全部商品分類
當 ＡＩ 醫生開始精準預判手術風險，當ＡＩ輔助診斷系統對肺結節、乳腺癌等微小病變的檢出率超過９０％、當數字孿生重構診療全流程，醫療行業正在經歷一場由ＡＩ技術驅動的范式變革。
５月１４日，復旦大學附屬中山醫院信智部主任助理、規劃與管理中心主任錢琨作客健康界「ＡＩ ＋ 醫療創新應用大講堂」直播間，為大家帶來一場「綜合類國家醫學中心數智化運營管理新實踐」。她深耕計算與臨床融合創新十余年，目前致力于協助院長推進數智化轉型的規劃、管理和運營。在與健康界主持人鄭宇鈞的對談中，錢琨詳細分享了中山醫院在「ＡＩ醫生與未來醫療」方面的前沿探索。
本文精選了直播中的部分內容，供廣大同仁交流探討，歡迎大家在評論區留言分享看法。
龍頭科室如何運用 ＡＩ
質控實現整體診療過程閉環？
聚焦醫療行業，ＤｅｅｐＳｅｅｋ、Ｑｗｅｎ等先進的推理類基模型在進行醫療垂域訓練后，往往具備更強的醫療復雜任務理解和推理功能，其交互、理解能力非常適用于提升醫患溝通的準確性、安全性，有望改善患者服務體驗、提升醫療服務質量。
中山醫院通過開發「ＡＩ醫健助手」實現了此構想，這是一款全場景全人群智能醫療咨詢助手。應用場景覆蓋了體檢、門診、住院，可針對健康人群、輕癥人群、疑難危重疾病人群，可用于健康咨詢、診療咨詢、就醫流程咨詢等服務。
該院以病區圍術期咨詢問答作為試點。在臨床實踐中，圍手術期術前患者咨詢工作存在流程繁瑣的問題。患者因顧慮重復提問造成溝通負擔，而醫生、護士需反復解答同質化問題，占用大量工作時間。
基于此，智能問答機器人成為理想的解決方案，既能釋放高年資醫護人員的時間和精力，使其聚焦核心診療工作，又能通過推送專病科普文章，提升患者健康管理意識。
在該應用場景試點過程中，通過對技術框架進行優化完善，顯著提升了安全問答的精確度，測試數據集表現從７３％提升至９４％，語音問答準確率提升８％，知識命中準確率９５％。
該院在胃癌病區開展元宇宙技術應用測試，其中數字人透明屏引發患者廣泛關注。患者不僅對其操作方式充滿好奇，還關注知識庫的更新情況。測試數據顯示，無人力推廣情況下，每周３０％－５０％病區患者主動使用、交流推薦。這為構建元宇宙環境下的可靠問答體系、實現線上服務閉環，提供了有力支撐。
「ＡＩ醫健助手」既是患者的好幫手，也是醫生的好助手。據介紹，該院在龍頭科室的肝膽腫瘤和肝移植外科，研發了腫瘤整體診療過程閉環的 ＡＩ 質控軟件。該軟件涵蓋診療前基礎評估、腫瘤分期分析、治療方案推薦、術前評估以及治療后用藥提醒等全流程。
圖 ｜ ＡＩ提升決策和質控效率
比如說，該軟件能準確、高效幫助醫生完成分級分期評估。以「肝功能Ｃｈｉｌｄ－Ｐｕｇｈ分級ＡＩ評估」為例，通過人工查閱→分析→計算結果流程，評估一份病例需要約２～６分鐘；而通過ＡＩ輔助，系統進行核對細項→確認結果，１分鐘內即可評估一份病例，評估時間提升了３００％，且統計案例內評估準確率為１００％。
在病歷書寫環節，ＡＩ系統實時處理患者信息，當發現需關注事項時，以小鈴鐺提示醫生。醫生點擊小鈴鐺，可在工作窗口查看簡要內容；點擊表單名稱，便能查看患者評分等詳細信息；后期還可回溯文書原始信息，針對影像學報告、肝性腦病評估、肝功能分級評估及治療方案等內容，進行查缺補漏，實現病歷書寫的全流程質控。
針對三甲醫院普遍面臨的病歷書寫效率難題，在住院病區試點運用大模型輔助書寫。以內科住院病房為例，該技術顯著提升病例生成效果，效率提高了 ７０％，在科室內引發積極測試熱潮。目前，正將這套成熟方法論快速推廣至全院各科室。
