OpenAI 醫療 Agent 能操作醫院系統了:3 組評測數據看 AI 從回答問題走向真正幹活

OpenAI 醫療 Agent 能操作醫院系統了:3 組評測數據看 AI 從回答問題走向真正幹活

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

OpenAI 醫療 Computer-use Agent 的關鍵進展,是它能進入醫療機構已經在用的軟件系統,讀取患者的縱向病歷信息,並據此準備醫療記錄、醫囑草稿、患者回復和保險預授權材料。AI 的價值正在從回答專業問題延伸到執行實際業務流程。醫療 AI 的競爭重點也隨之變化,不再侷限於醫學知識問答,而是進入臨牀與行政工作流本身。需要強調的是,這些材料在演示和公開案例中都要經過醫生或工作人員審覈,AI 並不獨立擁有處方權或醫療決策權。

您讀完此文能瞭解到什麼?

  • MRI 演示中,Agent 從讀取病歷到準備預授權申請的完整操作鏈。
  • 99% 安全性、93% 醫生高度認可、94.3% rubric points 三組數據各自的評價口徑,以及它們與斯坦福 HealthAdminBench 論文成績的區別。
  • CVS Health、Cigna、Abridge、Ambience 分別處在合成演示、生產部署還是開發階段。
  • 臨牀審批權與 Agent 執行權如何分開,以及開發者應該怎樣覈算 Agent 的完整成本。

索引

客觀事實部分按以下順序展開:先還原 OpenAI 這次讓 AI 做了什麼;再對比 Chatbot 與 Computer-use Agent 的差異;然後拆解評測成績的含義;接着梳理 CVS、Cigna、Abridge 和 Ambience 等企業的落地方式;最後介紹醫療 Agent 的風險控制機制。分析判斷部分會討論醫療行業爲什麼特別需要這種能力,開發者與醫療機構該如何取捨,以及 Computer Use 對整個 AI 應用產業意味着什麼。


To Know:醫療 Agent 相關概念速查

概念 簡要解釋
Computer Use 通過觀察和操作軟件界面(截圖、點擊、輸入)來完成任務的能力
EHR 電子健康記錄系統,醫院存放患者就診、用藥、影像等信息的核心軟件
Payer Portal 保險支付方門戶,醫療機構在這裏提交預授權、覈驗保險資格
Prior Authorization 預授權,部分檢查或治療在實施前需要先獲得保險方批准
MCP 用於發現和調用外部工具的標準協議
RPA 通過預先配置的規則或腳本執行重複流程的自動化方式
Rubric points 按評測規則拆分的評分點,衡量部分要求的達成情況
端到端成功率 完整任務滿足全部成功條件的比例
Trace 記錄執行過程、操作動作和界面狀態的軌跡證據
BAA 業務夥伴協議,明確服務商處理受保護健康信息(PHI)的責任
RBAC 基於角色的訪問控制,按崗位分配可訪問的數據和操作

醫療 Agent 影響速覽

  • 開發者與技術負責人:重點不再是模型能不能答對醫學問題,而是要按具體任務驗證執行機制、端到端完成率和完整成本。截圖屬於圖像輸入,多輪調用、工具和運行環境都會計費,不能只看文本 Token 單價。
  • 醫療機構與工作流負責人:需要分清哪些是合成數據演示、廠商評測、企業試點和生產案例。上線時還要落實人工審批、權限配置和審計日誌,不能把演示效果直接當作採購依據。
  • 臨牀人員:短期內更可能感受到的是行政負擔下降,例如預授權材料準備和跨系統查找信息。臨牀判斷和簽字責任仍然在醫生手中。

客觀事實:OpenAI 醫療 Agent 這次發佈了什麼

OpenAI 醫療 Agent 這次讓 AI 做了什麼?

