数据混乱、人才招不起！AI“杀入”基层医院，是帮忙还是添乱？

作者｜冬梅

采访嘉宾｜陈逸聪，浪潮信息广东区副总经理；关紫云，佛山南海人民医院院长；

2024 年前后，几乎所有医院的信息科和院长办公室里，都弥漫着一种相似的情绪——焦虑。

“DeepSeek 出来那段时间，说实话，很多人都快焦虑到抑郁了。”关院长后来在一次公开分享中半开玩笑地说。台下坐着的，是一排排基层医院的信息科负责人、分管副院长，几乎每个人都点头。

那是一种被技术浪潮追着跑，却又不知道该往哪里跑的焦虑。

一边是媒体、朋友圈里铺天盖地的“某某医院三分钟接入大模型”“AI 自动写病历”“医生即将被替代”；另一边，是基层医院真实而琐碎的日常：门诊挤满人、病历质量参差不齐、年轻医生诊断思维薄弱、质控靠人盯、随访没人做。

“别人说 DeepSeek 一接就能干很多事情，但你问我——我到底该用在什么地方？我能用它解决什么问题？”关院长回忆，那段时间，几乎每天都有人跑来问她，“院长，我们是不是也要搞一个？”

但她心里清楚，如果只是为了“有东西能给领导看”，那大概率只会再多一个没人真正用的系统。

她反复问自己一个问题：如果我什么都不做，三年后，这家基层医院会变成什么样？

关院长不是计算机背景出身。她反复强调，自己“没有系统学过人工智能”，很多理解，都是在一次次“磨”的过程中形成的。

真正点燃她对 AI 落地兴趣的，反而不是医疗系统内部，而是一堂公安系统的课。

那次，她跟着省卫健委去浙大调研人工智能。但在医疗会场之外，她“偷偷溜”进了公安系统的分会场，听他们讲如何用 AI 做道路影像识别、车辆标注、唯一性识别。

“那一刻我突然意识到，人工智能不是空中楼阁，它一定是有场景的。”关院长如是说。

从那以后，她开始反复琢磨一个问题：如果把 AI 放进基层医院，它最先该解决的是什么？答案不是“最炫的算法”，也不是“最先进的模型”，而是基层最痛、却长期没人解决的问题。

疫情之后，关院长所在区域启动了全科医生“尖兵班”培训。入学考试的结果，让她至今印象深刻。

“最低分的，只有二十几分。”

这不是个别现象，而是一种系统性问题：大量基层医生在诊断思维、病历书写、规范操作上是存在一定短板的。而这些短板，靠短期培训很难补齐。

与此同时，另一个问题更加隐蔽，却更致命——病历质量。

为了应付高强度门诊，不少医生只能依赖模板和复制粘贴。结果是，病历越来越“像”，却越来越不能真实反映诊疗过程。质控部门疲于奔命，却永远在事后补救。

“我们的问题从来不是医生不努力，而是整个系统，已经不支持人靠体力去扛了。”关院长说。她开始意识到：如果 AI 真要在基层落地，它必须嵌入流程，而不是成为一个外挂。

1 AI 技术足够先进，但用起来存在门槛

南海人医 遇到的问题，其实是整个医疗行业在大模型爆发后普遍面临的缩影——尽管 AI 与医疗的结合已被证实具备巨大效用，但技术能力与实际落地应用之间仍存在差距，这也成为行业内共同探讨的焦点。

一方面，各大科技巨头如 OpenAI、Anthropic、Google、腾讯、阿里等纷纷推出面向临床文本理解、医学图像处理、医疗大模型开发等解决方案，技术成熟度在多个维度刷新了人类的认知。

在医学影像与疾病筛查方面，谷歌旗下 DeepMind 与 Google Health 在医学图像诊断上投入大量研发，其 AI 系统被用于乳腺癌与视网膜疾病的筛查研究。已有科研成果表明，AI 能以与受过专科训练的放射科医生相当甚至更高的准确度进行乳腺癌检测，有效降低误诊与漏诊率。

Google Health 还将其糖尿病性视网膜病变（diabetic retinopathy）AI 模型授权给合作方用于大规模筛查，促进自动化早期诊断。

在临床决策支持与疾病诊断中，微软发布的 AI 系统“Diagnostic Orchestrator”在研究中显示，在一组复杂病例的诊断测试中，AI 的诊断准确率远高于一般医生，据报道识别复杂病情的正确率可提高数倍。此外，微软推出的 Dragon Copilot 医疗助理系统可以自动生成临床访谈笔记、病程摘要等内容，大幅减轻临床医生的文书工作负担，提高临床效率。

另一方面，尽管 AI 在医疗领域已经展示出明确的技术潜力，但从实验室走向真实医疗场景，尤其是基层医疗体系，仍然横亘着几道绕不开的现实门槛：算力、算法、数据和人才。

真正让问题集中暴露出来的，是一项时间表明确的政策目标——到 2027 年，县域医共体要基本实现人工智能能力全覆盖。当目标被写进规划，留给基层医疗机构的缓冲期骤然缩短，AI 不再是“要不要做”的问题，而是“怎么做、谁来做、能不能做成”的现实考题。

时间变得紧迫的同时，资源错配的问题也被彻底摊开。

医院掌握着最关键的临床数据，却缺乏算法能力；算法掌握在企业和科研机构手中，却远离真实医疗场景；算力可以通过市场购买，但价格持续上涨，长期成本难以承受；而真正懂医疗、懂算法、懂合规的复合型 AI 人才，则高度集中在高校和头部企业，与基层医院几乎没有交集。

这种结构性矛盾，在基层医院体现得尤为直接。“你问我算法工程师多少钱？我不知道。”关院长在采访中坦言，“我就是天天找人，想合资供养一个算法工程师，都没人理我。”在现实条件下，基层医院几乎不具备独立组建 AI 团队的能力：既给不起长期薪酬，也无法提供技术人员期望的成长空间和研究环境。

但如果选择等待“成熟方案”，结果往往只有一个——基层医疗永远停留在被动接收阶段，成为技术下沉过程中的“最后一公里用户”，而非参与者。可一旦决定自己下场，又会发现从数据治理、算法开发、算力采购到合规审批，几乎处处受限，单点突破难以为继。

所以最终的转机来自一种组织模式的重构——医院协同技术企业以及当地政府共创 AI 医疗新格局。

在这一模式下，医院提供真实医疗场景和高价值数据基础，技术企业贡献算法能力和工程化经验，政府则在资源协调、政策对接和合规边界上发挥关键作用。各方并非简单合作，而是被纳入同一个长期协作框架之中。

“如果每个人都只拽着自己那点利益，想着怎么最大化，那这件事就干不下去。”关院长直言。

这种生态共建的前提，并不是所有参与者都要立刻赚钱，而是没有任何一方可以只站在自己的立场上行动。

在医疗 AI 这样高度复杂、强监管、长周期的领域，单点最优往往意味着系统失效。

当 AI 从“能不能用”走向“必须用”，真正的压力开始集中到技术服务方身上：基层医院的数据在手、需求明确，但中间那道工程化门槛，谁来跨？对于技术服务而言，核心命题正变为 —— 如何用更高效的技术平台，让医疗 AI 真正下沉基层、落地见效？在此前的一次公开采访中，浪潮信息广东区副总经理陈逸聪给出了他的答案。

在他看来，医疗 AI 的难点从来不在于“有没有技术”，而在于“技术怎么走到需求面前”。医院掌握着真实数据和具体问题，但往往缺乏把需求转化为应用的能力；企业有技术、有平台，却缺少对医疗场景的深度理解；中间这段“从需求到落地”的路径，长期处于断裂状态。

这也是浪潮信息反复强调“平台 + 生态”的原因。浪潮信息的元脑企智 EPAI 平台并不是要替医院直接做应用，而是试图解决 0 到 1 的问题——把最底层、最复杂、最容易卡住的技术部分，通过平台化的方式先铺好。通过低代码甚至零代码能力，把模型调用、算力调度、基础工程能力封装起来，让医院和合作方不必从头造轮子。

“0 到 1 解决了，1 到 100 才有意义。”陈逸聪解释，平台负责打底，场景适配由生态伙伴完成，而医院则可以在此之上进行业务创新。最终形成的是一种分工明确的结构：平台解决共性难题，场景释放个性需求，业务反过来推动技术继续演进。

除了平台问题，算力瓶颈又该如何解决？

陈逸聪表示，从算力角度看，医疗是一个“非常不互联网”的行业。数据隐私和合规要求，决定了它无法像互联网那样大规模依赖公有云，用公共算力快速试错。这意味着，医疗 AI 天生就对本地化、专用化算力有更高需求，也更容易遭遇成本和部署瓶颈。

