
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:
- 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。
- 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。
- 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。

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。

| 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。

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
- OpenAI 官方公告:Advancing computer-use agents for healthcare teams
- 链接:
openai.com/index/advancing-computer-use-for-healthcare-teams
- 链接:
- 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
- 链接:
- 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
- 链接:
- HealthAdminBench 论文:2604.09937v1 版本任务与指标
- 链接:
arxiv.org/html/2604.09937v1
- 链接:
- CVS Health CUA Agent Kit:两阶段探索与固化架构
- 链接:
github.com/cvs-health/cua-agent-kit
- 链接:
- 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
- 链接:
- Cambridge Dictionary:谚语原文核对
- 链接:
dictionary.cambridge.org/us/dictionary/english/proof-of-the-pudding-is-in-the-eating
- 链接:
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
