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。
在技術浪潮下，大三甲醫院正成為這場ＡＩ＋數字孿生革命的主力軍。這些醫院通過自身創新實踐，為更多醫院的數字化和智能化建設提供了寶貴的經驗。
５月１４日，健康界「ＡＩ ＋ 醫療創新應用大講堂」直播間邀請到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，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」。她將深度解析中山醫院如何通過ＡＩ＋「數字孿生革命」重塑三甲醫院診療體系。
錢琨是計算神經科學博士，她現在是復旦中山醫院信智部主任助理，兼規劃與管理中心主任，負責復旦中山醫院智慧醫院體系的規劃和運營。她深耕計算與臨床融合創新十余年，榮獲全國醫院信息化杰出領導力人物等行業獎項。還兼任復旦大學人工智能創新與產業研究院副教授，擔任中國醫學裝備協會智慧醫院會副秘書長、中國醫院協會信息專業委員會常委等等。
直播亮點搶先看：
打造「ＡＩ醫健助手」
咨詢知識命中率達９５％
ＤｅｅｐＳｅｅｋ作為低成本、開源的高質量大模型，引發了百業俱興的繁榮景象。聚焦醫療行業，ＤｅｅｐＳｅｅｋ具有更強的理解和推理功能，將其交互、理解能力應用于提高醫患溝通極具潛力，有望改善患者服務體驗、提升醫療服務質量。中山醫院通過「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。以病區圍術期咨詢問答為例，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。針對該應用場景，對技術框架進行優化完善，這顯著提升了安全問答的精確度，其中知識命中準確率９５％。還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。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％。
從點到面
數據治理可分三層
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，構建５大覆蓋同城節點的數據網絡體系。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。
如何應對幻覺？
關于大模型「幻覺」的問題需要重點關注。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？
在大模型訓練過程中，中山醫院采取了一系列舉措來減少幻覺問題。
首先，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。整個流程是一個「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．．．更多精彩內容，歡迎掃碼預約，５月１４日下午１８：００來直播間與錢琨主任共探「ＡＩ 醫生」與「元醫院」的未來圖景。
注：文章來源于網絡，如有侵權，請聯系刪除