圖 ｜ 病史輔助生成、體檢報告輔助生成
在體檢報告生成方面，依托知識庫，既能輔助生成報告，又能幫助患者更好地理解體檢結果。這一功能極大節省了醫生解讀海量檢查數據的時間，使醫生能夠快速為患者提供總結性回復。
整體來看，不限于醫療業務和患者服務，中山醫院的數智化建設還涵蓋了醫院管理、醫學教學和醫學科研等。ＡＩ實踐大體可以總結為以患者為中心，以５Ｇ、人工智能等數字技術重構人、服務、空間交互方式，建立基于智能診療的全程服務理念。
醫院數據治理應該這么分層
為構建堅實的數據基礎，中山醫院以數據治理與匯總為核心，并構建５大覆蓋同城節點算力基礎。依據數據類型與業務需求，對各節點進行差異化功能定位，承擔多院區、多中心科研數據的匯總與處理任務，為科研協作與學術研究提供數據支撐。
依托這一數據平臺架構，該院得以實現數據的統一管理與安全管控。在數字化時代，數據安全已成為關乎民生保障的重要領域，醫院嚴格遵循數據安全規范，通過完善的安全管理機制，切實保障患者隱私權及數據資產安全。在此基礎上，進一步推進數據匯聚整合，開展標準化、一致性的數據治理工作，確保數據質量與可用性。
醫療大模型對數據質量的要求已提升至新層級，早期大模型訓練只需基于現有數據輸入即可，而當前醫學大模型需精準捕捉特定場景中有思維鏈的語料。這類數據在單一醫院內普遍缺失，既需對存量數據進行目標性清洗，也需重新采集增量數據。
因此，無論是開展 ＡＩ 小模型單點測試，還是訓練更精準的專科大模型，高質量數據的清洗與采集均存在巨大發展空間。依托中國龐大的患者基數與醫生群體的實踐積累，相信未來完全有條件積累全球罕見的數據體量與質量，為醫學科研前沿突破提供獨特優勢。
醫院的數據治理分為三層：
第一層是整體范圍的結構化、標準化，對數據的空項、漏項進行對齊和補齊；
第二層針對特定的病種類別或者業務場景，在較小范圍內，基于相應場景進行數據清理工作；
第三層則是精細化操作，針對特定的隊列以及科學研究的專項課題，實施更為細致的治理工作。
通過數據治理，切實將「從點到面」的理念付諸實踐。基于全流程覆蓋的服務模式，在統一的數據標準框架下，實現了不同算法功能的靈活集成與應用。
以門診場景為例，通過該模式，醫院能夠解決多個關鍵問題：
一是優化患者就診過程中，不同算法推送的無縫銜接機制，實現個性化體檢路徑的精準指導；
二是完善患者門診結束返家后的健康管理，借助數字人技術，為其提供用藥推薦與關懷服務。
這些功能均依托統一平臺，以即插即用服務的形式實現，確保各項服務能夠根據實際需求靈活部署與調整。
如何應對大模型幻覺？
關于大模型「幻覺」的問題必須重點關注。大模型正越來越多為臨床診斷提供支持與輔助，但大模型會出現幻覺，胡言亂語，甚至編造假數據。根據Ｖｅｃｔａｒａ的測試，ＤｅｅｐＳｅｅｋ－Ｒ１的幻覺率為１４．３％。
一位醫生曾透露，根據病人的診斷記錄，大模型能利用算法和邏輯推理出一段病理數據，完全看不出來是假的，甚至高年資的醫生也無法分辨出真假。
如果大模型給出錯誤建議，應該如何應對、最大程度降低因「幻覺」帶來錯誤診斷的風險？錢琨告訴健康界，在大模型訓練過程中，中山醫院有一套應對大模型幻覺問題的方法論。
首先，要知道，當大模型生成的診斷判決一旦與患者溝通并傳遞，就無法再消除其影響。因為該判決已進入患者的認知體系，形成特定的知識理念。因此，中山醫院所有工作的核心，在于避免在缺乏完整安全架構的情況下使用「裸奔」的大模型。
