數(shù)據(jù)混亂、人才招不起！AI“殺入”基層醫(yī)院，是幫忙還是添亂？

作者｜冬梅

采訪嘉賓｜陳逸聰，浪潮信息廣東區(qū)副總經(jīng)理；關紫云，佛山南海人民醫(yī)院院長；

2024 年前后，幾乎所有醫(yī)院的信息科和院長辦公室里，都彌漫著一種相似的情緒——焦慮。

“DeepSeek 出來那段時間，說實話，很多人都快焦慮到抑郁了?！标P院長后來在一次公開分享中半開玩笑地說。臺下坐著的，是一排排基層醫(yī)院的信息科負責人、分管副院長，幾乎每個人都點頭。

那是一種被技術浪潮追著跑，卻又不知道該往哪里跑的焦慮。

一邊是媒體、朋友圈里鋪天蓋地的“某某醫(yī)院三分鐘接入大模型”“AI 自動寫病歷”“醫(yī)生即將被替代”；另一邊，是基層醫(yī)院真實而瑣碎的日常：門診擠滿人、病歷質量參差不齊、年輕醫(yī)生診斷思維薄弱、質控靠人盯、隨訪沒人做。

“別人說 DeepSeek 一接就能干很多事情，但你問我——我到底該用在什么地方？我能用它解決什么問題？”關院長回憶，那段時間，幾乎每天都有人跑來問她，“院長，我們是不是也要搞一個？”

但她心里清楚，如果只是為了“有東西能給領導看”，那大概率只會再多一個沒人真正用的系統(tǒng)。

她反復問自己一個問題：如果我什么都不做，三年后，這家基層醫(yī)院會變成什么樣？

關院長不是計算機背景出身。她反復強調，自己“沒有系統(tǒng)學過人工智能”，很多理解，都是在一次次“磨”的過程中形成的。

真正點燃她對 AI 落地興趣的，反而不是醫(yī)療系統(tǒng)內部，而是一堂公安系統(tǒng)的課。

那次，她跟著省衛(wèi)健委去浙大調研人工智能。但在醫(yī)療會場之外，她“偷偷溜”進了公安系統(tǒng)的分會場，聽他們講如何用 AI 做道路影像識別、車輛標注、唯一性識別。

“那一刻我突然意識到，人工智能不是空中樓閣，它一定是有場景的?！标P院長如是說。

從那以后，她開始反復琢磨一個問題：如果把 AI 放進基層醫(yī)院，它最先該解決的是什么？答案不是“最炫的算法”，也不是“最先進的模型”，而是基層最痛、卻長期沒人解決的問題。

疫情之后，關院長所在區(qū)域啟動了全科醫(yī)生“尖兵班”培訓。入學考試的結果，讓她至今印象深刻。

“最低分的，只有二十幾分?！?/p>

這不是個別現(xiàn)象，而是一種系統(tǒng)性問題：大量基層醫(yī)生在診斷思維、病歷書寫、規(guī)范操作上是存在一定短板的。而這些短板，靠短期培訓很難補齊。

與此同時，另一個問題更加隱蔽，卻更致命——病歷質量。

為了應付高強度門診，不少醫(yī)生只能依賴模板和復制粘貼。結果是，病歷越來越“像”，卻越來越不能真實反映診療過程。質控部門疲于奔命，卻永遠在事后補救。

“我們的問題從來不是醫(yī)生不努力，而是整個系統(tǒng)，已經(jīng)不支持人靠體力去扛了。”關院長說。她開始意識到：如果 AI 真要在基層落地，它必須嵌入流程，而不是成為一個外掛。

1 AI 技術足夠先進，但用起來存在門檻

南海人醫(yī) 遇到的問題，其實是整個醫(yī)療行業(yè)在大模型爆發(fā)后普遍面臨的縮影——盡管 AI 與醫(yī)療的結合已被證實具備巨大效用，但技術能力與實際落地應用之間仍存在差距，這也成為行業(yè)內共同探討的焦點。

一方面，各大科技巨頭如 OpenAI、Anthropic、Google、騰訊、阿里等紛紛推出面向臨床文本理解、醫(yī)學圖像處理、醫(yī)療大模型開發(fā)等解決方案，技術成熟度在多個維度刷新了人類的認知。

