英国政府采购医疗AI产品的全景式透视与启示

随着AI（Artificial Intell-igence，人工智能）技术在医疗领域的不断成熟，各国政府积极探索通过政府采购将AI产品引入医疗体系，以提高公共服务效率、改善患者健康状况。英国国家医疗服务体系（National Health Service，以下简称NHS）在该领域进行了诸多实践探索，从社区养老到医院诊断，均有政府采购AI项目成功落地。笔者以英国医疗领域采购AI产品的全流程为切入点，结合Cera Health（一家总部位于英国的数字优先家庭医疗保健公司）的社区护理AI、Behold.ai（一家专注于人工智能医疗领域的创新型公司，总部位于伦敦）的放射诊断AI、Cancer 360癌症数据工具等具体案例，系统剖析需求识别与立项、市场调研与供应商筛选、采购合同管理、部署实施、绩效评估与结果应用5个阶段中的实践经验，以期为优化我国医疗领域政府采购AI产品提供参考借鉴。

英国政府采购医疗AI产品的全过程实践

英国政府在采购医疗AI产品方面已形成较为完整的实践路径，涵盖从需求识别、市场调研、供应商筛选，到采购签约、部署实施、绩效评估等各环节，整体流程体现出以战略目标为引领、以问题导向为核心、以制度设计为支撑的特点。通过一系列试点项目与机制创新，英国持续优化医疗AI的采购与应用体系，为提升公共医疗服务质量提供了有力支撑。

需求识别与立项

政府采购AI产品的首要环节，是明确医疗服务中的实际需求并进行立项。英国从迫切的医疗问题或战略目标出发，识别能够借助AI技术解决的痛点。以社区护理领域为例，老年人跌倒成为导致急诊和住院的主要原因之一：约30％的65岁以上老年人每年都会跌倒，这一情况导致每年超过400万张床位被占用，产生约20亿英镑的开支。针对这一问题，NHS在2023年启动了一项试点项目，引入健康科技公司Cera Health开发的AI预测工具，旨在提前识别高危人群、预防跌倒事件的发生。护理人员通过在AI工具中录入老年人的生命体征，如血压、心率、体温等，实时监测老年人健康状况，并预测未来数日内老年人跌倒或健康恶化的风险。试点结果显示，该工具预测跌倒风险的准确率高达97％，每天最多可预防2000起老年人跌倒和住院事件。这一显著成效，高度契合了NHS降低老年人急诊率、推进“从医院到社区”护理模式转型的需求，也与英国即将发布的为期10年的卫生规划中“由模拟走向数字、由医院走向社区”的战略方向相符合。基于成功的试点数据，NHS迅速立项，将该AI工具在全国范围内推广应用。

在专科诊断领域，英国同样采用需求驱动模式确立AI采购项目。以肺癌早期诊断为例，《英国癌症战略》规定，85％的患者需在转诊后62天内启动诊断治疗流程，但传统放射科路径因人力短缺，常导致诊断延误。为解决这一问题，Somerset NHS信托基金于2022年试点了Behold.ai研发的“红点®”AI算法，该算法可对胸部X光片进行分析，快速筛查疑似肺癌患者，切实满足了临床上加速肺癌诊断的迫切需求。试点结果显示，该AI系统可将疑似肺癌患者的诊断时间从7天缩短至3天，放射科医师工作量减少15％，候诊名单减少57％。这些数据充分证明了推广AI辅助诊断的必要性。基于此，英国政府于2023年6月设立了“AI诊断基金”（AI Diagnostic Fund），投入2100万英镑专项资金，用于推广肺癌影像AI辅助诊断工具。这一中央财政计划体现了英国政府对提高癌症诊断效率需求的积极响应和政策承诺。

在癌症全程管理领域，英国发现各医院均存在患者数据管理碎片化问题，这严重制约了癌症治疗效率。据英国卫生与社会保障部（Department of Health and Social Care，以下简称DHSC）的独立调查显示，NHS存在等待名单激增、体系运转不畅等问题，认为有必要通过数字化提升服务质量。Cancer 360项目正是基于这一需求背景立项。该项目旨在将癌症患者的检查、预约、治疗等关键信息，从分散的电子表格和邮件中整合至统一的数字平台，以便于医疗团队实时掌握每位患者的治疗进程，优先处理病情危急的患者。此举有效缓解了英国癌症护理中“信息孤岛”导致治疗延误的问题。NHS全国临床转型总监Vin Diwakar医生表示，“每位癌症患者都应得到迅速有效的治疗。Cancer 360利用数据为临床人员呈现患者状况的完整图景，使我们能够立即识别并解决治疗延误问题”。明确需求后，英国政府将Cancer 360纳入2024年秋季预算的科技改革重点项目，并提供了相应的资金支持。

