS Health、Cigna、Abridge、Ambience 分别处在合成演示、生产部署还是开发阶段。
  • 临床审批权与 Agent 执行权如何分开,以及开发者应该怎样核算 Agent 的完整成本。

索引

客观事实部分按以下顺序展开:先还原 OpenAI 这次让 AI 做了什么;再对比 Chatbot 与 Computer-use Agent 的差异;然后拆解评测成绩的含义;接着梳理 CVS、Cigna、Abridge 和 Ambience 等企业的落地方式;最后介绍医疗 Agent 的风险控制机制。分析判断部分会讨论医疗行业为什么特别需要这种能力,开发者与医疗机构该如何取舍,以及 Computer Use 对整个 AI 应用产业意味着什么。


To Know:医疗 Agent 相关概念速查

概念 简要解释
Computer Use 通过观察和操作软件界面(截图、点击、输入)来完成任务的能力
EHR 电子健康记录系统,医院存放患者就诊、用药、影像等信息的核心软件
Payer Portal 保险支付方门户,医疗机构在这里提交预授权、核验保险资格
Prior Authorization 预授权,部分检查或治疗在实施前需要先获得保险方批准
MCP 用于发现和调用外部工具的标准协议
RPA 通过预先配置的规则或脚本执行重复流程的自动化方式
Rubric points 按评测规则拆分的评分点,衡量部分要求的达成情况
端到端成功率 完整任务满足全部成功条件的比例
Trace 记录执行过程、操作动作和界面状态的轨迹证据
BAA 业务伙伴协议,明确服务商处理受保护健康信息(PHI)的责任
RBAC 基于角色的访问控制,按岗位分配可访问的数据和操作

医疗 Agent 影响速览

  • 开发者与技术负责人:重点不再是模型能不能答对医学问题,而是要按具体任务验证执行机制、端到端完成率和完整成本。截图属于图像输入,多轮调用、工具和运行环境都会计费,不能只看文本 Token 单价。
  • 医疗机构与工作流负责人:需要分清哪些是合成数据演示、厂商评测、企业试点和生产案例。上线时还要落实人工审批、权限配置和审计日志,不能把演示效果直接当作采购依据。
  • 临床人员:短期内更可能感受到的是行政负担下降,例如预授权材料准备和跨系统查找信息。临床判断和签字责任仍然在医生手中。

客观事实:OpenAI 医疗 Agent 这次发布了什么

OpenAI 医疗 Agent 这次让 AI 做了什么?

2026 年 11 月 16 日,OpenAI 发布了面向医疗团队的计算机操作 Agent 新进展,同时披露了临床与行政工作流的评测结果,以及与 CVS Health、Abridge、Ambience、Cigna Healthcare 等企业的合作实践。HLTH 2026 期间,OpenAI Health AI 负责人 Karan Singhal 也介绍了相关进展。

最能说明这次变化的是官方展示的 MRI 工作流。一位患者因为下背部疼痛给医生发消息,医生考虑做 MRI 检查。随后,Agent 在 EHR 和保险门户之间完成了三个阶段的工作:

  1. EHR 信息读取:查看患者就诊记录、物理治疗记录和既往影像资料。
  2. 临床材料准备:起草 MRI 检查医嘱、本次就诊记录和给患者的回复,全部留给医生审核。
  3. 保险预授权:沿用同一份患者记录,进入保险支付方门户准备 MRI 预授权申请,交给预授权工作人员审核。

需要说明,这个演示使用的是合成患者数据(Synthetic Patient Data),并非对真实患者的生产操作。它展示的是能力链路,不代表任何医院已经按这个流程处理真实病例。

openai-healthcare-computer-use-agent-hospital-systems-image-1

官方还展示了一个儿童骨折后的用药咨询案例。家属询问儿童布洛芬的用量,Agent 查看就诊记录和影像资料,读取病历中记录的体重和诊所给药剂量,据此起草用药说明、石膏护理说明和需要紧急就医的警示症状。它把医疗记录保存为未签署状态,把给家属的回复保存为未发送草稿,最终由医生审批。Elevated PSA 和 Digoxin refill(地高辛续药)也被列为 EHR Inbox 的任务类型,但官方没有公开这两类任务的完整操作记录和独立评分。

从 Chatbot 到 Computer-use 医疗 Agent,变化在哪里?

