作者|斗斗 

編輯|皮爺 

出品|產(chǎn)業(yè)家 

“1秒、2秒、3秒……10秒，病灶標記完成！”

上海華山醫(yī)院放射科，診斷工作臺前，一組CT影像完成上傳后，僅用了10秒便完成了病灶標記，在這短短的10秒鐘內(nèi)，一起完成的還有關(guān)聯(lián)患者既往病史和檢驗數(shù)據(jù)，生成5種可能性診斷的結(jié)構(gòu)化報告。然而，在以前這個工作流程需要副主任醫(yī)師耗時半小時才能完成。

這是全國醫(yī)療“進化”的縮影，AI，成為最大的助力。這樣的轉(zhuǎn)變發(fā)生在2025年初。隨著DeepSeek的出現(xiàn)，其“物美價廉”的模型特質(zhì)讓各個行業(yè)開始嘗試AI與業(yè)務(wù)的融合。也就是在這時，全國醫(yī)療機構(gòu)以近乎瘋狂的姿態(tài)，紛紛部署AI大模型。

據(jù)不完全統(tǒng)計，僅截止3月底，就已經(jīng)有超700家醫(yī)院部署了DeepSeek。其中，華山醫(yī)院是首批接入DeepSeek的醫(yī)療機構(gòu)。

接入DeepSeek之后，AI帶來的技術(shù)賦能，迅速被放大。一組數(shù)據(jù)顯示，目前華山醫(yī)院AI系統(tǒng)在影像識別方面的準確率已達到90%以上；腫瘤患者的治療有效率提高了15%以上，副作用發(fā)生率降低了20%……很難想象，在半年之前，醫(yī)療AI大部分還僅僅停留在AI輔助診療的階段。

當(dāng)下， AI 技術(shù)浪潮以前所未有的勢能沖擊醫(yī)療行業(yè)，從單體醫(yī)院到產(chǎn)業(yè)集群，從技術(shù)研發(fā)到臨床應(yīng)用，整個生態(tài)都在加速重構(gòu)。作為這場變革的重要個體，華山醫(yī)院的 AI 落地實踐或許暗藏著破解醫(yī)療數(shù)智化轉(zhuǎn)型難題的密鑰。解析其從數(shù)據(jù)基建到場景落地的完整路徑，或許能為深陷轉(zhuǎn)型迷霧的醫(yī)療機構(gòu)，照亮一條穿越 “新賬舊賬” 交織困境的可行之路。

一、AI落地難？

醫(yī)療機構(gòu)的“新賬”與“舊賬”

上海市靜安區(qū)的核心地帶，復(fù)旦大學(xué)附屬華山醫(yī)院的門診大廳人潮涌動。作為全國首批三甲醫(yī)院，華山醫(yī)院日均接診量超過1.5萬人次，年手術(shù)量突破5萬例。

這一數(shù)字背后，隨之而來的是關(guān)于“如何保障醫(yī)療質(zhì)量和效率”的難題。

AI的自主決策能力，不僅增強了醫(yī)藥產(chǎn)業(yè)的創(chuàng)新力，提高了醫(yī)療服務(wù)的質(zhì)量和效率，還促進了醫(yī)療產(chǎn)業(yè)從預(yù)防、診斷、治療到康復(fù)的全鏈條數(shù)智化轉(zhuǎn)型，讓華山醫(yī)院看到了醫(yī)療產(chǎn)業(yè)的下一站。

不過，與所有行業(yè)一樣，醫(yī)院這類醫(yī)療機構(gòu)想要實現(xiàn)業(yè)務(wù)和AI技術(shù)的融合，也面臨諸多落地難題。

這些難題里，最值得一提的便是數(shù)據(jù)標準不統(tǒng)一。眾所周知，數(shù)據(jù)是AI大模型落地的“養(yǎng)分”，標準化、高質(zhì)量的數(shù)據(jù)，直接決定了模型的決策能力。