综上，英国的AI医疗采购在需求识别和立项阶段，充分展现出问题导向与战略牵引相结合的特点：从具体医疗痛点出发，结合国家卫生战略目标，明确AI技术介入方向和项目；通过开展试点项目验证需求合理性与技术可行性，为后续正式采购奠定坚实基础。

市场调研与供应商筛选

在明确需求并立项后，英国政府和NHS会进行充分的市场调研，筛选合适的AI产品供应商。这一阶段旨在确保所采购的AI工具符合临床要求、具有成熟可靠的技术和合规资质。

首先，资质与认证是筛选的硬门槛。英国要求医疗AI作为医疗器械，需通过英国UKCA（United Kin-gdom Conformity Assessed）/欧盟CE（Conformité Européenne）认证，以证明其安全有效性。Behold.ai研发的“红点®”AI算法在试点前已获得英国UKCA和欧盟CE认证，具备合法上市资质。

其次，英国国家临床护理研究所（National Institute for Health and Care Excellence，以下简称NICE）制定了数字健康技术的循证标准框架，明确了不同风险级别AI产品所需的证据水平。依据该框架，若AI应用于诊断等高风险场景，供应商必须提供更严格的临床有效性和安全性数据，包括对照试验结果、真实世界性能表现等。这意味着，在供应商遴选过程中，采购方会优先选择那些拥有充分证据表明能够改善医疗流程、提升健康结果，且获得临床专家认可的产品。以肺癌筛查AI为例，Somerset试点项目选用Behold.ai，正是因其算法性能经过验证，且在小规模部署中取得积极效果。

最后，政策性支持计划也为市场调研提供参考。自2019年起，英国政府通过NHS AI实验室、“健康与护理AI奖”等项目，资助和孵化了一批有潜力的AI产品。这些项目产出的试点报告、独立评估等成果，为采购方提供了宝贵信息。例如，Behold.ai等影像AI公司参与NHS的AI奖项或试验站点计划，其优势和不足在行业内形成了公开记录。又如，在Cancer 360项目中，鉴于需汇聚全英各癌症中心的数据，可行策略之一是借助既有供应商的全国性数据平台能力。最终，NHS选择将Cancer 360构建于其全国联邦数据平台（Federated Data Platform，以下简称FDP）之上。据报道，FDP的平台供应商为Palantir公司，该平台在特殊时期及其他领域已证实具备数据整合实力，并于2023年获得专项预算继续深化应用。这一选择表明，在市场调研环节，英国倾向于采用成熟可靠且具备扩展性的解决方案，以此降低项目风险和实施成本。

在供应商筛选流程上，英国秉持公开透明和竞争择优的原则，同时借助框架协议简化流程。依据英国《2015年公共合同法规》（Public Contract Regulations 2015，以下简称PCR 2015），高价值公共采购必须采用公开招标方式，或通过合规的采购框架执行。为加快新技术采购进程，NHS下属的共享业务服务（Shared Business Services，以下简称SBS）部门，专门构建了AI采购框架。例如，SBS“AI影像与放疗设备框架”（SBS10034）于2021年启动，纳入多家AI产品与服务供应商，为NHS机构开辟了合法合规的快捷采购渠道。通过该框架，医院能够在预选供应商范围内开展小范围竞价，或实施直接定向采购，在遵守法规的前提下大幅缩短招标周期。这一机制也很好地解释了海外公司得以参与并中标英国AI项目的原因：由于采购框架和公开招标对所有符合资质的厂商开放，英国在择优采购过程中并未给予本土企业特殊关照。以AI诊断基金项目为例，英国共有64家医院获得资金用于部署肺癌AI系统，部分医院选择了总部在美国和印度的Qure.ai公司，该公司产品已在国际市场得到广泛应用。对此，Behold.ai的首席执行官曾提出质疑，指出作为唯一在NHS有商业部署、经过监管批准的英国公司却未获得任何订单。NHS方面回应称，合同由当地组织按照国家采购进行授予。这充分彰显了英国供应商筛选中“竞争优胜”的政策取向，即无论企业来自国内还是国外，只要产品具备充足的实践证据、方案成熟完善且报价合理，均有机会在竞争中脱颖而出。不过，英国政府也意识到，需要在制度层面平衡创新激励与公平竞争的关系。例如，通过倾听本土企业的反馈意见、优化完善评估指标体系等措施，避免国内有价值的创新成果被忽视。