2026 年 11 月 16 日,OpenAI 發佈了面向醫療團隊的計算機操作 Agent 新進展,同時披露了臨牀與行政工作流的評測結果,以及與 CVS Health、Abridge、Ambience、Cigna Healthcare 等企業的合作實踐。HLTH 2026 期間,OpenAI Health AI 負責人 Karan Singhal 也介紹了相關進展。

最能說明這次變化的是官方展示的 MRI 工作流。一位患者因爲下背部疼痛給醫生髮消息,醫生考慮做 MRI 檢查。隨後,Agent 在 EHR 和保險門戶之間完成了三個階段的工作:

  1. EHR 信息讀取:查看患者就診記錄、物理治療記錄和既往影像資料。
  2. 臨牀材料準備:起草 MRI 檢查醫囑、本次就診記錄和給患者的回覆,全部留給醫生審覈。
  3. 保險預授權:沿用同一份患者記錄,進入保險支付方門戶準備 MRI 預授權申請,交給預授權工作人員審覈。

需要說明,這個演示使用的是合成患者數據(Synthetic Patient Data),並非對真實患者的生產操作。它展示的是能力鏈路,不代表任何醫院已經按這個流程處理真實病例。

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

官方還展示了一個兒童骨折後的用藥諮詢案例。家屬詢問兒童布洛芬的用量,Agent 查看就診記錄和影像資料,讀取病歷中記錄的體重和診所給藥劑量,據此起草用藥說明、石膏護理說明和需要緊急就醫的警示症狀。它把醫療記錄保存爲未簽署狀態,把給家屬的回覆保存爲未發送草稿,最終由醫生審批。Elevated PSA 和 Digoxin refill(地高辛續藥)也被列爲 EHR Inbox 的任務類型,但官方沒有公開這兩類任務的完整操作記錄和獨立評分。

從 Chatbot 到 Computer-use 醫療 Agent,變化在哪裏?

傳統醫療問答回答的是一般性知識,醫療文檔生成能寫出草稿,但內容仍要靠人複製進系統。Computer-use Agent 的不同之處在於,它通過“截圖觀察→規劃→點擊或輸入→再截圖驗證”的循環直接進入現有軟件,跨應用完成多步驟任務,並可能改變軟件中的業務狀態。

能力形態 主要輸出 是否接觸業務系統 典型醫療場景 主要風險點
醫療問答 Chatbot 文本回答 否 醫學知識查詢、證據檢索 內容準確性
醫療文檔生成 記錄、信函草稿 間接,需人工錄入 出院說明、預授權信函 內容與病歷不一致
Computer-use Agent 界面操作與系統狀態變化 是,直接操作 EHR 和門戶 預授權填寫、轉診狀態更新、跨系統取數 錯誤點擊、患者混淆、錯誤傳播

在 OpenAI API 中,Computer Use 主要通過 Responses API 實現,支持 click、type、scroll、keypress、drag、screenshot 等動作。官方文檔介紹了兩條路徑:一是 Computer Tool,模型返回結構化的鼠標鍵盤動作,由應用執行;二是 Code Execution,模型生成調用 Playwright、PyAutoGUI 等工具的代碼。對 GPT-6 Astra,官方當前推薦 Code Execution 方式。文檔還特別強調,模型生成了操作指令,並不等於操作已經成功,應用必須執行動作,再通過新截圖等方式確認結果。

OpenAI 醫療 Agent 的評測成績說明了什麼?

OpenAI 公佈了三組核心數據,它們的分母和評價維度各不相同,不能合併成一個“綜合準確率”,也都不是醫學診斷準確率。

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

指標 數值 評測對象 分母 / 口徑 不能理解爲
臨牀任務安全性 99% GPT-6 Astra 325 項經審覈任務,評估錯誤、遺漏或操作是否可能造成患者傷害 診斷準確率、零錯誤
醫生高度認可 93% GPT-6 Astra 646 次評價,五級量表中 Very / Extremely Helpful 合計佔比 任務成功率、646 名醫生
HealthAdminBench 94.3% GPT-6 Astra rubric points 佔比,maximum reasoning effort 完整任務成功率
HealthAdminBench 91.8% GPT-6 Luna rubric points 佔比,maximum reasoning effort 完整任務成功率
單任務成本 $0.085 GPT-6 Luna 特定評測條件,較 Astra 低 98% 生產部署報價

臨牀評審並不只看最後生成的文字,還會檢查 Agent 實際執行的動作、生成的醫療記錄、醫囑和患者消息。也就是說,評估同時覆蓋了內容質量和軟件操作過程。不過官方沒有公佈 646 次評價對應的獨立醫生人數,公告正文也沒有給出置信區間、逐任務結果和完整失敗案例。

