复旦中山医院AI实践全解析，你想知道的答案都在这！

当 AI 医生开始精准预判手术风险，当AI辅助诊断系统对肺结节、乳腺癌等微小病变的检出率超过90%、当数字孪生重构诊疗全流程，医疗行业正在经历一场由AI技术驱动的范式变革。

在技术浪潮下，大三甲医院正成为这场AI+数字孪生革命的主力军。这些医院通过自身创新实践，为更多医院的数字化和智能化建设提供了宝贵的经验。

5月14日，健康界「AI + 医疗创新应用大讲堂」直播间邀请到复旦大学附属中山医院信智部主任助理、规划与管理中心主任钱琨，为大家带来一场「综合类国家医学中心数智化运营管理新实践」。她将深度解析中山医院如何通过AI+「数字孪生革命」重塑三甲医院诊疗体系。

钱琨是计算神经科学博士，她现在是复旦中山医院信智部主任助理，兼规划与管理中心主任，负责复旦中山医院智慧医院体系的规划和运营。她深耕计算与临床融合创新十余年，荣获全国医院信息化杰出领导力人物等行业奖项。还兼任复旦大学人工智能创新与产业研究院副教授，担任中国医学装备协会智慧医院会副秘书长、中国医院协会信息专业委员会常委等等。

直播亮点抢先看：

打造「AI医健助手」

咨询知识命中率达95%

DeepSeek作为低成本、开源的高质量大模型，引发了百业俱兴的繁荣景象。聚焦医疗行业，DeepSeek具有更强的理解和推理功能，将其交互、理解能力应用于提高医患沟通极具潜力，有望改善患者服务体验、提升医疗服务质量。中山医院通过「AI医健助手」实现了此构想，这是一款全场景全人群智能医疗咨询助手。应用场景覆盖了体检、门诊、住院，可针对健康人群、轻症人群、疑难危重疾病人群，可用于健康咨询、诊疗咨询、就医流程咨询等服务。以病区围术期咨询问答为例，在临床实践中，围手术期术前患者咨询工作存在流程繁琐的问题。患者因顾虑重复提问造成沟通负担，而医生、护士需反复解答同质化问题，占用大量工作时间。基于此，智能问答机器人成为理想的解决方案，既能释放高年资医护人员的时间和精力，使其聚焦核心诊疗工作，又能通过推送专病科普文章，提升患者健康管理意识。针对该应用场景，对技术框架进行优化完善，这显著提升了安全问答的精确度，其中知识命中准确率95%。还在胃癌病区开展元宇宙技术应用测试，其中数字人透明屏引发患者广泛关注。患者不仅对其操作方式充满好奇，还关注知识库的更新情况。测试数据显示，无人力推广情况下，每周30%-50%病区患者主动使用、交流推荐。这为构建元宇宙环境下的可靠问答体系、实现线上服务闭环提供了有力支撑。「AI医健助手」既是患者的好帮手，也是医生的好助手。以「肝功能Child-Pugh分级AI评估」为例，通过人工查阅→分析→计算结果流程，评估一份病例需要约2~6分钟；而通过AI辅助，系统进行核对细项→确认结果，1分钟内即可评估一份病例，评估时间提升了300%，且统计案例内评估准确率为100%。

从点到面

数据治理可分三层

为构建坚实的数据基础，中山医院以数据治理与汇总为核心，构建5大覆盖同城节点的数据网络体系。依据数据类型与业务需求，对各节点进行差异化功能定位，承担多院区、多中心科研数据的汇总与处理任务，为科研协作与学术研究提供数据支撑。依托这一数据平台架构，该院得以实现数据的统一管理与安全管控。在数字化时代，数据安全已成为关乎民生保障的重要领域，医院严格遵循数据安全规范，通过完善的安全管理机制，切实保障患者隐私权及数据资产安全。在此基础上，进一步推进数据汇聚整合，开展标准化、一致性的数据治理工作，确保数据质量与可用性。医院的数据治理分为三层。第一层是整体范围的结构化、标准化，对数据的空项、漏项进行对齐和补齐；第二层针对特定的病种类别或者业务场景，在较小范围内，基于相应场景进行数据清理工作；第三层则是精细化操作，针对特定的队列以及科学研究的专项课题，实施更为细致的治理工作。通过数据治理，切实将「从点到面」的理念付诸实践。基于全流程覆盖的服务模式，在统一的数据标准框架下，实现了不同算法功能的灵活集成与应用。以门诊场景为例，通过该模式，医院能够解决多个关键问题：一是优化患者就诊过程中，不同算法推送的无缝衔接机制，实现个性化体检路径的精准指导；二是完善患者门诊结束返家后的健康管理，借助数字人技术，为其提供用药推荐与关怀服务。这些功能均依托统一平台，以即插即用服务的形式实现，确保各项服务能够根据实际需求灵活部署与调整。

如何应对幻觉？

关于大模型「幻觉」的问题需要重点关注。大模型正越来越多为临床诊断提供支持与辅助，但如果大模型给出错误建议，应该如何应对，最大程度降低因 “幻觉” 带来错误诊断的风险？

在大模型训练过程中，中山医院采取了一系列举措来减少幻觉问题。

首先，当大模型生成的诊断判决一旦与患者沟通并传递，就无法再消除其影响。因为该判决已进入患者的认知体系，形成特定的知识理念。因此，中山医院所有工作的核心，在于避免在缺乏完整安全架构的情况下使用「裸奔」的大模型。AI 安全是使用大模型工具的首要前提。一定要认识到，当前，大模型存在「幻觉」问题，且这一问题愈发凸显，它能构建看似严密的思维链条，将自身漏洞巧妙隐藏，使错误判断更难被察觉，极大增加了识别其错误的难度。第二个逻辑在于对医学知识正误的识别。从技术层面来说，许多医学知识的正确与否，并非简单的二元对立，难以用绝对的「对」与「错」进行界定。当缺乏足够的数据积累和专业知识训练时，单一模型无法可靠地判断知识的准确性。因此，采取「边界约束」的策略：在既定知识范围内，模型可以向患者提供相应解答；一旦超出预定义的知识体系，则立即拦截，将服务转接至人工处理。这种机制在保证信息可信度的同时，也具备较高的技术可实现性，是目前较为理想的解决方案。整个流程是一个「三步走」的策略。第一步是完成医学知识体系的挂载，搭建起基础框架；第二步则是利用当下热门的 AI 价值观对齐技术，识别患者的真实意图。这一步至关重要，因为它能对患者提问进行合规性与伦理审查，规避潜在的伦理风险，确保问题符合医学规范；第三步是在确认患者问题合理合规后，进入知识库比对流程。通过自然语言处理技术，把问题与医学知识库进行精准匹配。由于知识库已覆盖绝大部分医学知识，因此多数情况下，患者都能获得基于知识库核对的准确问答。但对于罕见或复杂问题，即便拥有海量知识库，也难以完全满足患者需求。此时系统将自动拦截此类问题，并采取审慎处理措施：或转接至人工医学团队解答，或建议患者前往线下医疗机构寻求专业诊断...更多精彩内容，欢迎扫码预约，5月14日下午18:00来直播间与钱琨主任共探「AI 医生」与「元医院」的未来图景。

扫码加入「ALL in Al Health 创新应用大讲堂」医项目
更有主题社群畅聊AI医疗解决方案！