综上，在整体筛选阶段，英国通过严格的合规门槛、要求充分的证据支持，开展全面的市场调研与比较，以及运用框架和招标机制，实现了从“找到能解决问题的AI”到“选中最佳供应商”的过渡。

采购合同管理

目标供应商确定后，英国政府采购即进入正式采购签约环节。在此过程中，英国遵循规范的政府采购流程，同时通过灵活的策略确保合同服务于项目成功和公共利益。

如前文所述，许多AI采购项目可依托既有框架直接执行，无须重复招标。例如，NHS某医院欲采购影像AI系统，若该采购需求处于SBS框架覆盖范围内，便可依据框架条款直接与选定供应商签署订单，大幅提升采购效率。若缺乏适配框架，则需发布招标公告，依照PCR 2015及其后续演进法规（如2023年通过的医疗服务供应商选择机制）执行公开或邀请招标程序。近年来，英国推出的“供应商选择机制”（Provider Selection Regime，PSR），赋予NHS在部分医疗服务采购中更大的灵活性。例如，NHS可在保障服务价值的前提下，续签现有服务合同而无须重新招标。但是，对于技术产品采购，公开竞争仍是主流方式，以确保获取最佳方案和价格。以Cancer 360为例，其依托的FDP平台供应商（Palantir）已通过国家层面的严格招标确定，并签订了框架合同。因此，在开发Cancer 360工具时，无须重新招标硬件或基础架构，只需在原合同基础上增加新功能模块。这种“合同扩展”模式体现了英国善于利用既有合同和模块化开发，快速推进新项目，既节省时间又保障系统兼容性。

在合同条款与风险管控方面，英国公共部门与AI厂商签订合同时，非常注重条款设计以维护公共利益。其一，合同会明确规定服务内容和绩效指标。以Cera跌倒预测AI的全国推广项目为例，在各地NHS组织与Cera签订的服务协议中，详细约定了每月覆盖的患者数、系统可用性、警报响应要求等关键绩效指标，以便于日后评估。其二，合同包含数据安全与伦理条款。鉴于AI系统常需接入患者数据，英国法律（如《英国通用数据保护条例》及本地《数据保护法》等）要求供应商严格遵守数据使用规范。因此，合同会明确数据访问权限、患者隐私保护、数据所有权归属（通常NHS保有数据主权）等条款。此外，若AI算法需持续更新迭代，合同通常会要求供应商在模型更新前履行告知义务，并完成必要的再认证，确保更新不会导致性能下降或引入新风险。这一要求在医疗AI合同管理中尤为关键，因为算法性能可能随时间或环境改变，需持续监管。例如，Behold.ai的“自动报告正常片”功能需在英国护理质量委员会（Care Quality Commission，CQC）注册后方可运行，且所有由AI判定为正常的影像需在24小时内完成人工复核。若合同涉及此类自动诊断服务，需明确厂商在质量监控和报告方面的责任，以及NHS的监督方式。

在资金与支付机制方面，英国多数数字健康合同采用分阶段支付和结果挂钩模式，以降低公共部门采购风险。项目初始部署阶段通常收取一次性实施费用，后续费用则按使用量或绩效支付。例如，Cera的服务可能按每次居家护理访问结算，NHS可通过谈判设定费用上限或争取批量优惠价格。同时，政府设立的专项基金（如AI诊断基金）可用于支付部分采购成本，缓解地方医院预算压力。2023年，英国中央政府通过AI诊断基金向64家信托机构拨款，用于采购肺癌影像AI辅助诊断工具。这笔资金实际上通过合同支付给供应商，增强了医院在合同谈判中的议价能力。合同还明确中央资助结束后的费用承担方式，避免项目中途停滞。从Behold.ai的案例来看，若资助结束后医院不再续约，企业商业模式将遭受冲击，甚至面临经营风险。因此，NHS在签约时会综合考虑项目可持续性，如约定试用期结束且效果达标的情况下，签订长期采购协议，这样既保障了患者持续受益，也为厂商提供稳定预期。同时，合同中会设置退出条款，若AI产品未达到承诺效果或出现安全问题，NHS有权终止合同或更换供应商。