在醫(yī)學影像與疾病篩查方面，谷歌旗下 DeepMind 與 Google Health 在醫(yī)學圖像診斷上投入大量研發(fā)，其 AI 系統(tǒng)被用于乳腺癌與視網(wǎng)膜疾病的篩查研究。已有科研成果表明，AI 能以與受過專科訓練的放射科醫(yī)生相當甚至更高的準確度進行乳腺癌檢測，有效降低誤診與漏診率。

Google Health 還將其糖尿病性視網(wǎng)膜病變（diabetic retinopathy）AI 模型授權給合作方用于大規(guī)模篩查，促進自動化早期診斷。

在臨床決策支持與疾病診斷中，微軟發(fā)布的 AI 系統(tǒng)“Diagnostic Orchestrator”在研究中顯示，在一組復雜病例的診斷測試中，AI 的診斷準確率遠高于一般醫(yī)生，據(jù)報道識別復雜病情的正確率可提高數(shù)倍。此外，微軟推出的 Dragon Copilot 醫(yī)療助理系統(tǒng)可以自動生成臨床訪談筆記、病程摘要等內容，大幅減輕臨床醫(yī)生的文書工作負擔，提高臨床效率。

另一方面，盡管 AI 在醫(yī)療領域已經(jīng)展示出明確的技術潛力，但從實驗室走向真實醫(yī)療場景，尤其是基層醫(yī)療體系，仍然橫亙著幾道繞不開的現(xiàn)實門檻：算力、算法、數(shù)據(jù)和人才。

真正讓問題集中暴露出來的，是一項時間表明確的政策目標——到 2027 年，縣域醫(yī)共體要基本實現(xiàn)人工智能能力全覆蓋。當目標被寫進規(guī)劃，留給基層醫(yī)療機構的緩沖期驟然縮短，AI 不再是“要不要做”的問題，而是“怎么做、誰來做、能不能做成”的現(xiàn)實考題。

時間變得緊迫的同時，資源錯配的問題也被徹底攤開。

醫(yī)院掌握著最關鍵的臨床數(shù)據(jù)，卻缺乏算法能力；算法掌握在企業(yè)和科研機構手中，卻遠離真實醫(yī)療場景；算力可以通過市場購買，但價格持續(xù)上漲，長期成本難以承受；而真正懂醫(yī)療、懂算法、懂合規(guī)的復合型 AI 人才，則高度集中在高校和頭部企業(yè)，與基層醫(yī)院幾乎沒有交集。

這種結構性矛盾，在基層醫(yī)院體現(xiàn)得尤為直接。“你問我算法工程師多少錢？我不知道。”關院長在采訪中坦言，“我就是天天找人，想合資供養(yǎng)一個算法工程師，都沒人理我。”在現(xiàn)實條件下，基層醫(yī)院幾乎不具備獨立組建 AI 團隊的能力：既給不起長期薪酬，也無法提供技術人員期望的成長空間和研究環(huán)境。

但如果選擇等待“成熟方案”，結果往往只有一個——基層醫(yī)療永遠停留在被動接收階段，成為技術下沉過程中的“最后一公里用戶”，而非參與者?？梢坏Q定自己下場，又會發(fā)現(xiàn)從數(shù)據(jù)治理、算法開發(fā)、算力采購到合規(guī)審批，幾乎處處受限，單點突破難以為繼。

所以最終的轉機來自一種組織模式的重構——醫(yī)院協(xié)同技術企業(yè)以及當?shù)卣矂?chuàng) AI 醫(yī)療新格局。

在這一模式下，醫(yī)院提供真實醫(yī)療場景和高價值數(shù)據(jù)基礎，技術企業(yè)貢獻算法能力和工程化經(jīng)驗，政府則在資源協(xié)調、政策對接和合規(guī)邊界上發(fā)揮關鍵作用。各方并非簡單合作，而是被納入同一個長期協(xié)作框架之中。

“如果每個人都只拽著自己那點利益，想著怎么最大化，那這件事就干不下去。”關院長直言。

這種生態(tài)共建的前提，并不是所有參與者都要立刻賺錢，而是沒有任何一方可以只站在自己的立場上行動。

在醫(yī)療 AI 這樣高度復雜、強監(jiān)管、長周期的領域，單點最優(yōu)往往意味著系統(tǒng)失效。

當 AI 從“能不能用”走向“必須用”，真正的壓力開始集中到技術服務方身上：基層醫(yī)院的數(shù)據(jù)在手、需求明確，但中間那道工程化門檻，誰來跨？對于技術服務而言，核心命題正變?yōu)?—— 如何用更高效的技術平臺，讓醫(yī)療 AI 真正下沉基層、落地見效？在此前的一次公開采訪中，浪潮信息廣東區(qū)副總經(jīng)理陳逸聰給出了他的答案。

