2026年9月20日下午，在中国医院协会医学人工智能专业委员会主办、浙江大学医学院附属第二医院承办的中国医院协会医学人工智能专业委员会2026医学人工智能学术大会“医学AI探索与创新”分论坛上，宁波大学附属第一医院人工智能与信息化部主任吴斌教授以该医院的实践为基础，以《人工智能赋能医疗质量安全前瞻性管理的思与行》为主题，系统阐述了人工智能在医疗质量管理中的应用探索。
传统医疗质量管理的困境
宁波大学附属第一医院始建于1913年，是宁波最早的公立医院，现已发展为拥有月湖、外滩、慈溪等院区的大型医院，核定床位超4400张，年门诊量接近百万人次。
宁波大学附属第一医院信息化建设虽有二十余年历程，但传统质量管理的核心矛盾始终未能解决。吴斌指出，问题在于传统信息化手段往往是“刚性阻断”——哪里出问题就在哪里设卡点，层层叠加的规则让正常诊疗流程频繁被打断，医生把大量精力花在“通过关卡”上，效率与体验双降。同时，被动的卡停限只告诉医生“不能做什么”，不解释“为什么”，导致临床抵触情绪强，甚至有人钻系统漏洞，质控权威被消解，风险不降反升。
“医疗质量管控的尽头不是‘更密的网’，而是‘被理解的规则’”。吴斌强调，传统建设模式下，合理用药、病种管理、院感等系统各自为政，只看重自身监管目标，未形成体系化监管。在他看来，医疗行为本身是连续的过程，靠碎片化的几个软件几乎无法管好医疗质量。
AI建设技术框架
人工智能的主动防御和穿透性能力，为重构质量监管体系提供了新的可能。
吴斌展示了宁波大学附属第一医院的AI建设技术框架。这是一个从算力到应用的五层一体化AI能力底座。该院当前日均Token调用量超5亿，运行26个以上AI应用，部署14个私有化模型，拥有96张私有化加速卡。
第一层为算力支撑。该院拥有5台阿里PPU真武810E服务器，每台16卡，合计80卡，承载全部私有化模型在线推理，总算力约25.6 PFLOPS（FP16）；另有2台华为昇腾910C超节点，合计16卡，总算力8.96 PFLOPS，均置于医院私有化算力资源池内。此外，该院以租用运营商算力的方式承载模型训练与科研任务，不占用在线推理算力。
第二层为模型层。基于上述算力部署了14个私有化模型，其中阿里PPU集群承载12个，包括通义千问系列（覆盖门诊语音、住院业务、通用等场景）、京东健康自训练模型、启元重症自训练模型，以及Embedding、Reranker、OCR、视觉、ASR语音等专用模型；昇腾910C超节点承载DeepSeek-V4-flash通用模型及AI安全平台专用模型。吴斌判断，未来模型向通用化方向发展，单一模型能力持续增强，应避免模型的碎片化建设。
第三层为AI安全管理平台。该平台涵盖智能体应用发现、身份管理、安全检测、异常行为发现、智能权限推理、权限控制以及文本图片内容检测等功能，为AI应用的合规运行提供基础保障。
第四层为AI模型业务网关，实现统一管理、统一发布、统一授权、负载均衡和容灾观测，对内对外提供一致的接入方式。
第五层为应用与开发平台，现有26个在运行场景，覆盖CIS临床、院内智能、宁帆科技、安全运维、生态与平台等领域，包括报卡自动填写、门诊语音病历、出院小结生成、文书保存质控、病案首页诊断推荐、检查检验报告解读等具体应用。
宁波大学附属第一医院人工智能与信息化部主任吴斌教授
三大理念：流程智能化、质控前瞻化、决策精准化
基于人工智能的探索实践，吴斌提出三大理念：流程智能化、质控前瞻化、决策精准化。
1.流程智能化：将医生从重复劳动中解放
没有一个临床医生不想写好病历、看好病人，但大量时间被简单的书写、复制、拷贝、上报等琐事消耗。通过AI释放临床生产力，让医生把精力还给病人，是这一理念的核心。