总的来说，英国在采购与合同阶段实现了规范化与灵活性的平衡。一方面，严格遵守公共采购法规，确保采购过程公开透明和公正竞争，同时落实数据安全和伦理要求；另一方面，通过框架协议、中央基金支持、多方协同等方式优化采购流程，并在合同条款中设置绩效评估、数据管理和退出机制，有效降低风险，保障项目目标达成。这种精细化的合同管理模式，为后续部署实施奠定了坚实基础。

部署实施

签订合同后，AI产品需在医疗实际场景中有效落地实施。英国的实践经验表明，技术与现有流程的深度融合，以及对相关人员的充分培训，是部署阶段成功的关键。

在技术部署与系统集成方面，AI工具通常需要与医院或社区已有的信息系统及工作流程对接。NHS虽然整体信息化程度较高，但不同地区系统存在差异。因此，在部署过程中，通常由供应商技术团队与当地NHS的IT（Information Technology，信息技术）部门合作，共同实现系统集成。例如，在医院放射科引入Behold.ai研发的“红点®”AI算法时，需要将该AI软件与医院的PACS影像归档系统相连接，使X光片在拍摄后能自动发送给AI分析，并将结果（如“疑似肺癌”或“正常”标签及热力图）返回到放射科工作站。为达成这一目标，双方必须解决数据接口和标准问题。英国强调采用开放标准以确保互操作性，NHS倡导使用FHIR（Fast Healthcare Interoperability Resources，快速医疗互操作性资源）、DICOM（Digital Imaging and Communications in Medicine，医学数字成像和通信）等医疗数据标准。若现有系统较为陈旧，部署团队则需提供可行的替代方案。在实际操作中，部分医院选择先进行小范围试运行。例如，Somerset NHS信托基金在一个科室内开展AI试点运行，使其与原有流程并行运作，以便在不影响正常诊疗工作的前提下，观察AI输出的准确性、系统性能的稳定性，并逐步进行调整优化。Cancer 360的部署则涉及更为复杂的全院数据流对接，因为它需要将多个科室和外部机构数据汇聚到FDP平台上。为此，试点医院Bath和Chelsea & Westminster投入了充足的IT支持力量，以确保不同来源的数据能够持续上传、更新至中央系统，并在临床使用端提供便捷友好的用户界面。英国的经验表明，在技术部署上必须预留足够的时间和资源，一定要先夯实数字基础，切不可因仓促上线而导致故障。英国政府在秋季预算中专门拨款用于数字基础设施升级，正是为了解决数字化转型中的“最后一公里”难题。

在人员培训与管理流程优化方面，英国在部署AI时高度重视对临床医护人员、护理支持人员以及患者和家属的培训，同时结合AI使用而开展管理流程再造。以Cera居家护理AI为例，其主要使用者为社区护工和护理员，他们需通过App（Application，应用程序）记录老年人的生命体征和日常情况。NHS与Cera合作，在各地组织培训会，向护理团队演示App的使用方法、数据录入规范，以及系统发出高风险警报时的处理流程（如通知护士或家庭医生介入）。考虑到许多护理员不具备技术背景，培训采用了通俗易懂的方式，并通过实际案例演练，帮助他们理解AI警报与实际风险的对应关系。此外，用户友好性也是培训重点。Cera软件能自动生成访视日程和护理计划，有效减轻文书负担，这一优势在培训中被着重强调，有助于提升一线人员对该系统的接受度。

Cancer 360平台上线后，取代了纸质便笺和手工邮件的协调方式，各专业医生和护士需要学习在新系统中查看患者进展、更新状态、留言沟通，同时还要参与多学科团队（multidisciplinary team，MDT）的协作训练。为推动这一转变，医院实施了管理流程再造：管理层通常指定“数字领袖”或超级用户，由他们在科室内带头使用新系统，并在实际操作中指导同事。可见，英国医院在引入数字工具时，往往会同步调整工作流程，甚至重新划分职责分工。例如，Cancer 360上线后，过去肿瘤护士需耗费大量时间进行的手工数据整理工作被系统替代，护士的角色也相应调整为监督系统数据和专注于患者沟通。

