AI准备度不看科室看任务：330项临床任务打分，任务类别解释力是科室的十倍
核心概要
衡量一个医学专科能否被AI改造，答案更多藏在它由哪些临床任务组成，而不是它叫什么名字。研究团队按美国专科认证目录选取22个专科、每科15项共330项临床任务，用可编码性、数据结构依赖、决策权可转移性、身体依赖、临床可治理性和专科中心性六个维度做三点量表打分，汇总为医学专科AI准备度（MSAIR）。任务类别解释了71.6%的调整R²，专科只解释6.4%；文档记录平均分最高（2.874），急诊决策最低（1.639），专科均值仅在2.010到2.543之间。
深度剖析
衡量AI对医学的影响，分析单位从专科换成临床任务后，同一专科内部的任务差异比专科之间的差异更能说明问题。 此前关于哪些专科最易被AI自动化的讨论多以专科整体为单位，影像解读等单项能力的高表现常被外推为整个专科的准备度。 22个专科的MSAIR均值落在2.010至2.543之间，跨度0.533；而任务类别均值从急诊决策的1.639到文档记录的2.874，跨度1.235，是前者的两倍多。
任务类别对AI准备度的解释力远高于专科归属，把专科加进模型只带来很小的额外解释。 以任务为单位的回归中，仅用专科作分类变量时调整R²为0.064，仅用任务类别时为0.716。 两者同时入模后调整R²升到0.734，只多出1.7个百分点；去掉专科中心性后重跑，任务类别为0.778、专科为0.098、合并为0.799，结论不依赖中心性的纳入或双重加权。
每项任务按六个维度打分再加权合成，专科分数只是其15项任务得分的算术平均。 六个维度中五个描述任务本身能否被AI承接，专科中心性单独描述该任务对专科身份的重要程度。 主分数为(C+D+T+P+G+2S)/7，专科中心性权重加倍；任务取自美国医学专科委员会认证目录，任务清单主要依据毕业后医学教育认证委员会的专科胜任力框架，共330项。
启示与展望
这套框架给出的是所选任务组合的汇总准备度，用于相对比较，而非AI采纳、自动化或岗位替代的绝对概率。适用读者是医疗管理者、政策制定者、医学教育者和专业学会，用来判断哪些临床工作环节更可能先变。原文提出后续应以更广泛的国际专家共识、更大的专科任务清单和反映AI能力进展的定期更新来评估该框架，同一任务思路也可用于其他医疗职业或健康系统职能。
任务的选择与打分包含专家判断，数据库未经正式德尔菲流程，换一批研究者可能选出、定义或打出不同的任务与分数。六个维度及其权重属于方法学选择，其他框架可能给出不同估计。AI能力与临床实践变化很快，准备度应视为动态而非固定，需要随技术、任务与专科实践演进而重新评估。