一份报告可以告诉我们发生了什么，但患者真正需要的，是问题被发现以后有人推动它得到解决。

　　AI报告正在变得越来越常见。治疗数据可以被自动总结，异常指标可以被标记，患者也可以通过自然语言获得解释。

　　但如果报告生成以后，一切就结束了，那么AI只是让“看数据”变得更方便，还没有真正进入患者管理。

　　一份PAP报告可能包含AHI、使用时间、漏气、压力等大量指标。真正的管理并不是把这些数字重新排列，而是判断哪些变化值得关注。

　　例如：使用时间连续下降，是偶然波动还是依从性风险?漏气升高，是短期变化还是已经持续影响治疗?残余 AHI 升高，增加的主要是什么类型的事件?

　　这一步需要从“展示数据”进入“理解治疗”。

　　AI最容易停在这里。

　　系统发现异常，然后生成一句：“建议关注”、“建议咨询医生”。从信息揭示角度看，这没有错;但从患者管理角度看，任务还没有完成。

　　真正的服务闭环需要继续回答：谁来处理?什么时候处理?处理什么?什么情况下要升级?

　　发现问题，不等于解决问题。

　　因此，AI与长期管理真正连接时，需要把异常进一步转化为可执行任务：患者教育、使用指导、面罩适配、随访提醒、专业人员复核或必要的医疗就诊建议。

　　睡眠呼吸患者的问题复杂程度不同。基础使用问题可以通过标准化服务解决，但涉及持续异常呼吸事件、复杂合并症、治疗模式和参数等问题时，需要专业人员参与。

　　因此，一个成熟的AI管理体系不应该试图把所有问题都自动化，而应该知道什么时候需要“把问题交给人”。

　　AI负责提高发现效率、整理信息和生成任务;服务人员负责执行与沟通;复杂问题进入专业人员审核和处置。

　　这种“AI + 人”的协同，往往比单纯追求完全自动化更符合医疗场景。

　　患者接受了一次指导，并不代表问题已经解决。

　　真正的闭环还需要重新读取后续数据：使用时间是否增加?漏气是否下降?残余事件是否改善?患者是否能够持续治疗?

      如果系统只记录“已随访”“已处理”，却不知道处理以后患者发生了什么，那么管理依然停留在流程完成，而不是结果完成。

      AI的价值，不只是把数据变成文字，而是把数据变成行动，再把行动变成疗效。

　　2022年，和普乐构建5D数字化呼吸支持生态系统。其中D代表Digital(数字化)，连接患者从发现问题到长期治疗的完整过程：

　　筛查诊断 → 呼吸治疗 → 疗效评估 → 服务随访 → 长期管理

　　其中，呼吸治疗、疗效评估和服务随访形成一个持续循环：设备产生治疗数据，数据用于疗效评估;发现问题后触发服务随访;完成干预后，新的治疗数据再次用于验证效果。通过这样的持续循环，让“一次设备使用”逐步连接成“长期患者管理”。

　　2023年，在以ChatGPT为代表的生成式AI刚刚进入大众视野，和普乐便开始探索AI与5D的融合。在已有数字化连接的基础上，让AI进一步参与数据理解、问题识别与服务协同，推动5D从“数字化连接”进一步走向“智能化管理”。

　　如果说5D建立的是长期管理的数字化路径，那么AI的加入，则让这条路径进一步具备理解数据、发现问题和推动行动的能力。

　　AI可以贯穿5D的不同环节：

　　• 在筛查诊断中，辅助整理和识别信息;

　　• 在呼吸治疗中，持续理解设备产生的治疗数据;

　　• 在疗效评估中，帮助发现异常与趋势;

　　• 在服务随访中，把问题进一步转化为随访、指导或专业复核任务;

　　• 在干预以后，再通过新的治疗数据验证结果。

　　于是，原本的数字化流程开始形成一个更完整的智能闭环：

　　数据产生 → AI发现问题 → 触发行动 → 服务/专业人员介入 → 数据验证 → 持续管理

　　随着AI Agent的发展，这种能力还可能进一步从“发现问题”走向“推动任务”——在明确规则和专业边界下，主动识别需要关注的患者、生成待办、推动随访、追踪结果，并在必要时升级给专业人员。

　　5D连接患者长期治疗过程，AI让这个过程更早发现问题、更快推动行动，并持续验证结果。

　　回到最开始的问题：

　　从AI报告到患者管理，中间还差什么?

　　差的并不是更多文字、更复杂的报告，而是报告之后的行动与闭环。

　　• 有没有发现真正的问题?

　　• 有没有触发正确的行动?

　　• 需要专业帮助时，有没有及时介入?

　　• 干预以后，有没有重新验证结果?

　　不是让呼吸机多一个AI功能，而是让设备、数据、AI与服务共同进入患者长期治疗过程。

　　当这些环节真正连接起来，AI才从“看懂一份报告”，开始进入患者长期管理。

　　Hypnus 和普乐

　　设备 × 数据 × AI × 服务

　　让一次设备交付

　　成为长期睡眠与呼吸健康管理的开始