全部商品分類
２０２５年以來，Ｄｅｅｐｓｅｅｋ通過開放生態(tài)加速了算法研發(fā)與臨床場景的深度融合。醫(yī)療大模型摒棄了＂技術(shù)至上＂的思維，逐漸進入實用主義階段。此背景下，對提高診療效率和質(zhì)量有迫切需求的基層醫(yī)療，成為大模型的重要服務(wù)對象。
基層醫(yī)療與大模型的適配度有多高？基層醫(yī)療醫(yī)患、院管的用戶真實反饋又是如何？動脈網(wǎng)與蓋睿科技、華美浩聯(lián)、衛(wèi)美健康、衛(wèi)寧健康（首字母排序）四家已布局基層醫(yī)療大模型應(yīng)用的創(chuàng)新企業(yè)聊了聊，供行業(yè)參考。
本文主要觀點如下：
１、ＡＩ輔助診斷基層落地速度最快，醫(yī)患、院管多場景反饋明顯
２、數(shù)據(jù)支撐、建設(shè)資源缺乏，基層需要普惠化的 ＡＩ 服務(wù)
３、以區(qū)域醫(yī)療主管部門部署為主，大模型一體機是發(fā)展趨勢
４、Ｇ端付費為主，正在探索醫(yī)院買單／企業(yè)生態(tài)共建／商保模式
在基層多個場景實現(xiàn)提質(zhì)增效降本
面對醫(yī)療資源分布不均衡、基層醫(yī)生數(shù)量短缺及慢性病防治嚴(yán)峻等形勢，以大模型為代表的人工智能技術(shù)發(fā)揮效能，為我國基層醫(yī)療衛(wèi)生服務(wù)＂提質(zhì)增效＂提供了創(chuàng)新解決方案。
綜合多位采訪對象反饋，大模型在基層醫(yī)療落地的場景包括ＡＩ智能分診和輔助診斷、病歷自動生成及質(zhì)控、患者個性化管理、公共衛(wèi)生服務(wù)等。此外，ＡＩ健康監(jiān)測與智能穿戴設(shè)備的配合，在鄉(xiāng)鎮(zhèn)衛(wèi)生院及對無保護老人的醫(yī)療健康管理中也發(fā)揮著重要作用。
其中，ＡＩ輔助診斷被認為是落地速度最快的場景之一?；诨鶎拥脑\療能力薄弱、技術(shù)資源匱乏等現(xiàn)實困境，大模型產(chǎn)品能快速解析患者主訴、生成初步診斷建議，尤其適用于基層多發(fā)的常見病和慢性病診斷。
衛(wèi)美健康聯(lián)合創(chuàng)始人王軍補充到，病歷自動生成與質(zhì)控在基層縣域的推廣效果也比較好，＂基層醫(yī)生多處于見習(xí)階段，病例生成和書寫質(zhì)量欠佳，且在ＤＲＧ和ＤＩＰ醫(yī)保控費背景下，ＡＩ助力病歷自動生成和質(zhì)控可幫助醫(yī)生規(guī)避醫(yī)?？圪M風(fēng)險。＂
＂大模型技術(shù)在患者個性化管理方面也取得了顯著反饋。＂衛(wèi)寧健康區(qū)域衛(wèi)生研發(fā)中心總經(jīng)理郝忠華表示，通過分析居民健康狀況，提供定制化慢病管理方案或健康教育內(nèi)容，經(jīng)醫(yī)生確認后發(fā)送給居民，能有效減輕醫(yī)生負擔(dān)，增強居民的健康獲得感。
蓋?？萍几笨偛谩⒒A(chǔ)醫(yī)療ＡＩ大模型項目專家魏群表示：基層醫(yī)療大模型可從醫(yī)生、患者和院管三方面助力提質(zhì)增效，幫助他們做應(yīng)該做但低意愿做的（增效），以及做不了但技術(shù)能做（提質(zhì)）的事情。患者預(yù)問診、病歷自動書寫和質(zhì)控、合理用藥、診后隨訪管理、慢病管理方案等功能的落地效果已有顯著進展。 不過，＂大模型若是能在診療方案、慢病管理方面提供更全面、更個性化的建議與方案，用戶會更加青睞。＂