據(jù)《2023-2024年度中國醫(yī)院信息化狀況調(diào)查報告》顯示，盡管電子病歷（EMR）系統(tǒng)覆蓋率達到92.3%，但支持全流程閉環(huán)管理的僅占19.7%。

這種全流程閉環(huán)的低滲透率，也反射出了國內(nèi)醫(yī)療機構(gòu)的信息化現(xiàn)狀。

一個事實是，由于早年的歷史遺留問題，國內(nèi)大多醫(yī)院都面臨著系統(tǒng)交互復(fù)雜、數(shù)據(jù)分散的難題，例如從醫(yī)技輔助，綜合運營、臨床科研到患者服務(wù)，每一個場景都包含幾十種管理系統(tǒng)，這些系統(tǒng)或因服務(wù)商、設(shè)備規(guī)格的不同以及業(yè)務(wù)之間的孤島，存在諸多斷點。

“我們統(tǒng)計過，在內(nèi)網(wǎng)的核心系統(tǒng)有186個，廠商不同、版本不同，整體處于新老系統(tǒng)并行階段。”華山醫(yī)院信息中心主任張琪曾說過。

始建于1907年的華山醫(yī)院，歷經(jīng)百余年，發(fā)展至今已經(jīng)擁有5個院區(qū)。而這五個院區(qū)，每個院區(qū)的系統(tǒng)、業(yè)務(wù)和設(shè)備之間都存在數(shù)據(jù)、信息孤島。這不僅僅是跨系統(tǒng)、跨業(yè)務(wù)的難題，還是跨院區(qū)的難題。

如果說這是信息化時代，欠下的一筆“舊賬”，那么在AI時代，醫(yī)療場景對AI準確性和可靠性的極高要求，便是“新帳”。

不同于其他行業(yè)，醫(yī)療行業(yè)的特殊性決定了其落地AI，需要更加高門檻、復(fù)雜。

例如神經(jīng)外科研究中需整合結(jié)構(gòu)影像、功能連接組等多模態(tài)數(shù)據(jù)，但不同設(shè)備的掃描參數(shù)差異可能導(dǎo)致數(shù)據(jù)偏差。這就需要解決多源異構(gòu)數(shù)據(jù)的清洗、歸一化問題。

再比如發(fā)熱待查輔助診斷工具需覆蓋復(fù)雜病因，但當(dāng)前模型的決策邏輯缺乏透明性，醫(yī)生難以信任其結(jié)論。需要增強模型的精準度與可解釋性。

總之，拋開政策、合規(guī)等一系列不可抗難題之外，醫(yī)院想要盡快吃到AI時代的紅利，一是要解決在信息化時代落下的系統(tǒng)、業(yè)務(wù)斷點問題，還要面臨當(dāng)下醫(yī)療場景落地的問題。

面對這些交織的新舊難題，醫(yī)療機構(gòu)需要破局。

二、AI時代下的“華山范式”

“除統(tǒng)一系統(tǒng)外，多院區(qū)的信息化建設(shè)有沒有另一條路可走？”這是華山醫(yī)院一直在思考的問題。

要知道，華山醫(yī)院每個院區(qū)都有自己個性化需求，但另一方面還要實現(xiàn)多院區(qū)的同質(zhì)化管理，如何找到平衡點尤為關(guān)鍵。

華山醫(yī)院選擇了一條“不一樣的路”。

具體來看，華山醫(yī)院首先建設(shè)了數(shù)據(jù)中心，統(tǒng)一管理人員、科室、檢查檢驗等基礎(chǔ)元數(shù)據(jù)，確保各院區(qū)的數(shù)據(jù)底座一致、上報口徑一致；