在他看來，醫(yī)療 AI 的難點從來不在于“有沒有技術”，而在于“技術怎么走到需求面前”。醫(yī)院掌握著真實數(shù)據(jù)和具體問題，但往往缺乏把需求轉化為應用的能力；企業(yè)有技術、有平臺，卻缺少對醫(yī)療場景的深度理解；中間這段“從需求到落地”的路徑，長期處于斷裂狀態(tài)。

這也是浪潮信息反復強調“平臺 + 生態(tài)”的原因。浪潮信息的元腦企智 EPAI 平臺并不是要替醫(yī)院直接做應用，而是試圖解決 0 到 1 的問題——把最底層、最復雜、最容易卡住的技術部分，通過平臺化的方式先鋪好。通過低代碼甚至零代碼能力，把模型調用、算力調度、基礎工程能力封裝起來，讓醫(yī)院和合作方不必從頭造輪子。

“0 到 1 解決了，1 到 100 才有意義?！标愐萋斀忉?，平臺負責打底，場景適配由生態(tài)伙伴完成，而醫(yī)院則可以在此之上進行業(yè)務創(chuàng)新。最終形成的是一種分工明確的結構：平臺解決共性難題，場景釋放個性需求，業(yè)務反過來推動技術繼續(xù)演進。

除了平臺問題，算力瓶頸又該如何解決？

陳逸聰表示，從算力角度看，醫(yī)療是一個“非常不互聯(lián)網(wǎng)”的行業(yè)。數(shù)據(jù)隱私和合規(guī)要求，決定了它無法像互聯(lián)網(wǎng)那樣大規(guī)模依賴公有云，用公共算力快速試錯。這意味著，醫(yī)療 AI 天生就對本地化、專用化算力有更高需求，也更容易遭遇成本和部署瓶頸。

陳逸聰提到，早在 DeepSeek 出現(xiàn)之前，浪潮信息和部分醫(yī)院就已經(jīng)在嘗試用 AI 解決這些問題，只是當時的技術路徑更重、效率也有限。DeepSeek 的出現(xiàn)，某種程度上提供了新的“可能性”：在算力并非無限擴張的前提下，找到更高效的模型和工程路徑，讓 AI 真正進入行業(yè)。

但這并不意味著“算力問題被徹底解決”。相反，隨著 AI 能力進入醫(yī)療核心流程，對算力的需求反而在快速上升。區(qū)別在于，算力不再是平均攤開，而是被更精準地使用。

在醫(yī)療場景中，浪潮信息選擇的路徑，是把 AI 與原有的醫(yī)療信息化體系深度結合，而不是完全推翻重來。HIS、EMR 等傳統(tǒng)系統(tǒng)已經(jīng)沉淀了大量結構化流程和數(shù)據(jù)，當大模型與這些系統(tǒng)協(xié)同工作時，很多原本需要“堆算力”的問題，可以通過流程重構和場景適配來解決。

當共性問題被集中處理后，算力才能真正聚焦在最有價值的地方，用更“有效”的方式釋放能力。

從這個角度看，浪潮信息扮演的并不是“賣算力”的角色，而是試圖把算力、平臺和醫(yī)療流程重新組織起來，讓 AI 不只是停留在患者端的入口，而是真正嵌入醫(yī)生的工作流之中。

2 AI 給誰用？患者還是醫(yī)生？

在多方協(xié)作機制逐步成型之后，一個更現(xiàn)實的問題浮出水面：AI 到底應該用在誰身上？市面上最常見的答案，是先從患者端入手。預問診、智能導診、健康咨詢，這些 C 端產(chǎn)品已經(jīng)相對成熟，也最容易看到“效果”。但在真正的基層醫(yī)療場景中，關院長很快意識到，這條路徑并不能解決核心問題。

