“未來醫(yī)生”首批專家團
當(dāng)用戶進入“未來醫(yī)生”并發(fā)起問診,MedGPT會優(yōu)先完成患者病情收集、將信息結(jié)構(gòu)化、生成初步分診,智能匹配??茖<?;專家團隊在MedGPT的輔助下,處理每一份病例;當(dāng)患者癥狀涉及復(fù)雜情況時,多學(xué)科會診機制(MDT)避免用戶“掛錯科、走彎路”的困擾。所有服務(wù)可溯可查,支持多輪追問。
在這套體系中,AI 扮演著高效“助手”的角色:病情收集階段,它通過結(jié)構(gòu)化智能交互快速整合患者癥狀、病史等信息,將碎片化描述轉(zhuǎn)化為規(guī)范數(shù)據(jù);輔助決策時,基于海量病例庫提供參考方向,為初步分診和??破ヅ涮峁┮罁?jù);面對復(fù)雜病例,AI 會精準(zhǔn)完成疑難分揀,優(yōu)先將復(fù)雜情況推送給專家;日常的科普問答、診療流程中的輔助管理等重復(fù)性工作,也由 AI 高效承接。
而醫(yī)生始終掌握著診療的核心決策權(quán)。專家或其團隊會對每一份 AI輔助生成的診療建議進行最終審閱、判斷并出具規(guī)范醫(yī)囑,同時對整個醫(yī)療團隊的服務(wù)質(zhì)量把關(guān)。
這套人機協(xié)作體系源于六年的模擬實驗與三年的深度人機協(xié)作磨合。要讓專家放心地在一份線上醫(yī)囑上署名,絕非簡單堆砌技術(shù)就能實現(xiàn)。這需要構(gòu)建一整套責(zé)任鏈條、安全體系,以及長周期的人機磨合機制。
從系統(tǒng)底層看,大模型必須具備專病專科的精細(xì)推理能力,不僅要達到DeepSeek、GPT-4o等開放式AI的通用水準(zhǔn),更要在醫(yī)療場景中持續(xù)提升有效性與安全性,抑制“幻覺”現(xiàn)象、規(guī)避誤導(dǎo)風(fēng)險。這類醫(yī)學(xué)垂直模型的構(gòu)建技術(shù)復(fù)雜度極高,醫(yī)聯(lián)為此開展了長達六年的模擬實驗訓(xùn)練與交叉驗證,并通過歷時三年的人機協(xié)作磨合,最終建立起遠(yuǎn)超行業(yè)標(biāo)準(zhǔn)的模型安全閾值。
然而,僅有可靠的模型仍遠(yuǎn)遠(yuǎn)不夠,人機協(xié)作的深度與流暢度才是平臺能否真正落地的關(guān)鍵。尤其在涉及多學(xué)科會診(MDT)的高復(fù)雜度病情中,系統(tǒng)需主動理解醫(yī)學(xué)術(shù)語、識別信息沖突,更要能智能分解跨科室任務(wù)、動態(tài)調(diào)度資源并融合結(jié)論。這種多節(jié)點協(xié)同、高同步性的技術(shù)流程,代表著 AI 醫(yī)療應(yīng)用在復(fù)雜場景下的進階方向,需要長期的技術(shù)積累與場景打磨才能實現(xiàn)。
“未來醫(yī)生”要求專家團隊必須深度介入:復(fù)核結(jié)果、簽署醫(yī)囑、承擔(dān)相應(yīng)責(zé)任。這不僅需要技術(shù)層面能精準(zhǔn)“理解醫(yī)生的專業(yè)表達”,更要求醫(yī)生親自參與系統(tǒng)訓(xùn)練、決策磨合與工作節(jié)奏適配的全過程。
從2014年起,醫(yī)聯(lián)持續(xù)打造線上醫(yī)療服務(wù)鏈條,服務(wù)覆蓋用戶問診、醫(yī)生協(xié)作、藥品配送、患者隨訪等多個核心場景。“未來醫(yī)生”將持續(xù)優(yōu)化模型能力,擴大專家網(wǎng)絡(luò)覆蓋,探索基層醫(yī)療協(xié)作、慢病管理、數(shù)字健康保險等領(lǐng)域的新型服務(wù)結(jié)構(gòu)。
關(guān)鍵詞: