2026年10月13日，英国《柳叶刀-全球卫生》（The Lancet Global Health）发表了一项在坦桑尼亚24家医院开展的随机对照试验（RCT），评估人工智能（AI）辅助糖尿病视网膜病变（DR）筛查对转诊后就诊率的影响。结果显示，AI辅助筛查组达到转诊标准的患者中，8周内前往专科就诊的比例为35.9%，而常规筛查组仅为18.2%，绝对增幅达17.7个百分点，相对提升约97%。更值得关注的是，研究者坦承：AI组仍有约64%的转诊者未能在8周内就诊——筛查效率的提升，并不自动等于治疗闭环的形成。

一、研究背景：糖网筛查的“最后一公里”困境

糖尿病视网膜病变（DR）是糖尿病最常见的微血管并发症之一，也是全球工作年龄人群致盲的主要原因。由于早期往往没有明显症状，大量患者在出现不可逆视力损害后才首次就诊，错失最佳干预窗口。

据估算，到2045年，全球将有4400万至8200万人面临由DR导致的视力丧失风险（来源：Cleland等，Lancet Glob Health，2026年10月）。在撒哈拉以南非洲等地区，眼科专科资源极度匮乏，从筛查到确诊、从确诊到治疗之间的“断链”问题尤为突出。

传统的糖网筛查模式通常遵循这样的路径：基层或非眼科科室使用眼底相机拍摄视网膜图像→图像送至上级医院由眼科医生或经过培训的医务人员进行人工判读→数周后通过电话或短信将结果通知受检者→建议需要转诊的患者前往眼科专科就诊。

这条链条的每一个环节都存在脱落风险：图像可能在传输中延迟，人工判读需要排队等待，电话通知可能无法接通，患者收到通知后可能因交通、费用、信息理解不足等原因放弃就诊。研究团队指出，在坦桑尼亚等低收入国家，“筛查了但没看上病”的现象相当普遍（来源：Cleland等，Lancet Glob Health，2026年10月，论文引言部分）。

AI辅助筛查的引入，理论上可以在两个环节带来改善：一是替代或辅助人工判读，缩短从拍摄到出结果的等待时间；二是将即时判定结果嵌入现场咨询流程，让患者在筛查当天就能获得面对面的结果解读和转诊建议。但这一假设能否经受住RCT的检验，正是本项研究试图回答的核心问题。

二、研究设计与方法

2.1 研究团队与机构

本研究由英国伦敦卫生与热带医学院（London School of Hygiene & Tropical Medicine，LSHTM）国际眼科健康中心的查尔斯·克莱兰（Charles R. Cleland）博士领衔，联合坦桑尼亚乞力马扎罗基督教医学中心（Kilimanjaro Christian Medical Centre）共同完成。坦桑尼亚卫生部作为研究合作方参与。

2.2 研究设计

研究采用平行分组随机对照试验设计（RCT），这是评估干预措施效果的最高级别临床研究设计之一。受试者按1:1比例随机分配至AI辅助筛查组或常规筛查组。

2.3 研究现场与时间

研究覆盖坦桑尼亚乞力马扎罗（Kilimanjaro）和阿鲁沙（Arusha）两个地区的24家医院，入组时间为2023年3月至2024年8月，跨度约18个月。选择多个地区、多家医院的设计，有助于提高结果的外部效度和代表性。

2.4 受试者

共纳入2378例参加糖尿病眼部筛查项目的糖尿病患者。入组标准相对宽泛，旨在反映真实筛查场景中的患者构成，而非严格筛选的试验人群。

2.5 干预组与对照组

AI辅助筛查组： 受检者在筛查现场使用眼底相机拍摄视网膜图像后，图像即时经AI系统进行评估，当场生成筛查结果（是否存在需要转诊的DR病变）。医护人员根据AI判定结果，当面向受检者提供结果解读和就诊建议。

常规筛查组： 受检者同样拍摄视网膜图像，但图像由附近医院的眼科医务人员或经过培训的判读者进行人工评估。评估完成后，结果在数周后通过电话通知受检者，并提供相应的就诊建议。