总体而言，英国医疗AI项目在部署阶段的实践经验表明，将技术深度融入工作流程并秉持以人为本的理念，是推动医疗变革的关键。只有当AI工具真正嵌入医护人员的日常操作且被熟练掌握，前期采购投入的价值才能充分释放。这一过程充分体现了英国在推进数字医疗转型中的务实态度：不仅需要引入先进技术，更要着重在人员培训和流程优化方面“补短板”，通过系统化的培训与持续支持，将AI技术的潜在效益切实转化为医疗服务质量的现实提升。

绩效评估与结果应用

在AI产品部署后，英国高度重视对其实际影响的系统性评估，并依据评估结果动态优化相关策略。通过客观量化成效并持续迭代改进，既能保障政府采购的资金使用效益，也是推动AI技术可持续应用的关键路径。

在绩效指标设立和监测方面，英国通常在项目启动之初便确定关键绩效指标（Key Performance Indicators，KPIs），并建立数据收集机制，用以监测AI在项目中的实际成效。以Cera跌倒预测项目为例，其核心指标包括：服务老年人数量、系统警报频次、预防跌倒事件次数与避免住院案例数及医疗成本节约额等。全国推广数月后，NHS汇总数据显示，该措施每日能够实现对数千名老年人的居家监护，不仅为医院腾出大量床位，还为NHS日均节省超100万英镑。这些量化成果充分表明，项目达到了预期效果，也为政府后续在预算和政策制定上继续支持AI社区护理提供了有力依据。

在评估与监管方面，为确保评估客观，英国一般会引入独立机构或第三方审查，通常会从两个维度开展评估：一方面，NHS内部的临床审核团队会对AI诊断结果进行抽样复核。例如，医疗监管部门要求在Behold.ai算法试点阶段，对算法判定的正常病例进行100％人工审核，以确认AI没有漏诊重大病变，之后才逐步放宽审核标准。另一方面，独立学术机构也会介入评估成效。例如，NHS AI实验室曾资助大学团队，对某些AI工具在不同应用环境下的表现进行测试，以判断其普适性。这种独立评估能够及时发现AI在真实场景中可能出现的意外。以谷歌糖尿病AI模型为例，据《麻省理工科技评论》（MIT Technology Review）报道，该模型在实验室环境下表现出极高的诊断准确率，但在诊所实际应用时，因环境差异导致诊断效果大打折扣。英国的评估机制特别关注这类现象，从而确保AI不会因现场流程、人员协作等因素影响理论预期效果。在问题处理环节，一旦发现问题，项目团队会立即进行原因分析并作出调整。例如，若护理人员反馈Cera应用存在界面设计不合理的问题，导致数据漏报率上升，产品团队会通过更新应用版本、优化交互设计等方式加以改进。这种反馈驱动的优化机制，有效保障了AI医疗应用的持续迭代与完善。

在政策反馈与扩展决策方面，评估结果直接影响政策走向与后续扩展规划。成效显著的项目将获得推广支持，而表现不理想的项目可能面临规模缩减或整改。以Cera为例，其试点成功推动了在全国范围的推广应用。与之相反，Behold.ai虽在Somerset试点取得亮眼数据，但在全国扩展阶段竞争失利，致使公司经营陷入困境，这也引发了业界对采购流程的反思。英国政府总结这一经验时，计划调整未来基金分配与评审标准，如加大对本土创新的扶持力度，或将供应链多元化、安全性纳入决策考量（Behold.ai首席执行官曾指出，关键诊断依赖外国公司可能存在数据安全风险）。​

另一个典型案例是Cancer 360。因试点显著提升部分医院绩效，英国DHSC宣布将其作为重大改革举措，在全国各医疗信托机构推广，并将其定位为提高英国癌症存活率的重要手段。不过，英国采用柔性推进策略：允许尚未达标的医院优先采用，对于已达标的医院则不做强制要求，避免“一刀切”。这种策略既能激励发展滞后的医院利用新工具追赶，又能为先进医院保留自主选择权，有助于在医疗系统内实现逐步均衡发展。

