医疗分诊自动化在哪些方面存在不足？
在高风险的医疗分诊中，当漏诊癌症或错误分类严重程度的代价不可接受时，完全自动化最不适用。2023年一项关于深度学习模型用于筛查性乳腺MRI分诊的研究发现，虽然该模型能够安全地将11%的检查标记为“极低可疑度”且未漏诊任何癌症（100%敏感性），但其特异性仅为19%——这意味着它将81%的正常检查标记为潜在可疑，而放射科医生的特异性则超过91%[1]。这表明该模型作为分诊工具有助于减轻放射科医生的工作负担，但由于会产生过多假阳性警报，无法取代人类的判断。
在紧急医疗服务中，急救人员与护士进行的院前分诊涉及对疾病、伤情及转运至合适医院的复杂决策。2023年一项涵盖98项研究的范围综述发现，分诊严重程度及医院选择的错误依然存在，且针对非创伤性患者类型、以及减少院前与院内专业人员交接环节错误的研究仍存在空白[2]。另一项2023年专门针对移动紧急救护中护士电话分诊的综述强调，最佳实践仍在探索中，且该过程需要依靠人类判断来应对模糊的患者描述[4]。这些研究共同表明，在患者病史、背景及细微临床线索至关重要的分诊决策中，完全自动化最不适用。
完全自动化的客服分流在什么情况下会失效？
在客服系统中，当客户类型难以识别且错误分类成本较高时，分诊最不适合完全自动化。2021年一项采用包含两类客户（服务成本与等待成本不同）的排队模型的研究发现，当业务流量强度既不过低也不过高，且将客户正确归类为重要客户的概率处于中等水平时，分诊效果最佳[3]。然而，若分诊容易出错且耗时较长，反而可能降低系统性能——该研究建议采用状态依赖策略，而非对所有客户进行分诊[3]。这意味着在实际客服场景中，若客户重要性无法通过初始数据明确判断，缺乏人工监督的完全自动化分诊可能导致优先级误判。
为什么合同审查难以完全自动化？
尽管所引用的论文并未直接研究合同审查，但分诊研究中的原则同样适用：合同审查涉及隐藏风险、模糊措辞，且错误分类的代价极高。2021年关于隐藏客户身份的研究[3]具有相关性，因为合同条款往往存在隐含的重要性，这种重要性只有在详细的人工审查中才会显现。深度学习模型在医疗分诊中19%的低特异性[1]揭示了一个普遍规律：自动化系统擅长排除明显案例，但在处理边界模糊或依赖具体情境的判断时则力不从心。在合同审查中，完全自动化很可能会遗漏细微的法律风险，或过度标记无害条款，因此最不适用于高价值或复杂协议——这类场景下，单个错误就可能代价高昂。
关于这些来源
该回答基于4项研究（3篇经同行评审，1篇为预印本）——发表于2021年至2023年间，其中2篇发表于Q1期刊——这些研究是从通过质量筛选的4项研究中选出的最具相关性的成果，而后者又源自从超过5亿篇论文的数据库中检索出的34篇文献。
本文引用的文献
使用集成深度学习模型对高风险女性筛查性乳腺MRI检查进行自动分诊
在一项针对16,535例乳腺磁共振成像的回顾性研究中，深度学习模型将11%的筛查检查归类为“极低可疑”，灵敏度达100%（无漏诊癌症），但特异度仅为19%，而放射科医生的特异度超过91%。这表明该模型作为分诊工具有用，但无法独立判读。
院前急救系统中的分诊：一项范围综述
一项涵盖98项院前分诊研究的范围综述发现，严重程度分类和医院选择中的错误依然存在，并指出需要对非创伤性患者类型、分诊教育以及减少院前与医院专业人员之间的交接错误开展研究。
在隐藏客户类别身份的服务系统中，何时进行分诊？
通过采用包含两类隐藏顾客的排队模型，研究发现：当交通强度适中、正确分类概率中等、且不同类别间重要性差异较大时，分诊效果最为显著；基于状态的分诊策略优于始终分诊或从不分诊的策略。
急诊医疗服务——注册护士实施的院前分诊：范围综述
一项关于移动急救护理中护士电话分诊的范围界定综述方案指出，最佳实践仍在建立中，这凸显了制定循证指南以提升护士主导的电话分诊有效性的必要性。