9月20日下午，由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，复旦大学附属中山医院信息与智能发展部大数据人工智能中心主任 张纪阳发表《医院人工智能应用探索和思考》主题演讲，结合复旦大学附属中山医院的探索，分享医院人工智能应用背后的一系列思考。
复旦大学附属中山医院信息与智能发展部大数据人工智能中心主任张纪阳
国家任务与现实需求共同推动医院数智化转型
“十四五”期间，中山医院承担了综合类国家医学中心建设任务，去年又牵头了国家人工智能应用中试基地（医疗领域）的建设任务。两项任务使医院需要持续关注并落实国家层面对数字化、人工智能发展的要求。
《国民健康“十五五”规划》将数智化转型确定为行业发展牵引力量，国务院《关于深入实施“人工智能+”行动的意见》确定了2027年新一代智能终端、智能体等应用普及率超70%、2030年达到90%。国家层面直接设定量化指标，体现出推进数智化转型的强大决心，这也意味着医院现有的人工智能应用与未来要求之间仍有较大发展空间。
与此同时，推动医院转型的另一股力量是医疗行业自身。
张纪阳认为医院正在承担传统观点认为的“不可能三角”任务——既要提升医疗服务质量、又希望患者付出成本更低，还要提高医疗服务的可及性，数智化转型成为了一种被寄予厚望的发展路径。
根据2024年国家卫健委发布的卫生健康事业发展统计公报，全国医院医师日均诊疗量为6.7人次，而有调研报告指出大型三甲医院可以到30—40人次，部分医生甚至超过100人次。这些数据从侧面表明，高水平医生和专家团队所承担的繁重诊疗任务，以及优质医疗资源的扩容和下沉对人工智能技术的使用有迫切需求。
另外，美国医师协会（AMA）2026年调查数据显示，80%的医生已经在专业领域使用AI，医学研究与护理标准归纳总结占39%，出院小结、护理计划和病程记录占30%，病案编码与就诊记录整理占28%，辅助诊断占17%。处理繁重的医疗文书任务依然是当前应用的重点。
此外，互联网医院、远程医疗以及各类信息化平台发展多年，优质医疗资源扩容和下沉的渠道已经十分丰富，但是最核心的专家资源依然是瓶颈，如何快速实现专家智力资源的“扩容”，依然是医疗行业需要面对的问题。在这个方面，很多行业探索表明，人工智能技术大有可为。
国家任务、医院运营压力以及临床需求，共同构成了中山医院进一步探索和发展人工智能应用的背景。
从数据闭环到“超级医生”，医院AI如何持续进化？
医院数智化转型不只是增加几个AI应用，还涉及医院信息化建设思路的变化。过去医院信息化形成了大量业务系统，但随着以AI为代表的新信息技术快速迭代，一个问题更加突出——医院真正需要长期沉淀的核心资产是什么？
张纪阳认为，相比软件本身，医院长期积累的数据、医疗知识和专家经验更加重要。未来医院需要思考如何将这些资产沉淀下来，并通过新的技术体系加以利用。基于这一思路，中山医院也开始探索AI原生，通过Harness、智能体、Skills等平台体系建设，让一线医护拥有持续沉淀经验和能力的途径。同时，张纪阳也对什么是AI原生和能否在医疗系统中实施AI原生提出了一些开放问题，比如在原有EMR（电子病历）等业务系统中植入大模型能力能否实现AI原生，智能体的自主规划、长上下文、模型和智能体的自进化等能力如何与现有业务系统结合等。此外，严肃医疗场景后如何保障系统稳定性、安全性和明确责任边界，也是当前行业正在快速探索的问题。
在数据方面，要让医疗知识和经验真正进入AI体系，要解决数据的高效率加工问题。随着医院长期积累的数据规模不断扩大，数据如何复制、备份、运维、检索和使用成为新的挑战。
