AI+医疗如何落地防疫诊疗全流程 ——盘点五大智慧医疗典型案例 案例概览 案例 1 | 基于知识图谱的新冠肺炎防护问答助手，离智能更近一步——柯基数据 案例 2 | 不只是疫情咨询，院前预检筛查成智能问答新“战场”——朗通医疗 案例 3 | 互联网医疗作为“第二战场“，在疫情防控中发挥重要作用——左手医生 案例 4 | 高敏快速检出病灶，CT+AI 助力医院实现“应收尽收”——体素科技 应用，大致可分为智能问答、线上问诊以及 AI 辅助诊疗。 在诊前环节，虚拟助手依靠自然语言处理和知识图谱等 AI 技术提供智能问答服 务，承担减轻恐慌、分流普通患者的任务；同时，线上问诊作为线下诊疗的补 充，在患者就诊前通过人机交互技术快速收集患者病情信息，进行患者筛查， 减轻医院和医生负担，实现智能分诊与导诊。 其中，在线诊疗成为国家大力倡导的方式。2 月 3 日，国家卫健委发布《关于 日，国家卫生健康委网站发布《国家卫生健康委办公厅关于在疫情防控 中做好互联网诊疗咨询服务工作的通知》，浙大医学院附属邵逸夫医院联合开 发的智能问诊系统及智能自诊筛查工具被作为范例推广。同时，全国多家公立 医院均接入医疗科技企业提供的智能问诊平台，患者通过人机交互平台进行院 前自诊，医院可以快速收集患者病情信息并快速筛查，实现智能导诊与分诊。 在诊中环节，主要是互联网医院开放的在线诊疗功能，以及 AI 助力医护人员提 升工作效率。

当前医疗系统面临着日益增长的服务需求与资源分配不均的双 重压力。根据世界卫生组织统计，全球范围内医护人员缺口达 1700 万，门诊等待时间中位数超过 2 小时，基层医疗机构误诊率 高达 18%-25%。在诊疗效率方面，三甲医院医师日均处理病例量 超过 80 份，导致疲劳作业风险上升，而电子病历系统仅实现基础 结构化存储，无法主动辅助临床决策。 医疗数据利用存在显著瓶颈： - 非结构化数据占比超过 实时数据分析延迟普遍在 4 小时以上，影响急症处置 成本控制方面呈现两极化趋势：2023 年国内三甲医院单例诊 疗成本较 2019 年增长 23%，而社区医院设备更新率连续 5 年低于 10%。医保控费要求与精准诊疗需求之间的矛盾日益突出，DRG/ DIP 支付改革下，医疗机构亟需在保证质量的前提下将平均住院日 压缩 15%-20%。 患者体验维度存在三个关键断点： 1. 47%的投诉源于医患沟通不充分 倍，同时将临床决策支持系统的误诊率 降低至人类专家水平的 1.2 倍以内。通过持续学习机制，模型每周 自动更新医学知识库，确保诊疗建议符合最新临床指南要求。 1.3 项目目标与预期效益 本项目旨在通过将 DeepSeek 智能体技术深度整合至医疗系统 核心业务流程，构建一套覆盖诊疗辅助、资源调度与数据治理的全 链路提效方案。基于医疗行业特有的高容错性需求与复杂决策场 景，我们设定了三级目标体系：基础层实现关键流程的自动化处

....................................................................................43 4.3.1 个体化中医诊疗方案................................................................................................. 中药材的种植环境、生长周期、采收时间等数据进行智能化分析， 可以制定更加科学的种植标准，提升产品质量。同时，借助 AI 技 术对中医药文献进行深度挖掘，可以为中医药的国际化推广提供强 有力的理论支持。此外，通过构建智能诊疗系统，提升中医药在临 床中的应用效果，推动中医药与现代医学的深度融合。总之，引入 DeepSeek 应用方案，将有助于中医药健康产业在新时代背景下实 现高质量发展。 1.2 DeepSeek 其次，DeepSeek 的机器学习和自然语言处理技术能够分析患 者病历、健康档案及社交媒体数据，挖掘潜在的健康风险和市场趋 势。例如，通过分析患者的用药历史和病情变化，DeepSeek 可以 为医生提供个性化的诊疗建议，提高治疗效果；同时，通过对市场 数据的实时监测，帮助企业更精准地制定产品策略和营销计划。 此外，DeepSeek 的自动化流程和智能推荐系统能够大幅提升 中医药企业的运营效率。从药材采购、生产管理到产品研

