北京大学首钢医院诊疗全链条因何而变？

2025年1月，当DeepSeek横空出世时，余浩兴奋得几乎忘记了春节长假的快乐，一头扎进了对这款AI大模型的研究当中。

作为北京大学首钢医院信息中心主任，余浩多年来持续探索医院信息化升级。在医疗行业加速数字化转型的当下，他带领团队在技术创新的道路上不断突破，依托强大的信息化建设成果，「信用就医」模式使北京大学首钢医院成为北京首个信用医疗的试点医院。

在探索AI技术赋能医疗服务中，北京大学首钢医院研发了「AI医生助手」，点击「生成住院病历小结」模块，复制病历内容后，选择「调用AI大模型」选项，一份出院小结便自动生成。

这套系统由医院技术团队依托DeepSeek开源软件的功能，借助医院内搭建的服务器自主完善制作而成，已在智能问答、医疗知识检索、文书报告错误检测、门诊病历自动生成、疾病诊断编码及住院病历小结生成等多个场景应用实践，目前在修复重建科、全科医学科、骨肿瘤等多个科室开展使用。在测试中，有一位医生发出这样的感叹：这太有用了，减少病历书写的时间，就可以有更多时间跟患者面对面交流。

3月31日，余浩做客健康界ALL in AI Health创新应用大讲堂，带来AI助手深入诊疗全链条的全景展示，并且就医院信息中心建设等话题，与主持人展开深入探讨。

本文精选部分内容，供广大同仁交流，欢迎在评论区留言。本期及过往直播回放可点击下方图片，加入医项目即可观看：

AI重构诊疗全流程

这六个院内场景见效大

健康界：请您从技术架构和应用成效的角度，介绍一下信息中心的核心建设成果？

余浩：最近几年，北京大学首钢医院对信息化、智慧化的要求越来越高。在技术架构方面，DeepSeek的出现为我们带来了新的机遇。鉴于医疗数据的高度敏感性，在数据隐私和安全保护上，我们采用了本地化部署的方案。采购了配备两张4090显卡、显存48G的GPU进行本地化部署，这样能确保数据在院内安全运行，不被泄露。除了DeepSeek，我们还安装了十几款其他大模型，像Llama、Qwen等，目的是全面测试LLM技术在医疗场景中的适用性和能力边界。

健康界：北京大学首钢医院已率先将人工智能引入医疗诊断，还迈出了创建AI医生助手程序的第一步。接下来，请您通过六个典型场景，为我们展示AI如何重构诊疗全流程。

余浩：这六个场景都是我们基于实际工作中的痛点和需求探索出来的。

第一个场景是科研数据结构化。

在医院科研工作中，基于病历数据做研究是常有的事，但从非结构化的病历文本中抽取关键数据项，比如肿瘤病理分期，以往是个难题。虽然有相关技术，但可及性不好，大多时候还是靠医生、助手或学生，人工对照病历提取，效率很低。

现在，我们用DeepSeek的14B模型，通过编写合适的提示词，就能轻松提取这些数据。我们输入一段病历文本，模型很快就能给出「PT4N0M0」这样的病理分期结果，还能提取肿瘤大小等数据，这大大提高了科研数据处理的效率。

第二个场景是医疗文书纠错。

比如放射科报告偶尔会出现左右部位写错的情况，传统的基于规则的纠错工具适应面窄。我们利用大模型的推理能力来解决这个问题。比如模拟一份检查申请是左脚踝，报告却是右脚踝的情况，让大模型检查，14B及以上的模型能准确发现「部位不一致错误」，这为医疗文书质量提供了有力保障。

第三个场景是门诊病历生成。

大医院门诊患者多，医生留给每个患者的时间有限，既要问诊又要记录、开单子，很难完整书写病历。我们模拟医生与患者对话后的文本，让大模型生成病历。像一段表述混乱的患者病情描述，大模型能按照门诊病历的结构，生成主诉、现病史、既往史等内容，还能规范血压的表述并加上单位，不过最终还是要医生确认保存，AI起到辅助完善病历的作用。