传统医疗问答回答的是一般性知识,医疗文档生成能写出草稿,但内容仍要靠人复制进系统。Computer-use Agent 的不同之处在于,它通过“截图观察→规划→点击或输入→再截图验证”的循环直接进入现有软件,跨应用完成多步骤任务,并可能改变软件中的业务状态。

能力形态 主要输出 是否接触业务系统 典型医疗场景 主要风险点
医疗问答 Chatbot 文本回答 否 医学知识查询、证据检索 内容准确性
医疗文档生成 记录、信函草稿 间接,需人工录入 出院说明、预授权信函 内容与病历不一致
Computer-use Agent 界面操作与系统状态变化 是,直接操作 EHR 和门户 预授权填写、转诊状态更新、跨系统取数 错误点击、患者混淆、错误传播

在 OpenAI API 中,Computer Use 主要通过 Responses API 实现,支持 click、type、scroll、keypress、drag、screenshot 等动作。官方文档介绍了两条路径:一是 Computer Tool,模型返回结构化的鼠标键盘动作,由应用执行;二是 Code Execution,模型生成调用 Playwright、PyAutoGUI 等工具的代码。对 GPT-6 Astra,官方当前推荐 Code Execution 方式。文档还特别强调,模型生成了操作指令,并不等于操作已经成功,应用必须执行动作,再通过新截图等方式确认结果。

OpenAI 医疗 Agent 的评测成绩说明了什么?

OpenAI 公布了三组核心数据,它们的分母和评价维度各不相同,不能合并成一个“综合准确率”,也都不是医学诊断准确率。

openai-healthcare-computer-use-agent-hospital-systems-image-2

指标 数值 评测对象 分母 / 口径 不能理解为
临床任务安全性 99% GPT-6 Astra 325 项经审核任务,评估错误、遗漏或操作是否可能造成患者伤害 诊断准确率、零错误
医生高度认可 93% GPT-6 Astra 646 次评价,五级量表中 Very / Extremely Helpful 合计占比 任务成功率、646 名医生
HealthAdminBench 94.3% GPT-6 Astra rubric points 占比,maximum reasoning effort 完整任务成功率
HealthAdminBench 91.8% GPT-6 Luna rubric points 占比,maximum reasoning effort 完整任务成功率
单任务成本 $0.085 GPT-6 Luna 特定评测条件,较 Astra 低 98% 生产部署报价

临床评审并不只看最后生成的文字,还会检查 Agent 实际执行的动作、生成的医疗记录、医嘱和患者消息。也就是说,评估同时覆盖了内容质量和软件操作过程。不过官方没有公布 646 次评价对应的独立医生人数,公告正文也没有给出置信区间、逐任务结果和完整失败案例。

HealthAdminBench 是斯坦福 Shah Lab 提出的医疗行政 Agent 基准。根据论文 2604.09937v1,该基准包含 135 项任务和 1698 个子任务,其中 1177 个子任务采用确定性判定,521 个采用模型裁判;论文中完整任务成功率最高的是 Claude Opus 4.6 CUA,为 36.3%,子任务成功率最高的是 GPT-5.4 CUA,为 82.8%。早期 Shah Lab 网页版本是 70 项任务、947 个评分点,当时报告的完整任务成功率最高为 22.9%,可作为历史对照。

这几组数字分属不同版本、不同模型、不同日期、不同执行条件和不同指标,不能排成同一张榜单。OpenAI 的 94.3% 是 rubric points 口径,而论文的 36.3% 是端到端完整成功率,两者差距本身就提示:医疗 Agent 的“局部步骤做对”和“整件事办完”可能相去甚远。

CVS、Cigna、Abridge 和 Ambience 如何落地医疗 Agent?