工作压力不断增大，因此亟需一种高效、精准的病历自动生成工 具。 中医院作为具有悠久历史和丰富经验的医疗机构，其在门诊病 历的精确记录和及时更新上存在着巨大的改善空间。与西医不同， 中医的诊疗过程涉及到复杂的症状分析、辨证施治等多个方面，病 历的完整性和准确性对于后续治疗有着重要影响。然而，基于具体 中医理论和实践的病历生成过程，往往需要专业的中医知识和经 验。这使得借助 AI 技术的介入成为可能和必要。 2. 增强准确性：通过学习大量中医病例，AI 大模型能够根据病 人情况提供相对准确的病历描述，降低人为错误的发生。 3. 支持个性化医疗：AI 模型能够分析病人的历史记录，为医生 提供个性化的诊疗建议，使治疗更具针对性。 4. 促进数据分享与分析：生成的电子病历不仅便于医务人员查 阅，还可以通过数据挖掘分析，为患者管理和公共卫生研究提 供数据支持。 为了实现上述目标，需考虑以下几个关键因素： 要举措。随着技术的不断成熟和医务人员对新工具的认可，未来该 方案将对中医院的工作流程和患者体验产生深远的影响。 1.1 中医院门诊现状 在当前医疗体系中，中医院门诊作为重要的医疗服务环节，承 载着大量患者的诊疗需求。中医院门诊主要分为药物治疗、针灸、 推拿、理疗等多种治疗手段，涵盖了中医理论与实践的广泛应用。 然而，随着患者人数的增加和就诊频率的提升，中医院门诊在服务 效率、质量控制和患者体验等方面面临着诸多挑战。

医疗健康行业 AI 应用全景 8 3 阿里云助力医疗健康 AI 应用开发 场景篇 14 4 AI 推动医疗服务升级 17 智能导诊与预问诊 18 医学影像与辅助诊疗 19 组学研究与个性化治疗 21 智慧病案与患者管理 22 医学研究与教学 23 5 AI 加速医药创新发展 24 药物研发与设计 25 5 亿人 次。当前，医疗资源分配相对不均、优质医疗资源集 中在大城市和三甲医院，大医院人满为患，医生工作 负荷过重而基层医疗机构能力相对有限，无法有效分 担压力。截至 2024 年上半年，我国三级医院诊疗人 次数为 13.84 亿，同比增长 15%，远高于一二级医 院和基层医疗卫生机构。三级医院的病床使用率高达 90.9%，而社区卫生服务中心和乡镇卫生院的病床使 用率都在 60%以下。 人口结构和生活方式的转变，也使得我国心脑血 告解读、用药指导、膳食建议等功能； · 病历生成与结构化医学报告生成占比 14%，根据输 入的医生与病人的对话内容，生成病历和诊断报告等结 构化的医疗文本报告； · 辅助诊断占比 5%，辅助医生诊疗决策，根据用户输 入的血常规数据、医学染色体核型病例图像， CT、MR 等多模态医学影像等，生成重构的医学图像数 据及诊断 结果文本数据 ； 此外，还包括中医问诊、医疗设备指导、医药 问答、医保政策