華美浩聯(lián)ＡＩ研發(fā)總監(jiān)吳雷則分享了大模型在基層醫(yī)療成本控制方面的價值。大模型在基層醫(yī)療的深入應(yīng)用不僅重構(gòu)了診療流程，還從多個維度壓縮了醫(yī)療成本。如患者因基層診療精準(zhǔn)度提升，轉(zhuǎn)診分診需求減少，直接降低了就醫(yī)經(jīng)濟負擔(dān)；醫(yī)生端通過ＡＩ輔助彌補全科與?？圃\療經(jīng)驗盲區(qū)，誤診率下降，也能帶動重復(fù)檢查、重復(fù)用藥等無效醫(yī)療支出銳減。
受訪對象們還補充到，公衛(wèi)也是基層醫(yī)生的一大工作內(nèi)容。ＡＩ技術(shù)通過自動化隨訪、檔案質(zhì)控等應(yīng)用功能，將基層醫(yī)生從重復(fù)性公衛(wèi)事務(wù)中解放，也能顯著提升基層公衛(wèi)服務(wù)的覆蓋質(zhì)量與執(zhí)行效率，對于大模型提質(zhì)增效的反饋會更加明顯。
從根本上來看，＂提質(zhì)增效＂是醫(yī)療大模型存在的重要價值。因此評價一款大模型在場景中的好壞，還是得看它實際的應(yīng)用能力。吳雷分享了以下維度，來衡量大模型對基層醫(yī)療的賦能效果。
從短期來看，可觀察醫(yī)療診療效率和質(zhì)量。如通過轉(zhuǎn)診率誤診率下降、分診準(zhǔn)確率評估大模型賦能效率；監(jiān)測基層醫(yī)療中常見病與慢病管理的覆蓋數(shù)據(jù)變化，以及公衛(wèi)隨訪任務(wù)完成率、健康檔案完成率等參數(shù)，觀察大模型對區(qū)域醫(yī)療質(zhì)量提升的價值。
將觀察周期拉長，可看區(qū)域性人群健康結(jié)果。如區(qū)域診療成本、醫(yī)療系統(tǒng)運維成本的下降比例，醫(yī)保報銷比例及自費比例變化，慢病控制率是否提升，以及區(qū)域地方病發(fā)病率下降等。
基層醫(yī)療需求更普適，數(shù)據(jù)質(zhì)量、基礎(chǔ)建設(shè)資源缺乏
２０２５年開年以來，Ｄｅｅｐｓｅｅｋ爆發(fā)出圈，企業(yè)、醫(yī)院紛紛宣布部署，期待通過這一技術(shù)加速智能化轉(zhuǎn)型。但現(xiàn)實遠比想象中復(fù)雜，實際落地進程不免呈現(xiàn)＂理想豐滿、現(xiàn)實骨感＂的困境。在基層醫(yī)療環(huán)節(jié)，核心矛盾集中在技術(shù)適配、業(yè)務(wù)融合與資源支撐三大維度。
首先，大模型的基礎(chǔ)設(shè)施建設(shè)，受到算力算法與數(shù)據(jù)的多重掣肘。在算力端，基層醫(yī)療機構(gòu)資源與資金有限，普遍缺乏自建超算中心或高性能本地服務(wù)器集群的硬件條件，較依賴云端部署，在一定程度上存在實時響應(yīng)、延遲、系統(tǒng)穩(wěn)定性不足的問題，會直接影響到診療體驗連貫性。
從數(shù)據(jù)和算法角度看，基層醫(yī)療數(shù)據(jù)呈現(xiàn)質(zhì)量不均、分布較為松散、標(biāo)準(zhǔn)化低等特征，且數(shù)據(jù)清洗成本高。因此，一些大模型會選用三甲醫(yī)院數(shù)據(jù)進行訓(xùn)練，但這一做法會與基層高發(fā)慢病、常見病特征產(chǎn)生數(shù)據(jù)錯配，一定程度上會導(dǎo)致大模型在基層場景中＂水土不服＂，泛化能力低，輔助診療不夠精準(zhǔn)。
