AI眼底筛查即时出结果，糖尿病视网膜病变转诊就诊率近乎翻倍

核心要点

• 问题：糖尿病视网膜病变（diabetic retinopathy，DR）是成人可预防失明的主因，但非洲筛查项目普遍面临"查出来也没人去转诊门诊"的最后一公里难题——转诊不依从。
• 方法：英国伦敦卫生与热带医学院（LSHTM）团队在坦桑尼亚 24 家医院开展双臂随机对照试验，2378 名糖尿病患者 1:1 分入「AI 即时结果 + 面对面咨询」组与「延迟人工阅片 + 电话咨询」标准组，主要结局是真正需转诊者在 8 周内到中心眼科门诊就诊的比例。
• 结果：AI 组 8 周就诊率为 35.9%（157/437），标准组仅 18.2%（85/467），绝对提高 17.7 个百分点（OR 2.52，95% CI 1.86–3.42，p<0.0001）；就诊时间也从 36.9 天缩短到 10.9 天。
• 意义：这是少数以"患者是否真正获得后续治疗"而非"诊断准确率"为主要结局的医学影像 AI 随机对照试验，为医疗 AI 评估验证补上了"流程价值"这一关键维度。
• 原文：Artificial intelligence-supported diabetic retinopathy screening in Tanzania: a randomised controlled trial，The Lancet Global Health，2026-10-12

1. 糖尿病视网膜病变筛查的"最后一公里"难题

糖尿病视网膜病变（diabetic retinopathy，DR）是长期高血糖损伤视网膜微血管所致的并发症，早期往往无症状，一旦进展到增殖期就可能造成不可逆的视力损害，是成年人可预防失明的主要原因之一。筛查能在视力受损前发现早期病变，从而通过及时治疗保住视力。

但筛查的价值，最终取决于患者有没有真的走进转诊门诊。在坦桑尼亚等资源有限地区，标准筛查流程是：眼底照片先送到附近医院由人工阅片，结果几周后再通过电话通知患者。这一步往往成为断点——患者要等上数周、接到电话、理解风险、克服交通与生计负担才能去就诊，许多人就此失联。医学影像 AI 诊断能否解决这个问题？这项发表在《柳叶刀·全球健康》（The Lancet Global Health）的随机对照试验给出的答案是：能，但靠的不是"看得更准"，而是"当场给结果"。

2. AI眼底筛查的核心创新

这项工作的创新不在于造一个新模型，而在于把评估 AI 的尺度从"诊断准确率"换成了"患者结局"，并系统证明了即时结果的价值。

第一，以就诊率为主要结局。 过去多数医学影像 AI 研究只报告灵敏度、特异度这类技术指标。这项试验把主要结局设为"真正需转诊的 DR 患者在 8 周内到中心眼科门诊就诊的比例"，直接追问 AI 是否改善了健康系统的实际产出，而非停留在算法层面。

第二，即时结果解锁面对面咨询。 干预组的关键变化是流程：AI 在患者拍完眼底照的当下就给出"是否需转诊"的结果，让医护人员能立即当面解释、回答问题、安排后续。对照组则回到"延迟人工阅片 + 电话通知"的老路。结果是"当场说清楚"远胜"几周后打电话"。

第三，在真实筛查项目里做随机对照试验。 试验在乞力马扎罗（Kilimanjaro）和阿鲁沙（Arusha）地区 24 家医院的常规非传染性疾病/糖尿病门诊中进行，纳入 2378 名真实患者，而非回顾性数据集或模拟场景，证据等级更高。

3. 技术原理：即时结果如何改变筛查闭环

从流程角度看，这套系统做的是把"筛查—转诊—就诊"这个闭环里的等待环节压掉。输入是患者的一张眼底照片；AI 的处理是当场判断它属于「无需转诊」「需要转诊」还是「无法判读」；输出不是治疗建议，而是一个即时转诊决策和一次面对面的沟通机会。

这里必须分清两层。一是诊断层：AI 读图判断 DR 的严重程度，这套读图能力本身并不比人工阅片惊艳——它的特异性（67.2%）甚至低于坦桑尼亚本地分级员。二是流程层：因为 AI 秒级出结果，患者不用等几周的电话，当下就能得到解释和引导，这才是就诊率翻倍的直接来源。作者也明确强调，获益来自"即时结果 + 面对面咨询"的组合，不能单独归因于 AI 的读图能力。

4. 数据说话：转诊就诊率近乎翻倍

试验共招募 2378 名糖尿病患者（AI 组 1192 人、标准组 1186 人），其中 904 人被设盲的英国认证分级员判定为"真正需转诊的 DR"。最硬的一条结论是：在真正需要治疗的人里，AI 组的 8 周就诊率比标准组高出 17.7 个百分点，几乎翻倍，且差异在 16 周后依然存在。