2.6 主要终点

研究的主要终点并非视力变化或失明发生率，而是达到转诊标准后8周内的专科就诊率。这是一个“过程指标”而非“临床结局指标”，反映了从筛查到实际接受治疗之间的衔接效率。

2.7 盲法设计

研究设置了独立评估者（independent assessor），对所有受试者的视网膜图像进行统一评估，以确认哪些病例确实达到了转诊标准。这一设计有效避免了因AI系统与人工判读者标准不同而导致的测量偏倚。

三、核心结果：数据全景

3.1 转诊人数

经独立评估者确认，2378例受试者中共有904例达到了DR转诊标准（来源：Cleland等，Lancet Glob Health，2026年10月，论文全文数据）。其中：

• AI辅助筛查组：437例达到转诊标准

• 常规筛查组：467例达到转诊标准

两组转诊人数的差异不大，说明两组人群的基线特征较为均衡，也侧面印证了随机化的效果。

3.2 8周内就诊率（主要终点）

这是本研究最核心的发现：

• AI辅助筛查组：437例转诊者中，157例在8周内前往眼科专科就诊，就诊率为35.9%

• 常规筛查组：467例转诊者中，85例在8周内就诊，就诊率为18.2%

• 绝对增幅：17.7个百分点

• 相对提升：约97%（来源：Cleland等，Lancet Glob Health，2026年10月13日）

近一倍的相对提升，在公共卫生干预领域是一个相当可观的效果量。但需注意，绝对就诊率仍仅为35.9%（绝对水平及讨论见下文第五部分）。尤其考虑到这并非在医疗资源充裕的环境中取得，而是在撒哈拉以南非洲的基层医疗体系中实现的，其实践意义更值得重视。

3.3 就诊间隔时间

在那些实际前往专科就诊的患者中，研究进一步比较了从筛查到就诊的时间间隔：

• AI辅助筛查组：平均10.9天

• 常规筛查组：平均36.9天

AI组患者的就诊等待时间缩短了约26天，不到常规组的三分之一。在糖尿病视网膜病变的进展过程中，将近一个月的时间差可能意味着病变从可治疗阶段进展到需要更复杂干预甚至无法逆转的阶段。

3.4 数据小结

四、机制解读：AI筛查的“疗效”究竟来自哪里？

这或许是本研究最值得深入讨论的部分。AI辅助筛查组的就诊率为什么几乎翻倍？答案并不简单地在于“AI更准确”或“AI更快速”。

4.1 两条路径的根本差异

让我们仔细对比两组受检者从“拍完眼底照”到“走进眼科诊室”的完整体验：

AI组的路径：
拍完眼底照→AI系统数秒内出结果→发现达到转诊标准→当场由医护人员面对面告知结果→解释病情、回答疑问、强调及时就诊的重要性→给出转诊建议→受检者带着清晰的信息和紧迫感离开

常规组的路径：
拍完眼底照→图像送交附近医院→等待人工判读（数周）→数周后电话联系受检者→电话中告知结果和转诊建议→受检者需自行安排时间前往就诊

两条路径之间有三个关键差异：

第一，时间差。 AI组是“即时反馈”，从拍片到拿结果仅需数秒至数分钟；常规组是“延迟反馈”，需要等待数周。在延迟期间，受检者可能已经忘记了筛查这件事，或者对电话通知产生不信任。

第二，沟通方式。 AI组是“面对面咨询”，受检者可以当场提问、确认理解、表达顾虑；常规组是“电话通知”，沟通效率低、互动有限、难以确认对方是否真正理解了病情的严重性。

第三，心理冲击。 当面被告知“您的眼底有病变，需要尽快看眼科”与在电话里听到同样的话，对患者心理的影响截然不同。面对面的沟通更容易建立紧迫感，也更容易让患者感受到医护人员的关心和支持。

4.2 研究者怎么说

论文主要作者克莱兰博士在LSHTM新闻稿中明确指出：“在AI辅助路径中，患者能够在筛查现场即时获得结果，同时接受医护人员的面对面咨询，有机会提问、了解治疗方案，并在就医过程中感受到支持。”（来源：LSHTM新闻公报，2026年10月13日）