在门诊环节，该院通过AI实时识别医患对话，自动提取病史要点并生成标准化门诊病历，约15%的门诊病历由AI辅助产生，改变了医生紧盯屏幕打字的问诊模式。在住院环节，近15%的出院小结由AI自动生成，系统可提取住院期间的病程记录、检查检验结果、用药记录、手术记录等多源信息，生成时间从30分钟缩短至5至10分钟，单月生成量达7000份，且必备要素不遗漏。吴斌指出，复杂病例如多学科会诊、罕见病、并发症多的情况，AI的生成可能趋于“平均化”，关键信息存在弱化风险，仍需持续迭代优化。
在多学科会诊中，该院利用AI会议助手实现会诊前自动填写申请单，会诊中语音实时转文字，完整留存每位专家的发言要点，并在探索基于会诊记录提供诊疗决策层面的辅助建议。此外，肿瘤报告卡、慢病报告卡、死亡报告卡等公卫上报工作，AI已实现90%至95%的自动化替代，比人工填报更加准确和及时。针对传染病报告在医生下班后无法及时上报的痛点，该院正探索基于消息中间件技术实现自动跨平台上报。在科室交班环节，AI每日自动提取病情变化和新化验报告，生成交班记录，保障大交班制度持续运行。
2.质控前瞻化：从被动拦截到主动防御
除了为临床减负，AI在关键节点上仍须承担把关者和守舵人的角色。吴斌介绍说，在门诊接诊完毕录入病历时，AI会自动进行一次审核，除检查文本内容与患者基本信息外，还会判断检查检验与诊断结果的因果相关性。由于门诊场景时间紧迫，系统在效率与准确性之间作了取舍，将安全合理用药的提示放到后续环节。在住院病历书写过程中，每份病历保存时AI会自动审核，检查当日文本与既往记录的相互矛盾之处，审核结果作为档案保留——一旦出现纠纷或诉讼，可证明系统已提示风险而临床未作修改，明晰责任边界。
吴斌认为，上述方法仍未脱离传统“卡停限”的框架，临床对此并不完全接受，且对未受监管的问题仍存侥幸心理。因此，该院正在构建一套基于旁路的、后台的、数据驱动的前瞻性质控体系。系统通过后台数据库监测新开出的报告单、检查单，由AI判断医疗行为是否存在异常，一旦发现问题即通过移动端推送至临床医生。这套体系以十八项医疗质量安全核心制度为基准，共设定两百多个质控指标，其中一百多个由AI进行内涵质控，涵盖病历文书的时效性、周期性、合规性、规范性、逻辑性、重复性和完整性等领域。
为保证整改落地，该院建立了医生积分制度，类似驾照记分，与年度考评、职称评审、评先评优直接挂钩。在此基础上进一步设置多级联动机制，组员违规时组长承担连带管理责任，形成共同管理格局，杜绝“害群之马”。吴斌表示，旁路监测不影响临床正常工作，实施后问题发生率明显下降。
3.决策精准化与数据安全
吴斌展示了AI在围手术期、报告解读、合理用药和影像辅助等环节的应用。在围手术期，AI自动评估手术风险、营养评分，并串联各环节给医生提供规范化建议。检查检验报告出具后，AI同步推送下一步处理建议。在合理用药方面，传统系统只能做药物间配伍、最大剂量等基础审查，该院希望通过AI实现精准化、个性化用药提醒——在开药时即提示肝肾功能缺陷、哺乳期禁忌、抗生素过敏等个体化风险。影像学方面，该院与民营企业合作实现全病种AI辅助诊断，同时AI也在反向弥补人工诊断中容易漏诊的区域。重症医学领域，该院与迈瑞合作，通过AI为ECMO、CRT、呼吸机插管拔管等决策时间节点提供客观评估建议。
AI不是产品而是工具
吴斌指出，AI不是产品而是工具，传统信息化建设的每一个环节都将面临AI的重构。在数据安全方面，该院所有AI算力和模型均采取私有化部署，并与健康云合作实现数据不出域。针对科研数据外送的需求，该院与相关机构深度合作，将数据准备好后放在安全空间中供各方在线使用，确保数据不脱离管控环境。
吴斌相信，AI在医疗质量安全管理中将继续向更深层次的人机协同、更广泛的数据融合和更精准的预测模型方向发展，而每一次应用产生的数据，都将通过数据飞轮反哺模型能力，形成复利效应。
本文来源于DOIT传媒，文章内容仅供参考，不构成投资建议。
评论列表