陈逸聪提到，早在 DeepSeek 出现之前，浪潮信息和部分医院就已经在尝试用 AI 解决这些问题，只是当时的技术路径更重、效率也有限。DeepSeek 的出现，某种程度上提供了新的“可能性”：在算力并非无限扩张的前提下，找到更高效的模型和工程路径，让 AI 真正进入行业。

但这并不意味着“算力问题被彻底解决”。相反，随着 AI 能力进入医疗核心流程，对算力的需求反而在快速上升。区别在于，算力不再是平均摊开，而是被更精准地使用。

在医疗场景中，浪潮信息选择的路径，是把 AI 与原有的医疗信息化体系深度结合，而不是完全推翻重来。HIS、EMR 等传统系统已经沉淀了大量结构化流程和数据，当大模型与这些系统协同工作时，很多原本需要“堆算力”的问题，可以通过流程重构和场景适配来解决。

当共性问题被集中处理后，算力才能真正聚焦在最有价值的地方，用更“有效”的方式释放能力。

从这个角度看，浪潮信息扮演的并不是“卖算力”的角色，而是试图把算力、平台和医疗流程重新组织起来，让 AI 不只是停留在患者端的入口，而是真正嵌入医生的工作流之中。

2 AI 给谁用？患者还是医生？

在多方协作机制逐步成型之后，一个更现实的问题浮出水面：AI 到底应该用在谁身上？市面上最常见的答案，是先从患者端入手。预问诊、智能导诊、健康咨询，这些 C 端产品已经相对成熟，也最容易看到“效果”。但在真正的基层医疗场景中，关院长很快意识到，这条路径并不能解决核心问题。

“病人问完了，来到医院还是不知道找谁，医生端也用不上。”在她看来，如果 AI 只是把患者拦在门口，却没有进入诊室，最终只会变成一个“看起来很智能，但谁都不依赖”的工具。

因此，他们从一开始就设定了一个更激进的目标：AI 不只服务患者，而是从患者建档开始，一路贯穿到医生诊间、质控、随访和管理端。这意味着系统不再只是一个前置工具，而是要融入整个医疗服务流程，形成一个覆盖 C 端、B 端和管理端的完整闭环。

在这一闭环中，AI 参与的环节几乎贯穿全程：从建卡和主诉采集开始，到预挂号、预问诊，再到分诊和就医咨询；进入诊间后，系统能够自动生成结构化病历，嵌入医生的日常工作流；诊疗完成后，还要覆盖事前、事中、事后的质控，以及后续的随访与慢病管理。

关院长并不愿意把它称为“工具”，“我不想做一个工具，我想做的是一个‘智能团队’。”

这种定位，直接拉高了项目的难度，也意味着更多不确定性。

系统真正开始进入训练阶段，是在 2024 年 3 月。病例的清洗、标注和模型训练，一直持续到年底。期间，合作方多次提出可以上线测试，但关院长始终摇头。理由听上去有些“离谱”——脏话训练还没做完。

“我怕有人在上面骂人，或者调戏男朋友女朋友，AI 识别不出来。”关院长说，“一旦出了问题，整个项目就完了。”在医疗场景里，任何看似边缘的问题，一旦被放大，都会迅速演变成信任危机。最终，他们硬是把上线时间一再往后拖。

命运却在此时又开了个玩笑。2025 年，DeepSeek 横空出世，原本既定的技术路线被迫重新评估，整体节奏再次放慢。但关院长并没有急于追赶风口，“那就让它长得更好一点。”

直到 2025 年 4 月，系统才正式上线。

上线，并不意味着成功。

最早推出的，是一个完整的预问诊流程，很快就遭遇患者投诉：“你问了我十几二十个问题，结果我还是挂不到号。”团队迅速调整策略，只保留主诉驱动挂号，优先解决“能不能看上病”的问题。

这一步，却又引发了医生端的不满。一位科主任当场提出异议：“主诉挂号要求太高了。”关院长只能在中间不断协调，“你先跟另一位主任把关系搞好，我们慢慢优化。”类似的摩擦，贯穿了整个早期阶段，也不断提醒他们：AI 真正落地的阻力，往往不来自技术本身，而来自使用者的感受与习惯。

支撑关院长坚持“本土训练”的关键，是对医嘱和诊断思维的理解。来自三甲医院多年积累的高质量病历，被用于训练模型；而那些质量不高、逻辑混乱的病历，同样要“喂”给模型，让它明确什么是不该学习的范式。

