公共卫生与医疗运营
突破级
有讲解视频
收录解读
随着临床工作流中同时部署多种 AI triage 设备，系统级运营问题开始变得比单模型指标更重要。很多研究只报告某个 AI 对目标疾病的 time-to-read 改善，却缺乏对多病种、多优先级和多设备叠加后整体 wait-time 结构性影响的分析。作者把这个问题明确建模为 multi-AI, multi-disease clinical workflow 的定量评估问题。
论文提出 multi-QuCAD 框架，将 queueing theory 和 workflow simulation 结合起来，显式建模疾病患病率、医生阅读时间、AI 性能、preemptive 与 non-preemptive scheduling 以及 priority/hierarchical triage protocol 等因素。其关键发现是：某些 AI triage 设备虽然显著缩短了目标病例等待时间，却可能系统性推迟其他同样紧急但未被该模型覆盖的病例。也就是说，它测量的是 deployment externality，而不是单个 AI 的局部收益。
它值得正式收录，因为这篇论文真正进入了医疗运营与 clinical AI orchestration 的难题：多 AI 系统如何一起部署而不伤害整体流程。对仓库来说，这类工作比单一医疗 benchmark 更有长期价值，因为它提供了一个面向真实医院工作流的 deployment evaluation interface。
它暂时还不到更高一级，原因是当前主要聚焦 radiology triage workflow，且仍是 preprint。它的方法框架很有外溢，但需要在更多临床科室、更多设备组合和真实部署案例中进一步验证。