“病人問完了，來到醫(yī)院還是不知道找誰，醫(yī)生端也用不上。”在她看來，如果 AI 只是把患者攔在門口，卻沒有進入診室，最終只會變成一個“看起來很智能，但誰都不依賴”的工具。

因此，他們從一開始就設定了一個更激進的目標：AI 不只服務患者，而是從患者建檔開始，一路貫穿到醫(yī)生診間、質控、隨訪和管理端。這意味著系統(tǒng)不再只是一個前置工具，而是要融入整個醫(yī)療服務流程，形成一個覆蓋 C 端、B 端和管理端的完整閉環(huán)。

在這一閉環(huán)中，AI 參與的環(huán)節(jié)幾乎貫穿全程：從建卡和主訴采集開始，到預掛號、預問診，再到分診和就醫(yī)咨詢；進入診間后，系統(tǒng)能夠自動生成結構化病歷，嵌入醫(yī)生的日常工作流；診療完成后，還要覆蓋事前、事中、事后的質控，以及后續(xù)的隨訪與慢病管理。

關院長并不愿意把它稱為“工具”，“我不想做一個工具，我想做的是一個‘智能團隊’?！?/p>

這種定位，直接拉高了項目的難度，也意味著更多不確定性。

系統(tǒng)真正開始進入訓練階段，是在 2024 年 3 月。病例的清洗、標注和模型訓練，一直持續(xù)到年底。期間，合作方多次提出可以上線測試，但關院長始終搖頭。理由聽上去有些“離譜”——臟話訓練還沒做完。

“我怕有人在上面罵人，或者調戲男朋友女朋友，AI 識別不出來?！标P院長說，“一旦出了問題，整個項目就完了?！痹卺t(yī)療場景里，任何看似邊緣的問題，一旦被放大，都會迅速演變成信任危機。最終，他們硬是把上線時間一再往后拖。

命運卻在此時又開了個玩笑。2025 年，DeepSeek 橫空出世，原本既定的技術路線被迫重新評估，整體節(jié)奏再次放慢。但關院長并沒有急于追趕風口，“那就讓它長得更好一點?！?/p>

直到 2025 年 4 月，系統(tǒng)才正式上線。

上線，并不意味著成功。

最早推出的，是一個完整的預問診流程，很快就遭遇患者投訴：“你問了我十幾二十個問題，結果我還是掛不到號?！眻F隊迅速調整策略，只保留主訴驅動掛號，優(yōu)先解決“能不能看上病”的問題。

這一步，卻又引發(fā)了醫(yī)生端的不滿。一位科主任當場提出異議：“主訴掛號要求太高了?！标P院長只能在中間不斷協(xié)調，“你先跟另一位主任把關系搞好，我們慢慢優(yōu)化?！鳖愃频哪Σ?，貫穿了整個早期階段，也不斷提醒他們：AI 真正落地的阻力，往往不來自技術本身，而來自使用者的感受與習慣。

支撐關院長堅持“本土訓練”的關鍵，是對醫(yī)囑和診斷思維的理解。來自三甲醫(yī)院多年積累的高質量病歷，被用于訓練模型；而那些質量不高、邏輯混亂的病歷，同樣要“喂”給模型，讓它明確什么是不該學習的范式。

有人擔心，這樣的 AI 會不會“把基層醫(yī)生養(yǎng)廢”。關院長并不認同。在她看來，更合適的類比，是計算機取代算盤：工具的升級，提升的是整體下限，而不是抹掉人的價值。AI 不是替醫(yī)生思考，而是把好的思維方式顯性化，讓更多醫(yī)生學會如何思考。

這種思路，在病歷質控環(huán)節(jié)體現(xiàn)得尤為明顯。過去，質控依賴規(guī)則庫，把 A、B、C 條件一條條對照，效率低、覆蓋面有限。現(xiàn)在，他們直接用自然語言告訴模型“什么是好病歷，什么是差病歷”。模型會反饋給醫(yī)生：哪些信息缺失、哪些表述不規(guī)范、哪里存在邏輯斷裂。

這種基于語言理解的質控方式，不僅速度更快，也更貼近真實診療過程。對醫(yī)生而言，AI 不再是一個站在流程之外的審查者，而是逐步成為嵌入日常工作的協(xié)作者。這或許正是 AI 真正融入醫(yī)療體系的關鍵一步。

