医学孤儿的出口
上个月看到 OpenAI 发的那篇波士顿儿童医院案例，我以为又是一篇大医院配合大模型公司的公关稿。
划了几段。
没走。
有一类病叫罕见病。定义是发病率低于 1/2000。全球已知有 7000 多种，超过 3 亿人患病，其中大多数是孩子。
这类病有个说法叫"诊断漂流"——diagnostic odyssey，我不太喜欢这个词的翻译，"奥德赛"太浪漫了。实际上它的意思是：一个孩子带着一堆说不清的症状，被父母拉着从一家医院跑到另一家医院，从一个科室转到另一个科室，跑几年，跑十几年，没有人能告诉他们这孩子到底得了什么病。
EURORDIS 调查了 42 个国家的罕见病患者——平均确诊时间 4.7 年。其中 25% 的患者要等超过 8 年，看过的专科医生数量常常超过 8 位。
我想了一下这个"8 位医生"是什么感觉。不是一次看诊，是一次次把同一叠资料从包里掏出来，一次次从头解释"他 3 岁开始出现……"，然后一次次等着看对方是不是这次能给出个答案。
这还是在能跑到医院的情况下。
波士顿儿童医院是美国顶尖的儿童医院之一。它有一个项目叫 Children's Rare Disease Collaborative，CRDC，专门接这类"漂流"进来的孩子。
CRDC 接到的患者，很多已经去过多家医院。来的时候带着厚厚一叠资料：基因检测报告、影像片子、从各地医生那里抄来的病历，和父母五年、十年的焦虑。
问题不在于没有数据。
是数据太多，太散，太专——一个基因科医生哪怕再厉害，人脑处理文献的速度是有限的。全球每年发表的基因研究数以万计，单基因遗传病相关的论文每年就有好几千篇。一个新发现的致病基因，可能三个月前才出现在某篇 Nature 子刊上。那个月刚好这位医生在带学生、在写申请书、在处理另一个紧急病例。
这不是哪个人的失职。这是一个知识量远超单人处理上限的结构性问题。
这就是他们找 OpenAI 的背景。
他们做的系统，医院自己叫它"co-pilot geneticist"——副驾驶遗传学家，大概是这么个意思。不是机器人医生，是坐在遗传学家旁边的那个助手，随时把病历、基因数据和全球医学文献整合进来，帮找方向。
技术上我没找到特别细的公开资料——OpenAI 的案例文章里说了方向，但没给实现细节。但原理不难猜：把患者表型（有哪些症状、体征）、基因组数据，跟现有文献里的基因-疾病关联做匹配，用大模型做综合推理，给出候选诊断方向。输出的不是"这孩子得了 X 病"，是"你应该往这几个方向去找，优先级大概是这样的"。
不是一个按钮出答案的机器。
是帮医生在茫茫文献里找到那根细线。
到目前为止，这套系统帮助确诊了超过 40 例之前"被认为不可能诊断"的罕见病案例。
40 例，听起来不多。
但这 40 例，每一例背后可能是一个家庭漂流了五年、八年。
有没有具体的孩子姓名和病例细节？我没找到公开披露的资料——我不会编。这类案例涉及到真实的脆弱人群，病历本来就是极私密的东西，公开了什么、没公开什么，医院自有考量。OpenAI 的案例文章里写的是"此前没有答案的家庭"，CRDC 的数据是"拿到基因诊断的患者里，70% 因此改变了治疗方案"。
70%。
我停了一下，想这个数字的意思——不是做了个检测，是本来治错方向的，或者完全没治可走的，确诊之后有了新的可能。
我平时怼的是那种"上面要 AI"的落地。
花几百万，KPI 完成了，患者感受没动。AI 当摆设，给汇报用的。这种我见过很多，没什么可写的。
波士顿儿童医院这件事，属于另一类。
难在哪？
罕见病诊断这件事，原来有一个结构性的坑：病足够少、够罕见，所以大部分医生一辈子也碰不到几例，经验没法积累。最新的基因研究日新月异，但临床一线的医生没时间跟踪。整个系统设计出来是为了处理常见病的，罕见病在里面是边角料。
AI 在这里干的活，不是替代遗传学家，是给遗传学家一个"能跟上文献速度的助手"。
这件事人做不到。不是能力问题，是人脑对信息的处理速度，跟每年几万篇文献的更新速度之间，存在一个物理意义上的差距。
我也不确定 40 例是不是终点。
OpenAI 通过 NextGenAI 项目往波士顿儿童医院投了 5000 万美元——含研究资助、算力和 API 资源。这个体量，肯定不是为了 40 个案例。
医院那边也有另一组数字：通过 50 多个自动化流程，节省了 6 万多个员工小时，折算大约 700 万美元的人力可以重新分配——供应链、手术排班、OR 利用率这类运营环节。
这两件事并排放在一起很有意思。
一件是救人，40 个家庭。一件是省钱，700 万美元。
ROI 报告里写的是后者。驱动这件事往下走的，可能也主要是后者。
但最后那 40 个诊断，是前者的事。
我想过这件事有没有问题。
有。
一个 AI 给出的候选诊断，后面还得遗传学家确认、做验证性检测、评估临床意义。不是出了答案就结束。错误的候选方向会把医生的注意力带跑。70% 改变了治疗方案，这个数字是好消息——但另一面是还有 30% 改变了什么都没有，或者还在等。
还有一个问题是：这套系统目前在顶尖研究型儿童医院里跑。去不了波士顿、去不了资源好的大城市的孩子——AI 帮不到他们。至少现在帮不到。
最先用上最好工具的，从来都是本来就资源最好的地方。这不是 AI 特有的问题，但 AI 不会自动改变它。
这件事和所有医疗技术进步一样，分配不均的问题会在一段时间内比技术本身更真实。
但我还是觉得这件事值得单独写一篇。
不是因为它神。
是因为这是我这几年看到的 AI 落地案例里，少见的一类——AI 做的事，是人在这件事上存在物理限制，不是懒，是真的做不到。
文献是真的读不完的。基因-疾病关联是真的追不上的。
我做 AI 产品的，平时接触的落地场景大部分是"让人更快做能做的事"。这件事不一样——它在处理的，是"人根本没有时间和容量做到的事"。
一个孩子在漂流七年之后，等来的不是"很遗憾我们尽力了"，而是一个诊断——哪怕这个诊断是机器先找到的方向。
我读到这里，有点久没有的感觉。
不是"AI 改变世界"那种大词的感觉。
是——嗯，这个用对了。
这件事，这块地方，这个结构性的缺口，用对了。
至于之后会怎样，系统会扩到什么规模，还有多少孩子能用上它，多少用不上——
我不知道。
也许比我想的多。也许比我想的少。