HealthAdminBench 是斯坦福 Shah Lab 提出的醫療行政 Agent 基準。根據論文 2604.09937v1,該基準包含 135 項任務和 1698 個子任務,其中 1177 個子任務採用確定性判定,521 個採用模型裁判;論文中完整任務成功率最高的是 Claude Opus 4.6 CUA,爲 36.3%,子任務成功率最高的是 GPT-5.4 CUA,爲 82.8%。早期 Shah Lab 網頁版本是 70 項任務、947 個評分點,當時報告的完整任務成功率最高爲 22.9%,可作爲歷史對照。

這幾組數字分屬不同版本、不同模型、不同日期、不同執行條件和不同指標,不能排成同一張榜單。OpenAI 的 94.3% 是 rubric points 口徑,而論文的 36.3% 是端到端完整成功率,兩者差距本身就提示:醫療 Agent 的“局部步驟做對”和“整件事辦完”可能相去甚遠。

CVS、Cigna、Abridge 和 Ambience 如何落地醫療 Agent?

企業案例的成熟度差別很大,下面按公開披露的狀態歸類。這些數字主要來自企業和 OpenAI 的披露,媒體報道起到交叉印證作用,但不等於第三方審計。

企業 場景 披露狀態 關鍵事實
CVS Health 跨臨牀系統發送文件、轉診、專科會診 生產工作流 一個週末清理了持續數月的文件積壓;另一個 Agent 每天處理數萬次會診相關的系統操作步驟
Cigna Healthcare 護理管理前的跨系統信息整合 已部署 護理人員原需瀏覽 10 多套系統;從概念到部署不到 8 周
Abridge 出院障礙協調 開發中 醫生通過 Abridge Assistant 請求 Agent 並行協調藥物獲取和居家護理
Ambience Healthcare 保險預授權申請 治理方案展示 病歷有歧義時停下詢問醫生,獲批後才提交
Assort 轉診閉環 官方案例 API 寫入轉診信息,Computer Use 在 Athena 界面補齊狀態更新

CVS 的“數萬次”指的是系統操作步驟涉及的工作量,不是數萬個臨牀決策都由 AI 獨立完成。CVS 還開源了 CUA Agent Kit(Apache-2.0 許可證),採用兩階段架構:先由 Computer-use Agent 按自然語言探索工作流,並記錄截圖、動作、目標位置等 Trace 證據;再由 Codex Skill 把成功軌跡固化爲確定性代碼,經工程師審查後重復執行。根據 README,確定性運行階段不需要模型 API Key。

Assort 的案例則說明了 Computer Use 的定位:Assort 已能通過 Athena API 把轉診信息寫入病歷,但完整閉環還差一步界面操作。Agent 直接在 Athena 界面選擇轉診醫生、填寫詳情,並把狀態更新爲 Visit Scheduled,這條轉診隨即從工作人員的跟進列表中移除。API 負責結構化操作,Computer Use 負責補齊 API 沒有覆蓋的部分。

醫療 Agent 如何控制風險?

OpenAI 公佈的治理能力包括 RBAC、審計日誌、應用訪問範圍配置、關鍵操作前的人工審批,以及把 Agent 限制在指定工作流內的控制機制。醫療機構可以隨時暫停 Agent,查看逐步操作日誌。

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

這實際上是一種分權設計:AI 負責整理信息、準備材料和執行授權範圍內的操作,醫生負責臨牀判斷,預授權人員負責行政審覈,醫療機構負責配置權限和監管流程。Agent 的權限必須和臨牀責任邊界對齊。

在數據合規方面,OpenAI 表示 ChatGPT for Healthcare 中的組織數據不會用於訓練基礎模型,CVS 也表示相關生產數據留在自有基礎設施中。但要支持涉及 PHI 的 HIPAA 合規工作流,醫療組織需要使用符合資格的服務,確保服務被與 OpenAI 簽署的 BAA 覆蓋,配置安全設置和數據保留策略,並通過組織權限限制 Agent 能訪問的記錄與操作。因此,“支持 HIPAA 工作流”不等於“所有 OpenAI API 調用自動合規”。

可用渠道方面,相關能力可以通過 OpenAI API、ChatGPT for Healthcare、ChatGPT for Clinicians、ChatGPT Work 和 Codex 使用。符合條件的美國臨牀人員可以免費申請 ChatGPT for Clinicians,這一免費政策有地域和資格限制。ChatGPT for Healthcare 沒有公開統一的固定訂閱價格。


分析判斷:醫療 Agent 的取捨與產業意義

爲什麼醫療行業特別需要 Computer Use 型 Agent?