换言之，AI系统在这里扮演的角色，与其说是一个“更聪明的诊断工具”，不如说是一个“流程加速器”——它把出结果的时间从数周压缩到了即时，从而让面对面咨询成为可能。真正改变患者行为的，可能不仅是AI的判定能力，更是由即时结果所激活的“当场咨询+情感支持”这一整套沟通机制。

4.3 一个重要的前提

需要指出的是，本研究的设计无法将“AI判定本身”与“即时反馈+当面咨询”的各自贡献拆开来看——两组差异是一个“打包效应”，这一局限性将在下文详述。

五、局限性与冷静思考

5.1 无法拆分AI贡献与流程贡献

如前所述，本研究AI组的干预是一个“组合包”——AI即时判定+面对面咨询。研究设计没有设置“AI即时判定但不安排当面咨询”或“延迟反馈但安排当面咨询”等拆分对照组，因此无法判断就诊率提升中，有多少来自AI的技术能力（更快、更准确地出结果），有多少来自流程设计的变化（即时反馈创造了当面沟通的窗口）。

这意味着，如果一家机构引入了AI辅助筛查工具，但不同时改造筛查后的沟通流程，比如仍然采用电话通知，则未必能获得本研究中观察到的效果。

5.2 64%未就诊率：筛查不等于治疗闭环

尽管AI组就诊率相对提升了97%，但绝对值仅为35.9%，仍有超过六成的转诊者未能在8周内前往专科就诊。

这个数字发出了一个重要信号：即使筛查端实现了效率飞跃，如果下游的专科可及性（距离、费用、号源、候诊时间等）没有同步改善，大量需要治疗的患者依然会流失。正如研究者在论文中所强调的，“改善筛查还需配合提高专科诊疗服务的可及性，才能更有效预防视力丧失”（来源：Cleland等，Lancet Glob Health，2026年10月）。

对于任何试图借鉴本研究经验的机构而言，64%的未就诊率是一面镜子——它提醒我们，筛查只是链条的起点，不是终点。

5.3 终点是就诊率，不是视力结局

本研究的主要终点是“8周内是否前往专科就诊”，而非视力变化、失明发生率或生活质量改善等临床硬终点。这是一个合理的务实选择——在资源有限的环境中，要跟踪数千名患者的长期视力结局既不现实也不经济。

但这也意味着，我们无法从本研究中直接得出“AI筛查减少了多少失明”的结论。就诊率的提升是一个积极的中间指标，但它到最终视力保护之间，还隔着“是否真的接受了治疗”“治疗是否有效”“治疗是否及时阻止了病变进展”等多个环节。

5.4 研究环境的特殊性

本研究在坦桑尼亚的中低资源医疗环境中开展，其筛查路径、患者依从性、专科可及性等条件与中国非公眼科机构的运营环境存在较大差异。直接外推数据时需要谨慎，但其揭示的“即时反馈+当面咨询”机制逻辑，具有跨场景的参考价值。

5.5 AI系统的准确性并非本研究的评估重点

需要指出的是，本研究的主要关注点是“AI筛查策略对就诊行为的影响”，而非“AI算法本身的诊断性能”。AI系统在本研究中扮演的是流程工具的角色，其敏感性、特异性等诊断指标并非论文的核心结论。因此，不宜用本研究的数据来论证某个AI算法的优劣。

六、政策动态：坦桑尼亚卫生部的承诺

值得注意的是，坦桑尼亚卫生部作为本研究的合作方，已公开承诺在多个地区将AI诊断整合到糖尿病视网膜病变筛查项目中（来源：LSHTM新闻公报，2026年10月13日）。这一政策信号表明，对于医疗资源匮乏的国家和地区，AI辅助筛查正在从“学术研究”走向“公共卫生政策”。

这一动向对于全球范围内的眼科筛查实践具有示范意义——它表明，在严格的研究设计和独立评估框架下，AI辅助筛查在真实世界中展现出的公共卫生价值，足以支撑政策层面的采纳决策。