其次，大模型的幻覺、可解釋性差等問題，讓身處嚴(yán)肅醫(yī)療領(lǐng)域的基層醫(yī)療大模型面臨更高要求。大模型普遍采用的Ｔｒａｎｓｆｏｒｍｅｒ架構(gòu)（大型神經(jīng)網(wǎng)絡(luò)架構(gòu)），可以在數(shù)據(jù)中自動捕捉和學(xué)習(xí)圖像的各種特征，擁有強大的學(xué)習(xí)能力，能捕捉復(fù)雜的事物特征。相較于大型醫(yī)院，基層診療能力相對薄弱。ＡＩ對于基層醫(yī)生是賦能和補充工具，需要更高的準(zhǔn)確性和可靠性，這要求基層醫(yī)療大模型需要將幻覺問題的影響降到最低。
然后是技術(shù)與業(yè)務(wù)的供需錯位。當(dāng)前行業(yè)在一定程度上存在＂技術(shù)先行，需求滯后＂的錯位現(xiàn)象－－從業(yè)者更多思考＂大模型能做什么＂，而非＂基層實際需要什么＂。相較于一二線城市的大型醫(yī)院，基層醫(yī)療的臨床需求主要關(guān)注多發(fā)病、常見病和居民健康，致力于解決普惠性醫(yī)療問題。在基層醫(yī)療中，大模型需要與臨床業(yè)務(wù)和信息化系統(tǒng)進行深度適配，目前這方面的探索還不夠充分。
最后是資源支持的問題。大模型應(yīng)用技術(shù)門檻高，基層若缺乏ＡＩ平臺能力，模型開發(fā)與微調(diào)工具，落地便舉步維艱。此外，基層數(shù)據(jù)、算法等專業(yè)人才稀缺，工程經(jīng)驗不足，進一步加劇了落地難度。此外，當(dāng)前ＡＩ技術(shù)在法律法規(guī)層面仍存在諸多不足，如大模型應(yīng)用的規(guī)范、數(shù)據(jù)的管理以及醫(yī)療責(zé)任的規(guī)避與劃分等問題，均需進一步完善相關(guān)法律法規(guī)。
同時，醫(yī)生需要將大模型視為平等的合作伙伴，而不是盲目依賴其輸出結(jié)果。因此，推動ＡＩ在基層醫(yī)療領(lǐng)域的健康發(fā)展，不僅需要技術(shù)的持續(xù)進步，更需要一個市場教育的過程，以消除公眾的疑慮并增進理解。
一體機是大模型落地部署的重要趨勢
在人工智能技術(shù)向基層醫(yī)療滲透的過程中，大模型的部署方式成為決定技術(shù)效能釋放的關(guān)鍵變量。面對基層醫(yī)療機構(gòu)算力薄弱、數(shù)據(jù)分散、運維能力不足的普遍挑戰(zhàn)，衛(wèi)美健康、蓋?？萍寂c衛(wèi)寧健康三家企業(yè)分別探索出了具有場景適配性的解決方案。需要注意的是，部署方式需要結(jié)合實際場景和用戶需求，并不代表企業(yè)僅支持這一類部署方式。
衛(wèi)美健康認為一體機部署方式與基層醫(yī)療契合度較高，開箱即用且可針對不同應(yīng)用場景提供不同算力。目前，衛(wèi)美健康通過整合國產(chǎn)算力與經(jīng)典大模型（如部署７０Ｂ參數(shù)模型），向基層提供開箱即用的硬件設(shè)備，降低對高性能服務(wù)器的依賴，重點支持輔助診斷、病歷質(zhì)控等基層醫(yī)療核心需求。