其次在應(yīng)用架構(gòu)和系統(tǒng)供應(yīng)商的選擇上，則保持開放態(tài)度，允許各院區(qū)系統(tǒng)保留個性化功能；

最后通過集成平臺建設(shè)，實現(xiàn)接口的統(tǒng)一管理，降低異構(gòu)系統(tǒng)的交互成本與難度。

這一舉措帶來的變化顯而易見，在華山醫(yī)院聯(lián)合上海聯(lián)通、華為、上海超算中心等機構(gòu)，自主研發(fā)國內(nèi)首個基于算力網(wǎng)絡(luò)的醫(yī)療大模型Uni-talk過程中。華山醫(yī)院為模型注入3萬例標準化病歷和2.4萬份影像報告，實現(xiàn)AI 秒級標注肺結(jié)節(jié)，華山醫(yī)院實測數(shù)據(jù)顯示，其日均處理影像量從 100 份提升至 300 份，使肺結(jié)節(jié)識別準確率提升至95.2%。

有了堅實的數(shù)據(jù)底座，華山醫(yī)院開始在 AI 應(yīng)用方面大顯身手，圍繞診前、診中、診后三個環(huán)節(jié)展開了全面布局。

診前，通過AI 分診系統(tǒng)結(jié)合患者歷史數(shù)據(jù)與主訴，將掛號時間縮短了 50%，還能精準預(yù)警疑似傳染病患者，如發(fā)熱待查識別準確率高達 92%。

診中，在神經(jīng)外科手術(shù)中，AI 實時生成三維導(dǎo)航模型，輔助醫(yī)生精準定位病灶，使手術(shù)時間平均減少 30%。

其中，華山醫(yī)院還在腫瘤治療領(lǐng)域率先引入了AI輔助決策系統(tǒng)。該系統(tǒng)能夠根據(jù)患者的基因數(shù)據(jù)、病理報告、治療方案等信息，生成個性化的治療建議。據(jù)醫(yī)院統(tǒng)計，使用AI輔助決策系統(tǒng)后，腫瘤患者的治療有效率提高了15%以上，副作用發(fā)生率降低了20%。

診后則基于大模型的個性化康復(fù)方案生成系統(tǒng)，例如針對帕金森病患者動態(tài)調(diào)整用藥建議，讓患者依從性提升了 40%。

華山醫(yī)院通過對數(shù)據(jù)的基礎(chǔ)建設(shè)、改造，實現(xiàn)了業(yè)務(wù)、科室、院區(qū)的互通，更重要的是埋下了承接AI時代紅利的“伏筆”。使得其在DeepSeek帶來AI熱潮中，能迅速將技術(shù)迅速落地于業(yè)務(wù)。

數(shù)據(jù)顯示，在AI技術(shù)的賦能下，華山醫(yī)院患者滿意度由原來的87%提升至96%；醫(yī)院的資源利用效率也得到了優(yōu)化，高峰期患者的排隊時長減少了約40分鐘；管理成本降低，決策響應(yīng)速度提升，跨院區(qū)檢查檢驗人次數(shù)提升8%。

在華山醫(yī)院的AI實踐中，可以發(fā)現(xiàn)兩個關(guān)鍵點，即數(shù)據(jù)治理是AI落地的命脈。不過醫(yī)療數(shù)據(jù)治理絕非簡單的系統(tǒng)集成，而是要打造立體化治理架構(gòu)使數(shù)據(jù)質(zhì)量指數(shù)躍升，為AI模型提供了優(yōu)質(zhì)"養(yǎng)料"；其次，醫(yī)療AI的價值實現(xiàn)，關(guān)鍵在于與臨床場景的深度融合，場景價值大于技術(shù)噱頭。

基于此，華山醫(yī)院在數(shù)據(jù)治理層面，通過構(gòu)建統(tǒng)一數(shù)據(jù)中臺與創(chuàng)新質(zhì)量管控機制，破解了醫(yī)療信息化時代的"舊賬"難題；在技術(shù)應(yīng)用層面，以臨床需求為導(dǎo)向的場景化創(chuàng)新，實現(xiàn)了AI從輔助工具到?jīng)Q策伙伴的跨越。