企业案例的成熟度差别很大,下面按公开披露的状态归类。这些数字主要来自企业和 OpenAI 的披露,媒体报道起到交叉印证作用,但不等于第三方审计。

企业 场景 披露状态 关键事实
CVS Health 跨临床系统发送文件、转诊、专科会诊 生产工作流 一个周末清理了持续数月的文件积压;另一个 Agent 每天处理数万次会诊相关的系统操作步骤
Cigna Healthcare 护理管理前的跨系统信息整合 已部署 护理人员原需浏览 10 多套系统;从概念到部署不到 8 周
Abridge 出院障碍协调 开发中 医生通过 Abridge Assistant 请求 Agent 并行协调药物获取和居家护理
Ambience Healthcare 保险预授权申请 治理方案展示 病历有歧义时停下询问医生,获批后才提交
Assort 转诊闭环 官方案例 API 写入转诊信息,Computer Use 在 Athena 界面补齐状态更新

CVS 的“数万次”指的是系统操作步骤涉及的工作量,不是数万个临床决策都由 AI 独立完成。CVS 还开源了 CUA Agent Kit(Apache-2.0 许可证),采用两阶段架构:先由 Computer-use Agent 按自然语言探索工作流,并记录截图、动作、目标位置等 Trace 证据;再由 Codex Skill 把成功轨迹固化为确定性代码,经工程师审查后重复执行。根据 README,确定性运行阶段不需要模型 API Key。

Assort 的案例则说明了 Computer Use 的定位:Assort 已能通过 Athena API 把转诊信息写入病历,但完整闭环还差一步界面操作。Agent 直接在 Athena 界面选择转诊医生、填写详情,并把状态更新为 Visit Scheduled,这条转诊随即从工作人员的跟进列表中移除。API 负责结构化操作,Computer Use 负责补齐 API 没有覆盖的部分。

医疗 Agent 如何控制风险?

OpenAI 公布的治理能力包括 RBAC、审计日志、应用访问范围配置、关键操作前的人工审批,以及把 Agent 限制在指定工作流内的控制机制。医疗机构可以随时暂停 Agent,查看逐步操作日志。

openai-healthcare-computer-use-agent-hospital-systems-image-3

这实际上是一种分权设计:AI 负责整理信息、准备材料和执行授权范围内的操作,医生负责临床判断,预授权人员负责行政审核,医疗机构负责配置权限和监管流程。Agent 的权限必须和临床责任边界对齐。

在数据合规方面,OpenAI 表示 ChatGPT for Healthcare 中的组织数据不会用于训练基础模型,CVS 也表示相关生产数据留在自有基础设施中。但要支持涉及 PHI 的 HIPAA 合规工作流,医疗组织需要使用符合资格的服务,确保服务被与 OpenAI 签署的 BAA 覆盖,配置安全设置和数据保留策略,并通过组织权限限制 Agent 能访问的记录与操作。因此,“支持 HIPAA 工作流”不等于“所有 OpenAI API 调用自动合规”。

可用渠道方面,相关能力可以通过 OpenAI API、ChatGPT for Healthcare、ChatGPT for Clinicians、ChatGPT Work 和 Codex 使用。符合条件的美国临床人员可以免费申请 ChatGPT for Clinicians,这一免费政策有地域和资格限制。ChatGPT for Healthcare 没有公开统一的固定订阅价格。


分析判断:医疗 Agent 的取舍与产业意义

为什么医疗行业特别需要 Computer Use 型 Agent?

医疗服务的信息割裂非常典型。一次就诊可能同时涉及 EHR、影像系统、处方系统、保险门户、转诊系统和出院管理平台,这些系统往往来自不同厂商,接口并不完整。MRI 预授权就是一个缩影:医生只做了一个临床判断,工作人员却要在病历、物理治疗记录、影像资料和保险门户之间反复切换、复制和上传。

从这个角度看,Computer Use 解决的并不是“AI 懂不懂医学”,而是“信息能不能在系统之间流动”。笔者的判断是,医疗行政自动化很可能比临床诊断自动化更早形成商业规模。原因在于行政任务量大、重复性高、边界清晰,结果可以通过表单和系统状态核验,责任风险也相对可控。Cigna 把跨 10 多套系统查找信息压缩到数秒的案例,就体现了这种“先减负、不替代”的路径。

不过,斯坦福基准也揭示了真正的难点。早期研究发现,跨应用数据传输和文档处理是 Agent 失败的重要来源,即使理解了患者信息,也可能在上传文件、填写字段或更新状态时出错。在医疗场景中,一个系统里的错误还可能被复制到多个下游系统,这正是人工审批和操作后状态验证不可省略的原因。

开发者如何评估医疗 Agent 的成本与可行性?