次对接，多方结算”模式，省去医院分开对接各支付 平台的物力、人力、财力。 4. 诊间结算不局限于“刷卡”结算，也可支持接入扫码支 付，扫描支付宝、微信等电子社保卡进行移动支付。 5. 支持多次就诊，集中结算模式。患者诊疗全部结束后 进行统一支付。 6. 针对预约挂号患者，可在分诊台登记就诊，然后在诊 间结算挂号费用，省去取号缴费的时间。 2 通知消息 诊间结算系统与消息系统连接，患者结算完毕系统立即 发送 提供医疗收费项目信息扩展功能。 提供物价编码属性。 支持收费项目调价并打印。 提供病区使用频次最小间隔，时间自定义。 提供产地药品信息的分级管理。 支持诊疗项目的单位、单价显示，增加药品的最小单位、 最小规格、按最小包括的单价。 支持收费信息，诊疗明细项目，药品禁用，费用禁用，自 负比例。 3 私有数据 维护 支持按病人性质设置欠费比例与欠费限额。 支持门诊住院可以设置不同的自负比例。 支持刷新进度条数值显示。 7.2、临床管理 7.2.1、门诊医生工作站 门诊医生工作站系统是完成门诊病人诊疗服务的主要信息化平台，通过良 好的功能与性能设计，协助门诊医生完成日常诊疗工作，诸如写病历、下处方、 开申请、做处置等，在提高门诊工作效率的同时，减轻门急诊医生工作负担， 提升门诊诊疗质量，保障患者安全。 投标人应能通过系统间的衔接，实现医生工作站与挂号收费系统、排队叫 号系统、医技

国互联网医疗用户规模已达 3.94 亿人，占网民整体的 33.8%，研究报告指出预计未来几年内,中国 互联网医疗市场的规模将保持高速增长态势，用户对互联网医疗服务有着迫切和强烈的需求[5]。随 着医疗数据的快速增长和诊疗需求的日益复杂，大语言模型凭借其强大的自然语言处理能力，成为这 一行业中不可忽视的技术力量。它能够高效整合和分析海量医疗文献、研究数据和患者记录，为医 疗行业提供更多的智能化支持工具。然而，医疗行 导致对某些群体的不公平对待。例 如， 如果模型主要基于某 一 特定人群的数据训练， 可能在面对不同人群时表现出偏差。这些偏见的 识别和校正是应用中的重要任务。 新型医患关系下的信任问题： 在诊疗过程中过度依赖大模型的风险之一是有可能削弱医患关系中 至关 重要的人 文关 怀 。医 生 与患者 之 间 的 关系建 立 在 信任 、 共 情和有效 沟 通 之 上。对 于 医疗专业人 员来说， 真实应用场景的伦理复杂性： 真实应用场景的复杂多变， 带来了很多的医疗伦理的挑战， 例 如患者意识不清与家属决策冲突， 如何平衡患者的自主权和家属的情感需求， 在面对此类两难困境时， 除了提供专业的诊疗建议外， 模型还需要额外考虑适当的解决方案。这要求医疗大模型不仅拥有丰 富的医学伦理知识，还能够在回答中充分融入这些考量，以确保提供的建议既专业又合乎伦理。 2.3 行业大模型在医疗领域的应用框架

场景中。医疗行业对高效、智能的技术需求日益增加，传统的医疗 服务往往面临着资源短缺、信息不对称和个性化医疗不足等挑战。 借助于生成式大模型，医疗行业可以有效改善这些问题，通过智能 化的工具和服务，提升诊疗效率和服务质量。 近年来，全球范围内的医疗数据爆炸性增长，其中包括电子病 历、医学影像、基因组数据等。这些数据蕴藏着巨大的价值，如果 能够通过先进的 AI 技术进行挖掘和分析，就能为诊断、治疗和预 中优化流程。例如，在预约挂号、问诊初步筛查流程中，可以通过 模型自动处理患者的描述-症状匹配，从而安排合适的专家进行进 一步诊疗。这不仅减少了患者的等待时间，也提高了医生的工作效 率。 为了更具体地体现医疗场景的需求分析，可以列出以下几个关 键需求： 1. 数据智能整理与分析 2. 个性化诊疗方案制定 3. 医疗流程优化与效率提升 4. 医极资料的生成与更新 5. 医生-患者互动智能化 另外，AI AI 生成式大模型应用 的重要因素。医务人员通常面临着复杂的临床决策、海量的患者数 据以及不断更新的医学知识。在这种背景下，AI 生成式大模型能够 为医务人员提供实用的支持，优化工作流程，提高诊疗效率与准确 性。 首先，医务人员在日常工作中需要快速获取和处理患者信息， 包括病史、检验结果及影像资料等。AI 生成式大模型可以通过自然 语言处理技术，自动从电子健康记录中提取关键信息，并以易于理