第二類是與醫(yī)共體牽頭醫(yī)院或衛(wèi)健委合作，統(tǒng)一本地化部署大模型，基層醫(yī)療機構(gòu)可采用租戶模式開箱即用。蓋睿科技分享了這種模式的三大優(yōu)勢：一是提供ＲＡＧ知識庫與數(shù)據(jù)標(biāo)注工具，支持模型持續(xù)進化；二是建立雙重質(zhì)控體系，既審核病歷數(shù)據(jù)質(zhì)量，也通過全程審計跟蹤驗證大模型輸出結(jié)果的可靠性，輔助用藥決策；三是針對基層常見病需求優(yōu)化模型，可深度嵌入ＨＩＳ系統(tǒng)提升診療效率。
第三類則是由政府統(tǒng)籌共建。衛(wèi)寧健康表示，大模型部署的技術(shù)成本、算力成本和后期維護成本較高，建議借助政務(wù)統(tǒng)一資源規(guī)劃，由政府部門牽頭，多個委辦局共享ＡＩ能力，通過大數(shù)據(jù)局統(tǒng)一調(diào)控和規(guī)劃。例如寧夏、山東青島等地由政府大數(shù)據(jù)局牽頭，統(tǒng)一規(guī)劃ＡＩ算力，衛(wèi)健委更多是使用和消費的角色，數(shù)據(jù)安全也更容易保障。衛(wèi)寧健康還提到，有些場景不一定要本地化部署，比如健康問答這類對數(shù)據(jù)安全不敏感的場景，做好數(shù)據(jù)脫敏后，可直接使用公有云資源。
政府購買為主，醫(yī)院、商保新模式正在探索
最后，我們來談一下關(guān)于大模型的付費問題。目前，大模型產(chǎn)品的付費方式主要有三種：政府財政買單、醫(yī)院自主買單以及企業(yè)生態(tài)共建。
政府是基層醫(yī)療大模型產(chǎn)品的主要付費對象。國家衛(wèi)健委發(fā)布的《衛(wèi)生健康行業(yè)人工智能應(yīng)用場景參考指引》，以及北京、河南等地相繼推出的《＂人工智能＋＂行動計劃》，為基層醫(yī)療引入大模型提供了方向支持和政策紅利。企業(yè)也提供了一次性買斷、按項目購買或按年付費等多種付費方案，以滿足不同場景需求。
若客戶不愿付費，則說明產(chǎn)品價值尚未充分體現(xiàn)。長期來看，大模型產(chǎn)品若能深度融入醫(yī)療流程，解決核心痛點，提質(zhì)增效降本作用更明顯，客戶將更愿意持續(xù)付費。除政府外，醫(yī)共體單位與基層醫(yī)療機構(gòu)也在進行采購成本轉(zhuǎn)移，或通過醫(yī)保付費等方式實現(xiàn)。
目前，已有一些大三甲醫(yī)院在主動采購醫(yī)療大模型產(chǎn)品了。公開資料搜索，僅在３月，上海交大醫(yī)學(xué)院附屬新華醫(yī)院、常州市第一人民醫(yī)院、寶雞市中心醫(yī)院、紹興市人民醫(yī)院、南皮縣人民醫(yī)院皆發(fā)布了醫(yī)療大模型采購意向，預(yù)算金額最高達４８０萬元。
還有一些創(chuàng)新付費新模式在涌現(xiàn)。如華美浩聯(lián)以Ｂ２Ｂ２Ｃ模式探索新路徑，通過企業(yè)端觸達基層醫(yī)療機構(gòu)，構(gòu)建健康管理服務(wù)商品化通道。
事實上，ＡＩ在醫(yī)療領(lǐng)域的應(yīng)用，更多地是扮演輔助性角色，而非完全替代人類醫(yī)生。ＡＩ能夠高效處理大量數(shù)據(jù)、提供精準(zhǔn)分析，但醫(yī)療決策中的核心判斷仍需依賴人類醫(yī)生的經(jīng)驗和智慧。這一特性與歷史上諸多醫(yī)療技術(shù)的革新過程相似，初期往往伴隨著誤解與疑慮，但隨著技術(shù)的成熟與普及，最終得以廣泛應(yīng)用并造福人類。
注：文章來源于網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系刪除