數(shù)據(jù)跑起來之后，基層第一次看到了“正反饋”。

據(jù)關院長介紹，截至 2025 年底，AI 原生（AI Native）智慧醫(yī)療系統(tǒng)已經(jīng)累計服務 12 萬次，完成智能導診 8 萬 +，轉掛號 2 萬 +，預問診 1.4 萬 +。期間僅被投訴過 3 次，退號率從 30% 降到 20%。

這些數(shù)字不驚艷，卻讓一線醫(yī)生第一次感到：系統(tǒng)是真的在幫忙，而不是添亂。

3 這種模式可復制嗎？

當 AI 真正進入醫(yī)生工作流、開始參與診療和管理之后，另一個更現(xiàn)實的問題隨之浮現(xiàn)：這樣的模式，能不能復制？

依托南海區(qū)醫(yī)工科創(chuàng)研究院平臺，由南海人醫(yī)、天銳醫(yī)健與浪潮信息所構建的這套 AI+ 醫(yī)療落地模式，如果要在更多醫(yī)療機構中持續(xù)復制，過程中最可能遇到的挑戰(zhàn)和堵點是什么？這不只是一個技術問題，也直接關系到未來的商業(yè)模式是否成立。

從技術服務方的視角來看，陳逸聰給出的答案并不復雜，但足夠現(xiàn)實——復制的前提，首先是標準化。

如果每一家醫(yī)院、每一個場景都高度個性化，那么所謂復制就意味著“到一個地方重新開發(fā)一次”，成本和周期都會迅速失控。正因如此，浪潮信息在元腦企智 EPAI 平臺上做的第一件事，并不是追求更多定制能力，而是把開發(fā)工具、算力調度、模型調用等基礎能力統(tǒng)一到一個標準化的技術基座上。這樣一來，通過場景適配，就可以快速落地應用，而不必從零開始搭建。

但僅有技術標準，并不足以支撐規(guī)模化復制。陳逸聰反復強調，醫(yī)療 AI 能否復制，取決于產(chǎn)業(yè)分工是否清晰且穩(wěn)定。

在這套模式中，各方的角色邊界被刻意劃清：醫(yī)院負責提供高質量、脫敏后的真實數(shù)據(jù)和明確需求；開發(fā)商負責算法適配和場景融合；浪潮信息提供算力、平臺以及生態(tài)能力；而像天銳醫(yī)健這樣的角色，則承擔起把整個鏈條“串起來”的任務。每一方各司其職、優(yōu)勢互補，才能形成一條可持續(xù)運轉的產(chǎn)業(yè)鏈。這種分工，并不是事后總結出來的，而是在最早合作階段就被預設為“未來要走向產(chǎn)業(yè)化”的前提。

第三個關鍵點，則是全流程合規(guī)與本地化場景適配能力。這也是醫(yī)療 AI 與通用大模型之間最本質的差異之一。

在醫(yī)療領域，數(shù)據(jù)不出域是底線，模型必須在院內部署并運行，這決定了它無法簡單復用互聯(lián)網(wǎng)時代“云端統(tǒng)一模型”的路徑。同時，醫(yī)療場景中存在大量高度本地化的問題，例如語言環(huán)境。陳逸聰提到，在南海人醫(yī)項目推進過程中，粵語與普通話的混用就曾成為實際障礙，如果這一問題不解決，所謂復制就只能停留在 PPT 層面。

正是因為這些限制，通用大模型如果僅作為“商品”出售，往往只能充當演示工具，而無法真正落地。相比之下，深入到具體應用中，圍繞真實需求解決問題，反而在這個過程中逐步積累了可復制的能力——標準化的 API、開箱即用的工具鏈，以及一套被反復驗證過的協(xié)作方式。

從陳逸聰?shù)目偨Y來看，這些看似“麻煩”的工作，恰恰構成了復制的前提條件：技術上有標準，產(chǎn)業(yè)上有分工，流程上有合規(guī)，場景上能適配。也正是在一次次解決具體問題的過程中，這套模式才逐漸具備了從“能落地”走向“可復制”的可能性。

在 AI+ 醫(yī)療 的這條路上，真正的門檻從來不是模型能力本身，而是如何在復雜、保守且高度現(xiàn)實的醫(yī)療體系中，把技術變成一種可持續(xù)運轉的基礎設施。能否復制，往往取決于這些最“工程化”、也最容易被忽視的細節(jié)。