对开发者来说,第一步不必直接上 Computer Use。较稳妥的做法是先把工作流拆开:信息抽取、材料起草这类纯文本环节,可以先用普通模型接口验证质量;界面操作环节再单独评估成功率。以下示例用合成材料验证“预授权所需字段抽取”这一文本环节,仅作技术演示,不构成任何诊疗建议:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 OpenAI 兼容接口
)

resp = client.chat.completions.create(
    model="gpt-4o-mini",  # 以平台实际可用模型列表为准
    messages=[{"role": "user", "content": "从以下合成病历中列出影像检查预授权需要核对的字段清单:……"}]
)
print(resp.choices[0].message.content)
查看带 Token 成本统计的完整代码
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# 单价:美元 / 百万 Token,按你实际使用的模型填写
PRICE = {"input": 0.10, "output": 0.50, "cached_input": 0.01}

def run_step(prompt: str, model: str = "gpt-4o-mini") -> dict:
    resp = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": "你只做字段抽取,不给出任何诊疗建议,信息不明确时输出 NEED_HUMAN。"},
            {"role": "user", "content": prompt},
        ],
    )
    u = resp.usage
    cached = getattr(getattr(u, "prompt_tokens_details", None), "cached_tokens", 0) or 0
    cost = ((u.prompt_tokens - cached) * PRICE["input"]
            + cached * PRICE["cached_input"]
            + u.completion_tokens * PRICE["output"]) / 1_000_000
    return {"text": resp.choices[0].message.content, "cost_usd": round(cost, 6)}

steps = ["合成病历片段 A ……", "合成病历片段 B ……"]
total = 0.0
for s in steps:
    r = run_step(s)
    total += r["cost_usd"]
    print(r["text"])
print("模型 Token 成本合计(不含工具、环境与维护):", round(total, 6))

🚀 快速验证建议:在正式接入医疗系统之前,可以先通过 API易 apiyi.com 用一个 API Key 对比多家模型在字段抽取、材料起草等文本环节的表现。新用户有免费测试额度,适合先跑通评测脚本、积累任务级数据。

成本方面,2026 年 11 月 17 日查询到的 Standard 短上下文价格(美元/百万 Token)如下:GPT-6 Astra 输入 10、输出 50、缓存输入 1;GPT-6 Luna 输入 0.10、输出 0.50、缓存输入 0.01。处理速度、上下文长度和地域都会影响实际计费。按 Luna 每任务 0.085 美元和“低 98%”的比例反推,Astra 约为每任务 4.25 美元,但这是估算值,而且只是基准条件下的成本,不能当作生产报价。

完整核算应该把每一轮的视觉与文本输入、计费输出分别统计,再加上工具调用、运行环境和工程维护。如果重试产生的 Token 已经累计进总量,就不要再额外加一遍。两档模型之间接近 50 倍的价差也提示了一种分层思路:复杂推理交给高能力模型,结构化、高频的步骤交给低成本模型,已经探索稳定的流程则像 CVS 那样固化成确定性代码。

💰 成本优化提示:做模型分层时,可以先在 API易 apiyi.com 上用同一套 OpenAI 兼容代码切换不同价位的模型,跑出每类子任务的质量与 Token 消耗,再决定哪些环节值得用高能力模型。

验证阶段 要回答的问题 建议证据 参考工具
文本环节 抽取和起草质量是否稳定 人工标注对照、NEED_HUMAN 触发率 API易 apiyi.com 多模型对比
界面操作 端到端完成率是多少 截图与 Trace、操作后状态核验 OpenAI Computer Use 文档与沙箱环境
流程固化 哪些步骤可转为确定性代码 成功轨迹复现率 CUA Agent Kit 类两阶段架构
上线治理 权限和审批是否覆盖关键动作 RBAC 配置、审计日志抽查 机构自有权限与合规体系

医疗 Agent 与 RPA 是替代还是融合?

