维度网讯，英国国家医疗服务体系(NHS)正在引入AI驱动的虚拟护理技术，以应对持续攀升的医疗压力。截至2026年初，英格兰地区NHS等待名单已增至约725万人，医院床位紧张、医护人员短缺等问题持续交织，促使政策层面加速将护理重心从医院转移至社区。欧洲虚拟护理企业Doccla副首席执行官迈克尔·麦克唐纳对此评论道：“NHS正面临前所未有的压力，拥有720万患者等待名单，患者在救护车和走廊里等待，而没有前几年那样不断增长的预算。”
Doccla总部位于英国伦敦，是一家专注于AI驱动虚拟护理和主动医疗的技术公司。公司通过机器学习模型，结合NHS数据与自有的专有数据集，识别存在恶化风险的患者。血氧饱和度、血压、心电图等临床级可穿戴设备提供的连续数据被实时分析，以捕捉早期预警信号，使临床团队能够在患者病情恶化至需要急诊干预之前介入，从而安全地管理规模更大的院外患者群体。Doccla的虚拟病房方案覆盖慢性阻塞性肺病、心力衰竭和衰弱症等长期疾病患者，同时面向刚出院但仍有再入院风险的患者群体。
麦克唐纳曾在NHS英格兰和谷歌DeepMind任职，2026年3月正式加入Doccla担任副首席执行官。他在接受Artificial Intelligence News采访时表示，AI支撑了虚拟护理的规模化运作，机器学习模型结合NHS数据和专有数据集，配合来自临床级可穿戴设备的连续数据，让临床团队更早干预，从而安全地管理远超传统模式承载量的患者群体。
在NHS体系内的实测数据构成该方案有效性的直接注脚。Doccla的报告显示，其AI虚拟护理方案在英国NHS系统中实现了61%的床位天数缩减、39%的非择期入院下降以及89%的全科医生预约减少。公司同时披露，每投入1英镑，NHS可节省约3英镑，与传统非技术模式对照。每日每名患者成本相较医院床位节省约450英镑，投入产出比在连续运营中持续显现。2026年1月，巴尼特医院与Doccla合作启动了NHS迄今规模最大的同类居家护理计划，由巴尼特医院团队管理与Doccla的远程监测配合，项目将持续至2027年4月。同期，刘易舍姆健康与照护合作伙伴关系与Doccla联合推出了“Virtual Ward Plus”项目，聚焦社区长期呼吸系统疾病患者的数字监测与主动干预。
Doccla的Proactive Care Platform平台架构整合了多种数据来源，跨NHS数据集、电子健康记录和可穿戴设备流式数据，以识别高风险患者并触发临床响应。该平台由Doccla内部的多学科临床团队提供支撑，包括医生、护士和其他医疗专业人员，与本地NHS服务紧密协同运作。平台理念是将干预时点前移至危机发生之前，通过软性信号、生命体征读数和症状提交的综合分析，实现及时的临床复核和升级转诊。新任全球首席医疗官乔纳森·塞尔金特博士将主导虚拟护理的规范化、安全化扩展。
AI预测模型同样被应用于NHS等待名单的管理环节。C2-Ai开发的平台利用AI对择期治疗患者进行优先排序，提高积压名单的消化效率，并在患者等待期间提供支持。在试点阶段，该AI系统使“未到诊”发生率在六个月内下降了30%，避免了377次缺席，额外接诊了1910名患者。苏塞克斯大学医院引进AI呼叫支持系统后，患者电话等待时间从超过30分钟压缩至不足3分钟。
Doccla的虚拟护理方案在布里斯托尔展示了具体病种级别的成效。独立评估显示，该公司在布里斯托尔的主动护理项目使急诊入院减少了34%;诺福克和诺维奇大学医院的虚拟病房项目使高风险患者再入院率降低了34%。2025年7月至2026年2月的运营统计进一步印证这一趋势——Doccla平台共成功预防7791起急诊入院，总计节省NHS开支约370万英镑，累计病房照护天数达19144天。Doccla虚拟护理平台已部署至巴尼特医院、皇家自由伦敦NHS基金会信托、赫特福德郡社区NHS信托、刘易舍姆健康与照护合作伙伴关系等多个NHS机构。
从技术架构审视，AI虚拟护理的差异化能力建立在机器学习驱动的预测性临床分析和可穿戴设备驱动的持续数据采集两个核心支柱之上。机器学习模型融合NHS数据与专有数据集，识别恶化风险患者;临床级可穿戴设备提供血氧、血压、心电图等连续数据流，使AI可在早期预警信号出现时自动触发临床团队响应。这一架构将传统护理模式中“患者主动求医—医生被动接诊”的链路，反转为“数据主动预警—医生提前介入”的闭环，在不增加人力成本的前提下扩展了单个临床团队可管理的患者容量。当前限制临床采纳的核心障碍仍在于信任缺口——预测模型必须在多样化患者群体中交付准确且公平的结果，方可在真实临床环境中规模化部署。
随着NHS英格兰稳步推进将更多护理工作从医院转向社区的“Fit for the Future: 10 Year Health Plan for England”十年健康规划，AI虚拟护理方案正加速嵌入主流医疗体系中。这一路径并非以AI取代临床医生，而是通过机器学习与可穿戴数据重构院外患者的监测和干预链路，将医疗系统的容量约束从床位和人力扩展至算法与数据的处理能力。
本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com