三、華山醫(yī)院的AI落地思維

華山醫(yī)院+AI的落地路徑的底層邏輯是什么？

作為全國首批接入DeepSeek的醫(yī)療機構(gòu)，華山醫(yī)院在模型選型上，并未盲目追求“最大參數(shù)”，而是采用“70B參數(shù)模型+滿血版模型”的雙軌并行策略。在門診量日均超1.5萬人次的現(xiàn)實壓力下，醫(yī)院信息中心通過動態(tài)算力調(diào)配，實現(xiàn)了診療效率與成本控制的精準平衡。

例如，在急診分診場景中，輕量化模型將患者掛號時間縮短50%，而在腫瘤治療決策等復(fù)雜場景中，滿血版模型則通過整合基因數(shù)據(jù)與影像組學(xué)，使治療有效率提升15%。

數(shù)據(jù)安全是這場合作的“生命線”。華山醫(yī)院采用內(nèi)網(wǎng)隔離架構(gòu)，所有醫(yī)療數(shù)據(jù)均通過本地化部署的DeepSeek處理，徹底杜絕傳輸泄露風(fēng)險。醫(yī)院還聯(lián)合上海超算中心構(gòu)建醫(yī)療算力網(wǎng)絡(luò)，在保障數(shù)據(jù)主權(quán)的同時，實現(xiàn)跨院區(qū)、跨科室的數(shù)據(jù)互通。

這一設(shè)計使得多院區(qū)患者數(shù)據(jù)實現(xiàn)“一次錄入、全院共享”。

而面對186個異構(gòu)系統(tǒng)構(gòu)成的“數(shù)字迷宮”，華山醫(yī)院啟動了三輪數(shù)據(jù)治理攻堅戰(zhàn)。

基礎(chǔ)層整合通過統(tǒng)一數(shù)據(jù)中臺，將人員、科室、檢查檢驗等基礎(chǔ)元數(shù)據(jù)標準化，打破跨院區(qū)數(shù)據(jù)壁壘；應(yīng)用層解耦在保留各院區(qū)個性化功能的前提下，通過集成平臺實現(xiàn)接口標準化，使系統(tǒng)交互成本降低；AI層嵌入將DeepSeek深度融入HIS、LIS、PACS等核心系統(tǒng)，實現(xiàn)病歷智能生成、影像自動標注、檢驗報告質(zhì)控等功能。

也就是在這一過程催生了多個“臨床大腦”。例如上文所提及的，在神經(jīng)外科手術(shù)中，AI實時生成三維導(dǎo)航模型；在腫瘤治療領(lǐng)域，AI輔助決策系統(tǒng)整合患者基因數(shù)據(jù)與治療方案。

其實，在這個過程中華山醫(yī)院與DeepSeek的合作遠超傳統(tǒng)“甲乙方”關(guān)系，而是構(gòu)建了“臨床需求-技術(shù)研發(fā)-應(yīng)用驗證”的閉環(huán)創(chuàng)新體系。

而這種生態(tài)共建模式正在產(chǎn)生“溢出效應(yīng)”。

目前，華山醫(yī)院基于治理后的高質(zhì)量數(shù)據(jù)訓(xùn)練的“特制版DeepSeek”，已向4家附屬醫(yī)院、155個科室開放端口，推動區(qū)域醫(yī)療資源均衡化。例如在福建醫(yī)院分院，社區(qū)醫(yī)生通過接入該系統(tǒng)，使糖尿病遠程隨訪效率提升70%。

當(dāng)這套方法論在華山醫(yī)院體系內(nèi)跑通后，其價值開始向更廣闊的醫(yī)療圖景延伸。通過構(gòu)建"臨床需求-技術(shù)研發(fā)-應(yīng)用驗證"的閉環(huán)創(chuàng)新體系，醫(yī)院不僅解決了自身發(fā)展痛點，更意外叩開了一個更具革命性的命題，即醫(yī)療質(zhì)量、效率與公平的協(xié)同提升也逐漸成為可能。

四、AI，打破“醫(yī)療服務(wù)的不可能三角”