醫療服務的信息割裂非常典型。一次就診可能同時涉及 EHR、影像系統、處方系統、保險門戶、轉診系統和出院管理平臺,這些系統往往來自不同廠商,接口並不完整。MRI 預授權就是一個縮影:醫生只做了一個臨牀判斷,工作人員卻要在病歷、物理治療記錄、影像資料和保險門戶之間反覆切換、複製和上傳。

從這個角度看,Computer Use 解決的並不是“AI 懂不懂醫學”,而是“信息能不能在系統之間流動”。筆者的判斷是,醫療行政自動化很可能比臨牀診斷自動化更早形成商業規模。原因在於行政任務量大、重複性高、邊界清晰,結果可以通過表單和系統狀態覈驗,責任風險也相對可控。Cigna 把跨 10 多套系統查找信息壓縮到數秒的案例,就體現了這種“先減負、不替代”的路徑。

不過,斯坦福基準也揭示了真正的難點。早期研究發現,跨應用數據傳輸和文檔處理是 Agent 失敗的重要來源,即使理解了患者信息,也可能在上傳文件、填寫字段或更新狀態時出錯。在醫療場景中,一個系統裏的錯誤還可能被複制到多個下游系統,這正是人工審批和操作後狀態驗證不可省略的原因。

開發者如何評估醫療 Agent 的成本與可行性?

對開發者來說,第一步不必直接上 Computer Use。較穩妥的做法是先把工作流拆開:信息抽取、材料起草這類純文本環節,可以先用普通模型接口驗證質量;界面操作環節再單獨評估成功率。以下示例用合成材料驗證“預授權所需字段抽取”這一文本環節,僅作技術演示,不構成任何診療建議:

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",  # 以平臺實際可用模型列表爲準
    messages=[{"role": "user", "content": "從以下合成病歷中列出影像檢查預授權需要覈對的字段清單:……"}]
)
print(resp.choices[0].message.content)
查看帶 Token 成本統計的完整代碼
import openai

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

# 單價:美元 / 百萬 Token,按你實際使用的模型填寫
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,不給出任何診療建議,信息不明確時輸出 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 = ["合成病歷片段 A ……", "合成病歷片段 B ……"]
total = 0.0
for s in steps:
    r = run_step(s)
    total += r["cost_usd"]
    print(r["text"])
print("模型 Token 成本合計(不含工具、環境與維護):", round(total, 6))

🚀 快速驗證建議:在正式接入醫療系統之前,可以先通過 API易 apiyi.com 用一個 API Key 對比多家模型在字段抽取、材料起草等文本環節的表現。新用戶有免費測試額度,適合先跑通評測腳本、積累任務級數據。

成本方面,2026 年 11 月 17 日查詢到的 Standard 短上下文價格(美元/百萬 Token)如下:GPT-6 Astra 輸入 10、輸出 50、緩存輸入 1;GPT-6 Luna 輸入 0.10、輸出 0.50、緩存輸入 0.01。處理速度、上下文長度和地域都會影響實際計費。按 Luna 每任務 0.085 美元和“低 98%”的比例反推,Astra 約爲每任務 4.25 美元,但這是估算值,而且只是基準條件下的成本,不能當作生產報價。

完整覈算應該把每一輪的視覺與文本輸入、計費輸出分別統計,再加上工具調用、運行環境和工程維護。如果重試產生的 Token 已經累計進總量,就不要再額外加一遍。兩檔模型之間接近 50 倍的價差也提示了一種分層思路:複雜推理交給高能力模型,結構化、高頻的步驟交給低成本模型,已經探索穩定的流程則像 CVS 那樣固化成確定性代碼。

💰 成本優化提示:做模型分層時,可以先在 API易 apiyi.com 上用同一套 OpenAI 兼容代碼切換不同價位的模型,跑出每類子任務的質量與 Token 消耗,再決定哪些環節值得用高能力模型。

驗證階段 要回答的問題 建議證據 參考工具
文本環節 抽取和起草質量是否穩定 人工標註對照、NEED_HUMAN 觸發率 API易 apiyi.com 多模型對比
界面操作 端到端完成率是多少 截圖與 Trace、操作後狀態覈驗 OpenAI Computer Use 文檔與沙箱環境
流程固化 哪些步驟可轉爲確定性代碼 成功軌跡復現率 CUA Agent Kit 類兩階段架構
上線治理 權限和審批是否覆蓋關鍵動作 RBAC 配置、審計日誌抽查 機構自有權限與合規體系

醫療 Agent 與 RPA 是替代還是融合?