有人担心，这样的 AI 会不会“把基层医生养废”。关院长并不认同。在她看来，更合适的类比，是计算机取代算盘：工具的升级，提升的是整体下限，而不是抹掉人的价值。AI 不是替医生思考，而是把好的思维方式显性化，让更多医生学会如何思考。

这种思路，在病历质控环节体现得尤为明显。过去，质控依赖规则库，把 A、B、C 条件一条条对照，效率低、覆盖面有限。现在，他们直接用自然语言告诉模型“什么是好病历，什么是差病历”。模型会反馈给医生：哪些信息缺失、哪些表述不规范、哪里存在逻辑断裂。

这种基于语言理解的质控方式，不仅速度更快，也更贴近真实诊疗过程。对医生而言，AI 不再是一个站在流程之外的审查者，而是逐步成为嵌入日常工作的协作者。这或许正是 AI 真正融入医疗体系的关键一步。

数据跑起来之后，基层第一次看到了“正反馈”。

据关院长介绍，截至 2025 年底，AI 原生（AI Native）智慧医疗系统已经累计服务 12 万次，完成智能导诊 8 万 +，转挂号 2 万 +，预问诊 1.4 万 +。期间仅被投诉过 3 次，退号率从 30% 降到 20%。

这些数字不惊艳，却让一线医生第一次感到：系统是真的在帮忙，而不是添乱。

3 这种模式可复制吗？

当 AI 真正进入医生工作流、开始参与诊疗和管理之后，另一个更现实的问题随之浮现：这样的模式，能不能复制？

依托南海区医工科创研究院平台，由南海人医、天锐医健与浪潮信息所构建的这套 AI+ 医疗落地模式，如果要在更多医疗机构中持续复制，过程中最可能遇到的挑战和堵点是什么？这不只是一个技术问题，也直接关系到未来的商业模式是否成立。

从技术服务方的视角来看，陈逸聪给出的答案并不复杂，但足够现实——复制的前提，首先是标准化。

如果每一家医院、每一个场景都高度个性化，那么所谓复制就意味着“到一个地方重新开发一次”，成本和周期都会迅速失控。正因如此，浪潮信息在元脑企智 EPAI 平台上做的第一件事，并不是追求更多定制能力，而是把开发工具、算力调度、模型调用等基础能力统一到一个标准化的技术基座上。这样一来，通过场景适配，就可以快速落地应用，而不必从零开始搭建。

但仅有技术标准，并不足以支撑规模化复制。陈逸聪反复强调，医疗 AI 能否复制，取决于产业分工是否清晰且稳定。

在这套模式中，各方的角色边界被刻意划清：医院负责提供高质量、脱敏后的真实数据和明确需求；开发商负责算法适配和场景融合；浪潮信息提供算力、平台以及生态能力；而像天锐医健这样的角色，则承担起把整个链条“串起来”的任务。每一方各司其职、优势互补，才能形成一条可持续运转的产业链。这种分工，并不是事后总结出来的，而是在最早合作阶段就被预设为“未来要走向产业化”的前提。

第三个关键点，则是全流程合规与本地化场景适配能力。这也是医疗 AI 与通用大模型之间最本质的差异之一。

在医疗领域，数据不出域是底线，模型必须在院内部署并运行，这决定了它无法简单复用互联网时代“云端统一模型”的路径。同时，医疗场景中存在大量高度本地化的问题，例如语言环境。陈逸聪提到，在南海人医项目推进过程中，粤语与普通话的混用就曾成为实际障碍，如果这一问题不解决，所谓复制就只能停留在 PPT 层面。

正是因为这些限制，通用大模型如果仅作为“商品”出售，往往只能充当演示工具，而无法真正落地。相比之下，深入到具体应用中，围绕真实需求解决问题，反而在这个过程中逐步积累了可复制的能力——标准化的 API、开箱即用的工具链，以及一套被反复验证过的协作方式。

从陈逸聪的总结来看，这些看似“麻烦”的工作，恰恰构成了复制的前提条件：技术上有标准，产业上有分工，流程上有合规，场景上能适配。也正是在一次次解决具体问题的过程中，这套模式才逐渐具备了从“能落地”走向“可复制”的可能性。

在 AI+ 医疗 的这条路上，真正的门槛从来不是模型能力本身，而是如何在复杂、保守且高度现实的医疗体系中，把技术变成一种可持续运转的基础设施。能否复制，往往取决于这些最“工程化”、也最容易被忽视的细节。