张纪阳提出，需要重新思考医疗数据的表示和组织方式：一方面，需要一个统一的数据结构将分子、器官、患者到人群队列等不同层级的数据建立关联，虚拟患者的概念可能是一种选择；另一方面，将过去分散在不同时间点的“切片式”病例转化为更加完整的叙事型病例，并结合结构化数据和知识图谱，才能为AI应用提供基础。在这个方面，中山医院在中试基地的建设中提出了S0-S3的语料数据加工路线。
面向医疗人工智能应用，医疗数据质量还有进一步提升的空间。很多原来信息系统并不记录的场景信息，对于大模型的推理判断可能十分重要。因此，中山医院开始探索“伴随式数据采集”，并且尝试实现专家反馈驱动的模型迭代，以及自驱动的智能体工作站，以数据为媒介实现业务-数据-知识的反馈闭环，为模型持续优化提供支撑。
数据和知识进一步沉淀之后，如何将医生的专业能力和经验转化为AI能力，也成为探索方向。在重症等科室，AI先锋医生开始自己“创作”skills，医院也开展了相关培训，并让更多医护人员参与人工智能知识生产。
在此基础上，张纪阳还介绍了“超级医生”计划，希望将多位医生的能力汇聚到一个智能体中，并随着科研和临床工作的推进持续更新知识和经验，进一步形成覆盖医、教、研、管等能力的智能体。
这也重新回应了演讲开头提出的优质医疗资源问题：传统信息化更多解决了信息连接的问题，而人工智能带来的进一步可能，是探索如何将高水平医生的知识和经验数字化、沉淀并持续更新。
从鼓励创新走向全员共治
随着AI工具越来越容易获得，医院还面临另一个现实问题——不同科室都可以自行尝试大模型和智能体，如何统一管理？张纪阳认为要建立“全员共治”的机制。临床科室可以创新，但医疗质量、安全、网络安全以及AI应用管理不能缺位。科研探索真正进入临床应用也需要有“中试”环节的评估。
与此同时，医院还需要真正评价人工智能的投入产出。包括中山医院在内，医院虽然已经进行了大量大数据和智能体探索，但人工智能究竟给患者、医生和医院带来了多少可量化的价值，目前仍缺少足够的实证研究。如果持续投入大量资源，却说不清实际收益，AI建设就很难形成可持续的发展模式。
最后
值得一提的是，“医学AI探索与创新”论坛在嘉宾演讲结束后设置了主持人提问环节，让来自医疗信息化一线的主持人与演讲嘉宾就实际问题展开进一步交流。本场主持人为首都医科大学附属北京世纪坛医院大数据与人工智能管理处处长田宗梅教授。
田宗梅：医院现在已经有很多AI应用场景，不同科室也都有自己的需求。作为大数据人工智能中心，如何筛选这些场景？是业务部门提出需求后进行支撑，还是由信息部门主动引导？
张纪阳：传统信息化很多时候是被动接受需求，但人工智能项目不能简单“来了就接”。医院需要和业务部门一起判断需求能不能实现、做出来有没有价值，并进行技术、安全等多方面评估。
中山医院已经建立常态化的需求收集机制。科室提出需求后，信息部门会进行较全面的论证，必要时也会邀请科室进一步说明实际业务需求。如果项目涉及内外网、互联网云服务，或者需要大量算力资源，还需要进一步评估安全风险、资源投入以及技术路线可行性。
田宗梅：在AI项目实践中，技术部门和临床业务部门应该如何分工协作？怎样让业务部门既认识人工智能的价值，也理解技术本身的边界和困难？
张纪阳：首先还是要鼓励临床创新。如果科室能够基于医院提供的平台自行进行一些探索，在风险可控的范围内让临床人员真正参与，他们对技术的理解会更加深入，也可能成为后续推广AI应用的重要力量。
第二种方式是让临床专家与技术人员共同工作，组成小型跨专业团队解决具体问题。这样可以减少单纯由技术人员理解临床需求，或者临床人员独立使用技术带来的偏差。
此外，信息技术人员也应该主动进入临床一线。中山医院正在推动FDE模式，不只是等待医生提出需求，而是直接观察临床工作流程，从中寻找投入可控、又能够产生实际效益的应用点。
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