第四个场景是疾病诊断编码。

我们把不带诊断的病例描述输入大模型，让它给出ICD9或ICD10编码。虽然目前给出的答案还不完美，但已经具备了一定的能力，能为编码员的工作提供支持。后续通过优化问题表述、添加背景知识等方式，有望进一步提高编码的准确性。

第五个场景是生成住院病历小结。

写一份符合质量要求的住院病历小结，医生通常需要花费十分钟左右。而用大模型，输入长篇病历表述，十几秒就能生成一份像模像样的出院小结，包含治疗经过、出院医嘱等内容，提高了病历整理的效率。

第六个场景是驱动LLM主动询问问题。

一般都是用户提出问题，LLM来回答，现在是反过来，LLM问问题，用户来回答。我们实践发现很多LLM具备多轮交互问答的能力，LLM的这种能力可以在预问诊、流行病调查等需要提前采集病史的场景下使用，还可以对用户给出的答案进行合理性校验。

算力是制约AI应用的关键因素

如何破解基层AI医疗发展难题？

主持人：AI技术在推动优质医疗资源下沉时，如何解决基层医疗机构算力不足的问题？

余浩：目前，北京大学首钢医院所辐射的4个社区在诊疗中还没有正式开始使用AI技术，但在实践过程中，我们已经深刻体会到算力是制约AI应用的关键因素。就拿我们自己来说，刚开始准备实践AI项目时，发现既没有足够的算力，也缺乏相关工程师，基本硬件条件都不具备，所以只能紧急采购算力。

对于基层医疗机构，算力未来应该作为一种基础服务来建设。在紧密型医联体模式下，我们可以构建公用算力平台，实现资源的集约化使用。这样，各个基层医疗机构无需单独采购昂贵的算力设备，避免资源浪费，还能降低成本。

AI技术非常适合基层医疗场景，它能让基层医生和医护人员便捷地获得大模型技术的支持，提升基层医疗服务水平，实现科技平权。未来，我们计划在社区推广AI应用时，统一提供算力服务，让优质医疗资源借助AI技术更好地下沉到基层。

私有云部署是否可取？

患者隐私保护和数据安全不可少

主持人：AI融入诊疗全链条之后，如何保护患者隐私和数据安全？

余浩：医疗数据安全至关重要，是信息化建设和网络安全工作的首要难题。

从技术选择上，我更倾向于本地化部署。云部署虽然方便，但存在数据隐私风险，即使做了脱敏处理，把数据上传到第三方云平台还是有潜在隐患。

不过，也不能因为安全问题就放弃新技术的尝试。现在不少同行都在探索DeepSeek的本地化私有化部署，还有采用私有云部署的方式，这些都是在保障患者隐私的前提下，积极推动AI技术在医疗领域应用的探索。

同时，我们也要认识到，大模型在处理医疗场景问题时，能力还需要逐步提升。目前，我们不敢完全依赖大模型做出医疗决策，只能把它作为参考。在实际应用中，要由浅入深地推进AI技术，先从文字书写效率提升等低风险场景入手，逐渐积累经验，确保医疗安全。

主持人：AI医疗还有哪些进步的空间？

余浩：Deepseek在医疗领域的潜力巨大，远不止我们目前探索的这些场景。从医疗服务流程来看，未来AI有望实现全流程的智能化。比如在患者就医前，通过智能问诊系统初步了解患者病情，为患者提供就诊建议和预约服务；就医过程中，AI辅助医生进行更精准的诊断和治疗方案制定；就医后，利用AI进行患者康复跟踪和健康管理。

在医疗研究方面，AI可以帮助我们挖掘海量医疗数据中的潜在规律，加速新药研发进程，探索疾病的发病机制。随着技术的发展，AI模型的性能会不断提升，对复杂疾病的诊断和治疗支持也会更加精准。

我相信再过几年，AI技术在医疗领域会成为医疗工作中不可或缺的一部分，真正实现医疗服务的智能化变革。

文：李子君

来源：健康界