传统 RPA 依赖固定规则和界面定位,界面一变脚本就可能失效;Computer-use Agent 能理解自然语言、观察当前界面并适应变化,但每次重新推理会带来成本和结果波动。一项比较两类技术的研究(DOI:10.1080/23311975.2026.2724760)中,P2、P3 两个流程每种技术各执行 10 次;P1 流程中 Agent 只有 1 次失败记录,未纳入后续统计,所以不能笼统地说所有任务都执行了 10 次。该研究使用的是 2025 年的工具配置,不能直接代表 2026 年模型的成绩。

笔者认为,CVS 的“AI 探索、代码固化、重复执行”更可能成为主流工程形态:Agent 负责发现和理解陌生流程,确定性代码负责稳定地重复已知流程,API 继续承担高频、结构化的交互,人工审批守住关键节点。API、Computer Use、确定性代码和人工审批组合在一起,比单押任何一种技术都更现实。

医疗 Agent 对整个 AI 产业意味着什么?

医疗只是一个高门槛的试验场。它的系统碎片化、合规要求和责任边界都比一般企业更严苛,如果执行型 Agent 能在这里建立起可审计、可暂停、权限对齐的运行方式,这套方法就可以迁移到保险、金融、政务等同样依赖老旧系统的行业。

这也意味着产业竞争维度在变化。过去比的是模型能不能写出好内容,接下来更要比能不能在真实系统里把事办完、出错时能否及时停下、每一步能否留痕追溯。对软件厂商来说,Computer Use 让 AI 公司无需完全控制底层软件也能参与工作流,这会降低集成门槛,也会给“等厂商开放接口”的旧模式带来压力。但高可靠、高频的交互仍然更适合 API,Computer Use 更像是补位者,而不是取代者。

接下来值得关注几件事:OpenAI 是否会公开逐任务评测数据和完整实验配置;HealthAdminBench 论文版本能否成为各家统一对比的口径;Abridge 的出院协调方案能否从开发进入部署;以及更多医院的生产数据能否证明端到端完成率真正可用。在这些证据出现之前,演示与评分只是起点,而不是结论。

医疗 Agent 已经证明自己能“动手”,但它能否真正减轻临床和行政负担,还要看它在真实工作流中的端到端完成率、出错时的停止能力和长期成本。正如那句英文谚语所说:The proof of the pudding is in the eating.(实际效果要靠实践检验。)


参考资料

  1. OpenAI 官方公告:Advancing computer-use agents for healthcare teams
    • 链接: openai.com/index/advancing-computer-use-for-healthcare-teams
  2. ChatGPT for Healthcare 帮助文档:产品能力、BAA 与插件说明
    • 链接: help.openai.com/en/articles/20001046-chatgpt-for-healthcare
  3. OpenAI Computer Use 开发文档:Computer Tool 与 Code Execution 路径
    • 链接: developers.openai.com/api/docs/guides/tools-computer-use
  4. HealthAdminBench 论文:2604.09937v1 版本任务与指标
    • 链接: arxiv.org/html/2604.09937v1
  5. CVS Health CUA Agent Kit:两阶段探索与固化架构
    • 链接: github.com/cvs-health/cua-agent-kit
  6. Fierce Healthcare 报道:HLTH26 合作方与应用场景
    • 链接: fiercehealthcare.com/ai-and-machine-learning/hlth26-cvs-health-cigna-and-ambience-collaborating-openai-test-computer-use
  7. Cambridge Dictionary:谚语原文核对
    • 链接: dictionary.cambridge.org/us/dictionary/english/proof-of-the-pudding-is-in-the-eating

作者:APIYI 技术团队
技术交流:如需对比多家大模型在 Agent 文本环节的表现,欢迎访问 API易 apiyi.com 获取测试额度,更多接入说明可查看 docs.apiyi.com 文档中心

延伸阅读

类似文章