傳統 RPA 依賴固定規則和界面定位,界面一變腳本就可能失效;Computer-use Agent 能理解自然語言、觀察當前界面並適應變化,但每次重新推理會帶來成本和結果波動。一項比較兩類技術的研究(DOI:10.1080/23311975.2026.2724760)中,P2、P3 兩個流程每種技術各執行 10 次;P1 流程中 Agent 只有 1 次失敗記錄,未納入後續統計,所以不能籠統地說所有任務都執行了 10 次。該研究使用的是 2025 年的工具配置,不能直接代表 2026 年模型的成績。

筆者認爲,CVS 的“AI 探索、代碼固化、重複執行”更可能成爲主流工程形態:Agent 負責發現和理解陌生流程,確定性代碼負責穩定地重複已知流程,API 繼續承擔高頻、結構化的交互,人工審批守住關鍵節點。API、Computer Use、確定性代碼和人工審批組合在一起,比單押任何一種技術都更現實。

醫療 Agent 對整個 AI 產業意味着什麼?

醫療只是一個高門檻的試驗場。它的系統碎片化、合規要求和責任邊界都比一般企業更嚴苛,如果執行型 Agent 能在這裏建立起可審計、可暫停、權限對齊的運行方式,這套方法就可以遷移到保險、金融、政務等同樣依賴老舊系統的行業。

這也意味着產業競爭維度在變化。過去比的是模型能不能寫出好內容,接下來更要比能不能在真實系統裏把事辦完、出錯時能否及時停下、每一步能否留痕追溯。對軟件廠商來說,Computer Use 讓 AI 公司無需完全控制底層軟件也能參與工作流,這會降低集成門檻,也會給“等廠商開放接口”的舊模式帶來壓力。但高可靠、高頻的交互仍然更適合 API,Computer Use 更像是補位者,而不是取代者。

接下來值得關注幾件事:OpenAI 是否會公開逐任務評測數據和完整實驗配置;HealthAdminBench 論文版本能否成爲各家統一對比的口徑;Abridge 的出院協調方案能否從開發進入部署;以及更多醫院的生產數據能否證明端到端完成率真正可用。在這些證據出現之前,演示與評分只是起點,而不是結論。

醫療 Agent 已經證明自己能“動手”,但它能否真正減輕臨牀和行政負擔,還要看它在真實工作流中的端到端完成率、出錯時的停止能力和長期成本。正如那句英文諺語所說:The proof of the pudding is in the eating.(實際效果要靠實踐檢驗。)


參考資料

  1. OpenAI 官方公告:Advancing computer-use agents for healthcare teams
    • 鏈接: openai.com/index/advancing-computer-use-for-healthcare-teams
  2. ChatGPT for Healthcare 幫助文檔:產品能力、BAA 與插件說明
    • 鏈接: help.openai.com/en/articles/20001046-chatgpt-for-healthcare
  3. OpenAI Computer Use 開發文檔:Computer Tool 與 Code Execution 路徑
    • 鏈接: developers.openai.com/api/docs/guides/tools-computer-use
  4. HealthAdminBench 論文:2604.09937v1 版本任務與指標
    • 鏈接: arxiv.org/html/2604.09937v1
  5. CVS Health CUA Agent Kit:兩階段探索與固化架構
    • 鏈接: github.com/cvs-health/cua-agent-kit
  6. Fierce Healthcare 報道:HLTH26 合作方與應用場景
    • 鏈接: fiercehealthcare.com/ai-and-machine-learning/hlth26-cvs-health-cigna-and-ambience-collaborating-openai-test-computer-use
  7. Cambridge Dictionary:諺語原文覈對
    • 鏈接: dictionary.cambridge.org/us/dictionary/english/proof-of-the-pudding-is-in-the-eating

作者:APIYI 技術團隊
技術交流:如需對比多家大模型在 Agent 文本環節的表現,歡迎訪問 API易 apiyi.com 獲取測試額度,更多接入說明可查看 docs.apiyi.com 文檔中心

延伸閱讀

Similar Posts