大模型在典型理赔场景中的价值对比： 场景 传统方式痛点 DeepSeek 大模型解决 方案 预期效果 医疗票据审 核 人工录入易错，耗时 长达 48 小时 自动识别票据类型、金额 及诊疗项目 处理时间缩短至 10 分钟，准确率超 95% 车险定损 需调度专员现场勘 查，响应延迟 通过用户上传图片智能评 估损伤等级与维修方案 定损周期从 3 天降至 2 小时，成本降低 模型支持的多模态输入处理能力显著提升了材料审核效率： - 文本材料：自动提取报案表、责任认定书中的 37 类关键字段（包 括时间、地点、责任比例等） - 影像资料：配合 OCR 技术解析医 疗发票，识别发票代码、金额、诊疗项目等核心数据 - 语音数据： 将通话录音转写文本后，同步标记情绪特征和争议焦点 理赔场景常见的语言处理挑战及解决方案对比如下： 业务场景 传统规则引擎痛点 DeepSeek 解决方案 模糊伤情描述 用明细）并与保 单条款匹配。典型处理流程包括： 1. 图像 OCR 识别与增强：支持模糊、倾斜拍摄的票据修复，识别 准确率可达 98.5% 2. ” 语义理解：采用实体关系抽取技术，建立 诊疗项目-费用-保险责 ” 任 的映射关系 3. 矛盾检测：自动发现病历记录与伤情照片的时间线冲突 欺诈风险实时预警 基于历史理赔数据训练的异常检测模型，可在受理阶段输出风险评 分。关键指标包括：

技术支持实时的数据共享机制。通过基于区 块链的数据安全协议，DeepSeek 确保在数据共享过程中，患者的 隐私得到充分保护。医疗机构可以在获得患者授权后，实时访问其 完整的医疗记录，从而为患者提供更加精准和个性化的诊疗服务。 在实际应用中，DeepSeek 技术的数据整合与共享功能已经证 明能够显著提升医疗服务的效率。例如，在某大型医院的试点项目 中，通过引入 DeepSeek 技术，医院实现了与周边多家医疗机构的 3.5.1 模型迭代与优化 在医疗健康场景中，引入 DeepSeek 模型后，模型迭代与优化 是确保其持续高效运行的核心环节。首先，基于实时数据反馈，定 期对模型进行微调是必要的。通过收集临床诊疗数据、患者反馈及 医疗设备输出数据，模型可以不断适应新的医疗环境和需求。例 如，针对特定疾病诊断模型，应根据最新的临床指南和研究结果进 行更新，确保其诊断准确性和可靠性。 其次，模型的优化应注重性能提升和资源效率的平衡。通过引 最后，模型的迭代与优化还应考虑到与现有医疗系统的兼容 性。通过无缝集成和 API 接口的标准化设计，确保模型能够顺利融 入现有的医疗工作流程中，减少对医务人员操作的干扰，提升整体 工作效率。  实时数据反馈：定期收集临床诊疗数据、患者反馈及医疗设备 输出数据。  性能优化：引入剪枝、量化等技术，提升计算资源效率。  鲁棒性提升：通过多样化的数据集和对抗训练技术，增强模型 稳定性。  评估机制：建立涵盖准确性、召回率、响应时间等多维度的评