ＡＩ 安全是使用大模型工具的首要前提。一定要認識到，當前，大模型存在「幻覺」問題，且這一問題愈發凸顯，它能構建看似嚴密的思維鏈條，將自身漏洞巧妙隱藏，使錯誤判斷更難被察覺，極大增加了識別其錯誤的難度。
第二個邏輯在于對醫學知識正誤的識別。從技術層面來說，許多醫學知識的正確與否，并非簡單的二元對立，難以用絕對的「對」與「錯」進行界定。當缺乏足夠的數據積累和專業知識訓練時，單一模型無法可靠地判斷知識的準確性。
因此，采取「邊界約束」的策略：在既定知識范圍內，模型可以向患者提供相應解答；一旦超出預定義的知識體系，則立即攔截，將服務轉接至人工處理。這種機制在保證信息可信度的同時，也具備較高的技術可實現性，是目前較為理想的解決方案。
整個流程遵循的是「三步走」的策略：
第一步是完成醫學知識體系的掛載，搭建起基礎框架；
第二步則是利用當下熱門的 ＡＩ 價值觀對齊技術，識別患者的真實意圖。這一步至關重要，因為它能對患者提問進行合規性與倫理審查，規避潛在的倫理風險，確保問題符合醫學規范；
第三步是在確認患者問題合理合規后，進入知識庫比對流程。通過自然語言處理技術，把問題與醫學知識庫進行精準匹配。由于知識庫已覆蓋絕大部分醫學知識，因此多數情況下，患者都能獲得基于知識庫核對的準確問答。
但對于罕見或復雜問題，即便擁有海量知識庫，也難以完全滿足患者需求。此時系統將自動攔截此類問題，并采取審慎處理措施：或轉接至人工醫學團隊解答，或建議患者前往線下醫療機構尋求專業診斷等等。
「拿著錘子找釘子」
易造成理解錯配
目前，在大模型落地醫院的應用場景中，更大的難點是流程改造還是技術適配？這是大家非常關心的一個問題。基于多年的實踐，錢琨提出了一些對于ＡＩ大模型落地過程中流程改造以及技術適配的個人看法。
她指出，從醫療體系內部看，醫療流程已經形成了規范，這些流程是歷經數十年形成的規范，有其內在合理性，所以改造難度比較高。不過，當前客觀存在的最大挑戰其實在于技術適配。
作為交叉學科參與者，雖沒覺得學科碰撞存在很大難點，但在對接新技術人員與臨床人員時，常因認知差異導致溝通障礙。許多創業者（如高校研究員）帶著先進技術為醫院解決問題，這種初衷值得肯定，但需警惕「拿著錘子找釘子」的思維，可能更關注最大化技術的使用度。
部分團隊可能過度迷信技術優勢，而忽視對臨床需求的深度理解，誤以為僅憑技術就能快速攻克醫療難題。
醫療流程改造的復雜性不在于其執行難度，更源于體系的龐大性。這主要是因為人類疾病與治療方案的多樣性，決定了醫療流程的復雜性與強規范性。而保障生命安全的核心價值，又使得醫療場景對新技術的應用必須慎之又慎。
盡管如此，醫療流程并非完全不可調整，當技術能無縫嵌入工作流中，且其帶來的效率提升與安全性優勢顯著超越潛在風險時，多數醫療管理者與從業者仍會積極接納。這一過程的關鍵，在于技術與醫療規范的深度融合和適配，而非對現有體系的強行顛覆。
也因此，當前技術與醫療場景的匹配面臨的核心挑戰，是技術人員往往難以快速理解醫療流程規范背后的整體邏輯。因為要全面理解醫療流程背后的邏輯，需要耗費大量時間與精力。若僅以技術為導向 「找釘子」，極易因對單一場景背后的工作流程與醫療風險認知不足，導致理解錯配、供需錯配。
因此，錢琨表示，非常鼓勵研究人員在產品開發早期深入醫院一線，通過長期駐點、觀察一線醫療人員決策的底層邏輯，精準定位真實需求場景，避免因脫離臨床實際而陷入技術與需求的錯配陷阱。
注：文章來源于網絡，如有侵權，請聯系刪除