通过进行严谨的成效评估和持续优化，英国实现了医疗AI项目闭环管理：从立项时对假设价值的验证，到项目实际运行的结果分析，再将成果反馈于政策调整与实践改进，形成不断提升的良性循环。这一经验不仅保障了财政资金的有效利用，也逐步建立起医患对AI技术的信心，为接下来将要发生的技术创新奠定基础。

英国政府采购医疗AI产品的启示

英国在医疗领域采购AI产品的全过程实践，构建起一套较为成熟的框架。该框架有效平衡了公共治理和创新效率的双重要求，其积累的宝贵经验，对完善我国医疗领域的政府采购体系具有重要参考价值。

以国家战略引导政府采购需求识别

英国将AI应用纳入国家医疗战略和专项计划（如NHS长期规划、AI行动计划等），通过顶层设计与财政支持，确保需求识别精准对接最突出的公共卫生挑战。我国可借鉴其经验，制定系统性数字健康战略，以政策引导医疗机构科学梳理AI应用场景需求，强化需求导向与国家医疗改革目标的深度协同。

严格执行认证标准并开展试点验证

英国要求医疗AI产品通过监管认证并具备充分临床证据，方可进入采购环节。同时，英国通过开展小规模试点，验证医疗AI技术的可行性与实施效果。我国可借鉴NICE的数字健康证据框架，分层制定不同风险等级AI产品的准入标准。此外，还应鼓励开展真实场景试点，评估医疗AI技术的适用性与本土化效果，从而降低大规模应用带来的潜在风险。

探索框架协议采购并强化资金支持

英国通过国家级采购框架和专项基金加速AI落地。框架协议预先筛选合格供应商，提供快捷采购渠道。中央财政通过专项基金降低基层单位新技术采购成本。我国可构建数字医疗集中采购平台，设立创新专项基金，在保障公平竞争的同时降低重复招标成本，并以财政杠杆撬动AI产品的初期部署。

完善合同设计与全周期治理

英国通过制定精细化的合同条款，对AI项目全生命周期进行管理，具体涵盖明确绩效指标、数据安全要求、升级维护义务和退出条件等方面。我国需着力提升医疗机构合同管理能力，制定AI采购标准合同范本，细化算法透明性、人工审核机制、数据主权归属等风险控制条款，以此实现“识别—采购—应用—监管”全流程闭环管理。

重视人员培训和流程再造

英国经验表明，AI的落地不仅是技术导入，更是业务流程与人员能力的系统性变革。我国在推进类似项目时，需同步规划医护人员培训体系与组织变革方案，鼓励终端用户参与产品设计；通过流程优化与数字技能培养，促进AI工具与医疗场景深度融合，培育医疗领域数字文化。

建立动态评估机制与弹性政策

英国针对AI项目构建了全周期的绩效监测体系，依据评估结果动态调整推广策略，通过差异化路径推动技术扩散。建议我国借鉴其经验，构建多维度评价指标体系。同时，畅通基层反馈渠道，定期公开评估结果，以数据驱动政策优化，在技术推广中兼顾灵活性与规范性，提高资源配置效率。

构建多方协同治理模式

英国医疗AI项目的落地依赖政府部门、医疗机构、监管机构、企业及临床团队的协同联动。我国可建立跨部门协调机制，明确政府（战略规划与资金支持）、医疗机构（落地执行与需求反馈）、企业（技术供给与服务保障）、监管部门（安全伦理审查）的权责分工，形成 “顶层设计—基层实践—产业支撑—监管护航”的协同推进格局，提升项目实施效率与规模化应用水平。

结语

英国医疗AI采购实践表明，技术创新与制度创新需深度融合，方能释放最大效能。我国在借鉴相关经验时，应结合本土医疗体系特点，从法律法规、医保支付、人员素养等层面进行针对性调整，形成“顶层设计引领、评估机制护航、执行路径灵活”的智慧医疗发展模式，为提升医疗服务质量与可及性提供制度保障。

基金项目： 本文系国家社会科学基金一般项目“政府采购推动全国统一大市场建设的机制、效应和优化路径研究”（项目编号：24BJY054）阶段性研究成果。

（作者单位：中央财经大学）