但数字也揭示了代价。AI 的特异性只有 67.2%，意味着假阳性更多——因假阳性而就诊的比例，AI 组为 11.1%，标准组仅 6.7%（OR 1.75，p=0.0031），会增加转诊门诊的负担。此外，即便在 AI 组，真正需转诊者中仍有约 64% 没能在 8 周内就诊，说明"看得见"之后，专科服务的可及性仍是天花板。

5. 从实验室到临床：应用前景与局限

在应用层面，这一结果提示了一个可推广的范式：在低资源地区，AI 的价值可能更多来自"压缩等待、即时反馈"的流程改造，而非单纯的读图精度。坦桑尼亚卫生部作为合作方，已承诺将该 AI 诊断纳入多个地区的糖尿病眼筛查项目，是研究走向政策的一个现实信号。

局限同样不能回避。第一，这是单一国家两个地区的试验，卫生系统、交通、就医文化差异大，能否外推到其他地区尚需验证。第二，获益不能归因于 AI 单独，即时结果和面对面咨询共同起作用，未来需拆解各环节的贡献。第三，AI 特异性偏低带来更多假阳性转诊，可能加重本就紧张的专科资源。第四，研究未直接测量视力结局，“就诊率翻倍"是否最终转化为"更少的失明"仍需更长期随访。作者也提醒，提高筛查效率必须配合可及的专科治疗，否则只是把瓶颈向后挪。

6. 结论与产业启示

这项随机对照试验给出的最硬结论是：在坦桑尼亚的糖尿病眼筛查项目中，AI 即时出结果 + 面对面咨询，让真正需转诊的 DR 患者 8 周就诊率从 18.2% 提升到 35.9%，近乎翻倍——但这是流程价值，不是读图精度。

对医疗 AI 产业有三点启示。其一，评估要补上"患者结局"这一环：灵敏度、特异度之外，还要看 AI 是否真正改变了就医行为和治疗结局，这是医疗 AI 评估验证的应有之义，与此前对急诊 AI 决策支持前瞻评估的观察一致——技术指标好不等于临床落地好。其二，低资源场景优先做"流程价值”：即时反馈、当场沟通这类投入小、见效快的改造，可能比追求更高精度更值得优先落地，这正是医学影像 AI 诊断在基层的务实路径。其三，警惕特异性代价：AI 假阳性多会加重转诊负担，部署医疗 AI 解决方案时必须把专科容量纳入整体规划，否则"查得更早"会变成"排队更久"。从眼底照锁定致病基因到AI 走进眼科门诊，眼科正成为医学影像 AI 落地最密集的验证场，而本研究补上了最难得的一块证据——真实患者、真实结局。

相关问题

问：AI 眼底筛查现在就能大规模用于临床吗？ 答：还不能直接推广。这是单一国家两个地区的试验，结论是"流程价值"而非"读图精度"，且未直接证明能减少失明。作者明确呼吁在更多卫生系统中重复验证，坦桑尼亚卫生部承诺的推广也仍在推进中。

问：AI 会替代眼科医生或阅片员吗？ 答：不会。AI 替代的是"延迟人工阅片 + 电话通知"的等待环节，靠秒级出结果解锁面对面咨询；而专科医生的诊断、治疗和转诊门诊服务仍是整个链条中不可替代的一环。

问：这对中国医疗环境意味着什么？ 答：方法可借鉴——用"就诊率/结局"而非单一准确率来评估 AI 价值，尤其适合基层慢病筛查。但中国有成熟的眼底筛查与转诊体系，需用本土数据、本土流程做验证，不能照搬坦桑尼亚的结论。

参考文献

1. Cleland CR, Bascaran C, Makupa WU, et al. Artificial intelligence-supported diabetic retinopathy screening in Tanzania: a randomised controlled trial. The Lancet Global Health, 2026. https://doi.org/10.1016/j.langlo.2026.104062
2. Bellemo V, Lim ZW, Lim G, et al. Artificial intelligence using deep learning to screen for referable and vision-threatening diabetic retinopathy in Africa: a clinical validation study. The Lancet Digital Health, 2019. https://doi.org/10.1016/S2589-7500(19)30004-4
3. Teo ZL, Tham YC, Yu M, et al. Global prevalence of diabetic retinopathy and projection of burden through 2045: systematic review and meta-analysis. Ophthalmology, 2021. https://doi.org/10.1016/j.ophtha.2021.04.027

本文基于该论文的独立解读，仅供学术交流，不构成临床建议。