Clinical Harness for Governable Medical AI Skill Ecosystems：构建可治理的医疗 AI 技能生态

背景

当前，医疗人工智能（Medical AI）领域的发展主要围绕孤立的模型（isolated models）展开。这种以单一模型为核心的架构在实验室环境或特定任务中表现优异，但在真实的临床护理场景中却面临巨大挑战。临床护理并非静态的任务执行，而是一个需要跨时间维度持续存在、具备问责能力（accountable capabilities）的复杂过程。

现有的 AI 应用往往缺乏对生命周期护理（lifecycle care）的支持能力，难以在动态变化的临床环境中保持连续性、安全性和可解释性。因此，业界亟需一种新的架构，能够将分散的 AI 能力整合为可注册、可编排、可监护且可监控的“技能”，从而满足临床对责任归属和长期稳定性的严苛要求。

核心内容

本文提出了一种名为 Clinical Harness 的运行时治理架构（runtime governance architecture），旨在构建可治理的医疗 AI 技能生态系统（Governable Medical AI Skill Ecosystems）。该架构的核心概念是“临床 AI 技能”（Clinical AI Skills），即把 AI 能力封装为标准化的、可复用的单元。

1. Clinical Harness 架构功能

Clinical Harness 作为一个运行时治理层，主要承担以下四项核心职能：

• 注册（Registering）：将不同的 AI 模型或算法封装为标准化的“技能”，并在系统中进行登记和管理。
• 编排（Orchestrating）：根据临床需求，动态组合和调度多个 AI 技能，以支持复杂的医疗流程。
• 监护（Guarding）：在运行时提供安全护栏，确保 AI 决策符合医疗规范和安全标准。
• 监控（Monitoring）：持续跟踪 AI 技能的表现和状态，确保其在长期运行中的可靠性和问责性。

2. 以骨质疏松症（Osteoporosis）为例的实证

为了验证该架构的有效性，文章以骨质疏松症的护理为例，展示了 Clinical Harness 如何支持全生命周期的护理。在这一场景中，系统整合了三种不同范式的 AI 技能：

• 知识驱动的技能（Knowledge-driven skills）：基于医学指南、专家规则和结构化知识库，提供符合临床标准的诊断建议。
• 数据驱动的技能（Data-driven skills）：利用机器学习模型分析患者的电子健康记录（EHR）、影像数据等，发现潜在的风险模式和个性化治疗建议。
• 物理增强技能（Physics-enhanced skills）：结合生物力学原理和物理模型，评估骨骼强度、骨折风险等与物理特性相关的指标。

通过 Clinical Harness 的运行时治理，这三种技能被有机地编排在一起，不仅实现了从筛查、诊断到治疗和随访的全流程覆盖，还确保了每个环节的可追溯性和责任明确性。

关键要点

• 范式转变：从“孤立模型”转向“可治理的技能生态系统”，强调 AI 能力在临床场景中的持续性和问责性。
• 运行时治理：引入 Clinical Harness 作为中间件/平台层，解决 AI 模型在部署后的管理、调度和监控问题。
• 多范式融合：支持知识驱动、数据驱动和物理增强等多种 AI 范式的技能共存与协作，适应医疗场景的复杂性。
• 全生命周期支持：通过技能的编排，实现从预防、诊断到治疗、康复的长期护理支持，而非仅关注单次诊断。
• 安全与合规：通过“监护”和“监控”机制，确保 AI 决策符合医疗伦理、法规和安全标准，降低临床风险。

意义与影响

Clinical Harness 的提出标志着医疗 AI 从“模型中心”向“系统中心”的重要演进。其意义在于：

1. 提升临床可用性：通过标准化和编排，使 AI 能力能够无缝嵌入现有的临床工作流，解决 AI 落地难的问题。
2. 增强问责与安全：运行时治理机制为 AI 决策提供了透明度和可追溯性，有助于满足医疗行业对安全性和合规性的严格要求。
3. 促进生态协作：开放的技能注册和编排架构鼓励多方开发者贡献不同的 AI 技能，形成丰富的医疗 AI 生态系统。
4. 推动个性化与精准医疗：通过整合多种数据源和知识体系，Clinical Harness 能够支持更复杂、更个性化的患者护理方案，特别是在慢性病管理和长期护理领域。

总之，该研究为构建可持续、可信赖且高效的医疗 AI 基础设施提供了新的理论框架和实践路径。