七、非公启示：中国非公眼科机构能学到什么？

本研究的意义不仅在于其学术价值，更在于它为非公眼科机构优化糖网管理流程提供了可操作的思路。以下是四条具体启示：

启示一：64%的未就诊率是一个警示——建立筛查后主动随访机制

本研究AI组的绝对就诊率仅为35.9%，提示即使在最优化的筛查流程中，仍有大量患者流失。在中国非公机构的实际运营中，这一比例可能更高。

建议机构在糖网筛查项目中建立分层随访机制：

• 对于达到转诊标准的患者，不应仅靠患者自觉就诊，而应在筛查后48小时内进行首次主动随访（电话、微信、短信多通道并行）

• 设定7天、14天、30天三个随访节点，逐步升级提醒力度

• 对于高危但犹豫不决的患者，可安排眼科医生或护理人员一对一沟通，解答疑虑

• 记录每一位转诊患者的就诊状态和脱落原因，形成闭环管理数据

筛查的价值不在于“筛了多少人”，而在于“多少人最终得到了治疗”。

启示二：重塑“筛查后沟通”流程，比单纯引入技术工具更重要

本研究最大的发现不是“AI比人准”，而是“即时反馈+当面咨询”的组合效应显著优于“延迟电话通知”。

对于非公眼科机构而言，即使在眼底影像判读环节尚未引入AI工具，也可以立即着手优化筛查后的沟通流程。例如：

• 将糖网筛查结果告知环节从“电话通知”改为“预约当面解读”

• 在筛查当日即为受检者安排简短的眼科咨询时段

• 设计标准化的结果告知话术和书面材料，帮助患者理解病情紧迫性

流程改造的成本远低于硬件投入，但其对患者就诊行为的促进效果可能超出预期。

启示三：糖网管理是非公机构打造差异化服务的重要切口

在糖尿病视网膜病变（DR）管理领域，非公眼科机构具备独特的优势——灵活性高、服务流程可定制、患者体验可深度设计。

本研究提示，非公机构可以将糖网管理打造为“筛查-评估-咨询-转诊-随访”全流程闭环服务，而非仅仅是一个“拍片检查”的环节。当公立医院的糖网筛查仍停留在“拍完照回去等电话”的模式时，非公机构若能提供“当场出结果+面对面咨询+主动随访”的一站式体验，将在患者满意度和就诊转化率上形成显著竞争优势。

启示四：借鉴RCT研究设计思路，为自身服务提升提供循证依据

本研究的设计思路——设立对照、随机分组、预设终点、独立评估——为非公机构开展自身的服务质量改进研究提供了范例。

非公机构完全可以在内部开展小规模的流程优化研究，例如：

• 对比“当面告知”与“电话通知”两种模式下的患者就诊率差异

• 评估不同随访频次对高危患者就诊依从性的影响

• 监测从“筛查日”到“首次专科就诊”的平均时间变化

这类内部研究不需要达到学术论文的规模，但其产出的数据可以帮助机构管理者做出更明智的运营决策，避免“凭感觉管理”。

八、结语

这项在坦桑尼亚24家医院完成的RCT，用严谨的研究设计回答了一个重要的实践问题：AI辅助筛查能否让更多需要治疗的患者真正看上病？

答案是肯定的——至少在这项研究的特定条件下，AI辅助筛查路径使8周内就诊率从18.2%提升至35.9%，就诊间隔从37天缩短至11天。

但答案也是有限的——即使经过了流程优化，仍有64%的转诊者未能及时就诊，且本研究无法告诉我们AI技术本身与流程改造各自的贡献有多大。

对于中国非公眼科从业者而言，这项研究最重要的启示或许不在于“要不要引入AI”，而在于一个更本质的问题：我们的糖网筛查流程，从“发现病变”到“患者接受治疗”之间，还有多少可以缩短的距离？

答案，可能就藏在那些看似不起眼的流程细节里——一个当场告知的结果、一次面对面的沟通、一个主动拨出的随访电话。

技术从来不是银弹，但好的流程设计，可以让技术的价值真正落地。

免责声明：本文仅供学术交流和行业参考，不构成任何医疗建议或产品推荐。文中涉及的研究数据来源于已发表的学术论文，具体解读以原文为准。任何医疗决策请咨询专业医疗机构和执业医师。