一直以來，國內(nèi)醫(yī)療體系一直存在看病難、看病貴的困境。更加具象化的體現(xiàn)是，三甲醫(yī)院人滿為患，而基層醫(yī)療機構(gòu)資源閑置；高端醫(yī)療設(shè)備集中，而基礎(chǔ)診療服務(wù)不足。

美國耶魯大學(xué)教授William Kissick把這種在既定的資源約束下，醫(yī)療質(zhì)量、服務(wù)可及性和成本控制三者始終處于此消彼長的矛盾狀態(tài)稱為"醫(yī)療不可能三角"。

長久以來，這一問題就像一個不可能打破的“魔咒”，成為中國醫(yī)療體系發(fā)展的病灶。

然而，隨著AI技術(shù)的升級，這個“三角”似乎正在被打破。

華山醫(yī)院的實踐表明，當(dāng)AI深度融入醫(yī)療流程時，原本相互制約的三個維度開始呈現(xiàn)出協(xié)同進化的可能。

這種變革的底層邏輯在于AI重構(gòu)了醫(yī)療服務(wù)的生產(chǎn)要素。傳統(tǒng)醫(yī)療體系受制于醫(yī)生培養(yǎng)周期長、優(yōu)質(zhì)資源分布不均等剛性約束，而AI賦能的醫(yī)療系統(tǒng)展現(xiàn)出了革命性特征。即知識迭代的指數(shù)級加速、服務(wù)供給的彈性擴展、成本結(jié)構(gòu)的根本性改變。

華山醫(yī)院與上海超算中心聯(lián)合研發(fā)的Uni-talk大模型，每月吸收超過10萬份新病例數(shù)據(jù)，其診斷能力以每季度15%的速度持續(xù)進化。這種學(xué)習(xí)速度意味著，一個部署滿3年的AI系統(tǒng)，其經(jīng)驗積累相當(dāng)于人類醫(yī)生30年的臨床實踐，實現(xiàn)了對醫(yī)療服務(wù)質(zhì)量的保障。

而通過5G+AI遠程診療系統(tǒng)，便可將將頂級專家的診療能力輸送至23個偏遠區(qū)縣的基層醫(yī)療機構(gòu)，編織一張覆蓋城鄉(xiāng)的智能醫(yī)療網(wǎng)絡(luò)，提升醫(yī)療服務(wù)的可及性。

此外在成本控制維度上，AI帶來的不僅是表面上的效率提升，更是醫(yī)療經(jīng)濟學(xué)的范式變革。例如智能審方系統(tǒng)，通過分析300萬份處方數(shù)據(jù)建立的合理用藥模型，每年攔截潛在用藥錯誤1200余例；AI驅(qū)動的預(yù)測性維護使CT設(shè)備故障率下降65%，檢查室利用率提升40%；基于患者流量預(yù)測的彈性排班系統(tǒng)，讓護士人力資源浪費減少25%。

更值得注意的是，隨著華山醫(yī)院高質(zhì)量數(shù)據(jù)訓(xùn)練的“特制版DeepSeek”不斷輸送給基層醫(yī)療機構(gòu)，將加速中國醫(yī)療體系的協(xié)同發(fā)展。

這些看似細微的改進，在醫(yī)療這個重資產(chǎn)行業(yè)產(chǎn)生著乘數(shù)效應(yīng)。

站在當(dāng)下來看，華山醫(yī)院的實踐似乎正在揭示了醫(yī)療AI革命的深層邏輯——那些勇于破解"新賬舊賬"交織困局的機構(gòu)，終將在AI浪潮中率先完成價值重構(gòu)，以AI之力打破“醫(yī)療服務(wù)的不可能三角”。

未來，在AI重構(gòu)的醫(yī)療新圖景中，質(zhì)量提升或?qū)⒉辉僖誀奚�可及性為代價，普惠醫(yī)療亦無需困于成本困局。

       原文標題 : 當(dāng)DeepSeek遇上百年醫(yī)院：解碼AI+醫(yī)療落地實踐