原来综合类国家医学中心是这么数智化运营管理的！

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。       

5月14日，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作客健康界「AI + 医疗创新应用大讲堂」直播间，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」。她深耕计算与临床融合创新十余年，目前致力于协助院长推进数智化转型的规划、管理和运营。在与健康界主持人郑宇钧的对谈中，钱琨详细分享了中山医院在「AI医生与未来医疗」方面的前沿探索。   

本文精选了直播中的部分内容，供广大同仁交流探讨，欢迎大家在评论区留言分享看法。

龙头科室如何运用 AI

质控实现整体诊疗过程闭环？

聚焦医疗行业，DeepSeek、Qwen等先进的推理类基模型在进行医疗垂域训练后，往往具备更强的医疗复杂任务理解和推理功能，其交互、理解能力非常适用于提升医患沟通的准确性、安全性，有望改善患者服务体验、提升医疗服务质量。 

中山医院通过开发「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。        

该院以病区围术期咨询问答作为试点。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。

在该应用场景试点过程中，通过对技术框架进行优化完善，显著提升了安全问答的精确度，测试数据集表现从73%提升至94%，语音问答准确率提升8%，知识命中准确率95%。    

该院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。据介绍，该院在龙头科室的肝胆肿瘤和肝移植外科，研发了肿瘤整体诊疗过程闭环的 AI 质控软件。该软件涵盖诊疗前基础评估、肿瘤分期分析、治疗方案推荐、术前评估以及治疗后用药提醒等全流程。    

图 | AI提升决策和质控效率

比如说，该软件能准确、高效帮助医生完成分级分期评估。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%。 

在病历书写环节，AI系统实时处理患者信息，当发现需关注事项时，以小铃铛提示医生。医生点击小铃铛，可在工作窗口查看简要内容；点击表单名称，便能查看患者评分等详细信息；后期还可回溯文书原始信息，针对影像学报告、肝性脑病评估、肝功能分级评估及治疗方案等内容，进行查缺补漏，实现病历书写的全流程质控。   

针对三甲医院普遍面临的病历书写效率难题，在住院病区试点运用大模型辅助书写。以内科住院病房为例，该技术显著提升病例生成效果，效率提高了 70%，在科室内引发积极测试热潮。目前，正将这套成熟方法论快速推广至全院各科室。

图 | 病史辅助生成、体检报告辅助生成

在体检报告生成方面，依托知识库，既能辅助生成报告，又能帮助患者更好地理解体检结果。这一功能极大节省了医生解读海量检查数据的时间，使医生能够快速为患者提供总结性回复。 

整体来看，不限于医疗业务和患者服务，中山医院的数智化建设还涵盖了医院管理、医学教学和医学科研等。AI实践大体可以总结为以患者为中心，以5G、人工智能等数字技术重构人、服务、空间交互方式，建立基于智能诊疗的全程服务理念。

医院数据治理应该这么分层 

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，并构建5大覆盖同城节点算力基础。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。   

医疗大模型对数据质量的要求已提升至新层级，早期大模型训练只需基于现有数据输入即可，而当前医学大模型需精准捕捉特定场景中有思维链的语料。这类数据在单一医院内普遍缺失，既需对存量数据进行目标性清洗，也需重新采集增量数据。   

因此，无论是开展 AI 小模型单点测试，还是训练更精准的专科大模型，高质量数据的清洗与采集均存在巨大发展空间。依托中国庞大的患者基数与医生群体的实践积累，相信未来完全有条件积累全球罕见的数据体量与质量，为医学科研前沿突破提供独特优势。

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。  

如何应对大模型幻觉？ 

关于大模型「幻觉」的问题必须重点关注。大模型正越来越多为临床诊断提供支持与辅助，但大模型会出现幻觉，胡言乱语，甚至编造假数据。根据Vectara的测试，DeepSeek-R1的幻觉率为14.3%。

一位医生曾透露，根据病人的诊断记录，大模型能利用算法和逻辑推理出一段病理数据，完全看不出来是假的，甚至高年资的医生也无法分辨出真假。        

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？钱琨告诉健康界，在大模型训练过程中，中山医院有一套应对大模型幻觉问题的方法论。  

首先，要知道，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。

整个流程遵循的是「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等等。   

「拿着锤子找钉子」

易造成理解错配

目前，在大模型落地医院的应用场景中，更大的难点是流程改造还是技术适配？这是大家非常关心的一个问题。基于多年的实践，钱琨提出了一些对于AI大模型落地过程中流程改造以及技术适配的个人看法。    

她指出，从医疗体系内部看，医疗流程已经形成了规范，这些流程是历经数十年形成的规范，有其内在合理性，所以改造难度比较高。不过，当前客观存在的最大挑战其实在于技术适配。

作为交叉学科参与者，虽没觉得学科碰撞存在很大难点，但在对接新技术人员与临床人员时，常因认知差异导致沟通障碍。许多创业者（如高校研究员）带着先进技术为医院解决问题，这种初衷值得肯定，但需警惕「拿着锤子找钉子」的思维，可能更关注最大化技术的使用度。

部分团队可能过度迷信技术优势，而忽视对临床需求的深度理解，误以为仅凭技术就能快速攻克医疗难题。  

医疗流程改造的复杂性不在于其执行难度，更源于体系的庞大性。这主要是因为人类疾病与治疗方案的多样性，决定了医疗流程的复杂性与强规范性。而保障生命安全的核心价值，又使得医疗场景对新技术的应用必须慎之又慎。  

尽管如此，医疗流程并非完全不可调整，当技术能无缝嵌入工作流中，且其带来的效率提升与安全性优势显著超越潜在风险时，多数医疗管理者与从业者仍会积极接纳。这一过程的关键，在于技术与医疗规范的深度融合和适配，而非对现有体系的强行颠覆。   

也因此，当前技术与医疗场景的匹配面临的核心挑战，是技术人员往往难以快速理解医疗流程规范背后的整体逻辑。因为要全面理解医疗流程背后的逻辑，需要耗费大量时间与精力。若仅以技术为导向 「找钉子」，极易因对单一场景背后的工作流程与医疗风险认知不足，导致理解错配、供需错配。

因此，钱琨表示，非常鼓励研究人员在产品开发早期深入医院一线，通过长期驻点、观察一线医疗人员决策的底层逻辑，精准定位真实需求场景，避免因脱离临床实际而陷入技术与需求的错配陷阱。