张琨：生成式人工智能医院建设热潮的冷思考与破局路径

　　2025年初，随着DeepSeek的广泛应用，人工智能医院建设进入快速增长阶段。根据截至3月第一周的不完全统计，全国已有超过100家三级医院部署DeepSeek，其普及速度远超当年互联网医院建设。

　　长期以来，传统人工智能(AI)在医疗领域的应用受限于技术和数据质量瓶颈，包括数据质量和结构化程度不足、标准不统一、实施成本高昂，以及数据隐私和安全风险(特别是涉及国外数据库和算法)。DeepSeek通过开源策略显著降低了采用成本，私有化部署有效缓解了数据安全顾虑，而生成式AI(GenAI)技术对历史数据结构化的较低要求，使其在院内临床、管理及患者服务等场景的应用潜力远超传统非生成式AI。这是此次部署热潮的核心驱动因素。

　　笔者认为，2025年将是医疗行业智能化需求的集中爆发年，然而DeepSeek在国内头部医院的快速部署也暴露了医疗信息化行业的三大结构性矛盾。这些矛盾不仅是当前挑战，也是未来推动行业长期健康破题发展的关键。

矛盾1: 传统医院组织与技术革命冲突

　　AI医院建设的成功依赖于业务成熟度、管理成熟度和技术成熟度的协同匹配。然而，作为传统行业的医院，其业务流程和组织结构长期固化，适应新技术带来的变革面临显著挑战。

　　破局路径：

　　首先，医院的业务需要经历深刻重构。医院服务体系经过多年发展，已形成相对稳定的模式。引入AI需要重新设计工作流程，不仅涉及技术层面的调整，还需跨部门协作以实现跨学科融合。例如，AI应用的有效实施依赖医生、护士和技术人员的密切配合，但传统医院以科室为界的组织结构往往导致沟通效率低下，阻碍协作。更进一步，AI引入不仅是技术升级，更是对管理理念和组织文化的深层变革。医院需要建立开放创新的文化氛围，鼓励员工接受和适应新技术。然而，这一过程需要时间和强有力的领导支持。传统医院对流程变更的接受度较低，文化惯性构成显著阻力。

　　其次，医护团队核心技能的再培养。在AI时代，医疗机构需从组织能力建设层面培养适应未来医疗场景的医护人员。这要求重新定义医生的核心胜任能力，并推动医疗教育体系的相应变革。例如提升数据对话能力。医生需具备与智能体协同工作的能力，这要求更强的数据分析和解读能力，以有效处理AI辅助生成的患者数据。增加吸纳跨学科知识。AI应用涉及计算机科学、数学和统计学等领域，医生需掌握跨学科技能，与技术人员合作推动应用落地。教育改革：传统医疗教育聚焦医学知识和临床技能，未来需增设AI技术与数据分析课程，培养兼具技术与医疗素养的复合型人才。

矛盾2: 技术快速发展与治理相对滞后

　　AI在医疗领域的快速发展已超出现有法规的覆盖范围，带来了数据隐私与安全、监管难度以及市场准入不确定性等风险。

　　破局路径：

　　首先，数据隐私与安全。AI系统需处理海量患者数据，但现行法律框架对数据保护的力度不足，可能引发数据泄露或滥用风险。新技术也带了监管难度的提升。AI技术的快速迭代使传统医疗监管模式难以跟进，导致监管盲区。还有市场准入不确定性。由于缺乏明确的法规指引，AI医院在资质认证、市场准入和质量监管方面面临不确定性，增加了运营成本并可能削弱患者信任。

　　政府需要在强监管限制行业创新(欧盟的教训)与弱监管导致劣币驱逐良币(美国未来面临的潜在风险)之间平衡。政府应加速制定和完善AI医疗应用的法律法规，明确数据隐私保护标准、AI医疗器械的审批流程以及服务质量的监管要求。积极建立行业标准，通过行业协会与医疗机构应协作制定AI医疗应用的技术规范和伦理准则，确保技术的安全性、有效性和合规性。监管机构需深化对AI技术的理解，采用灵活的监管模式(如监管沙盒)，以适应技术快速发展的需求。在全球地缘政治日益复杂的现状下，仍要促进国家间的合作，借鉴国际经验，与国际组织加强协作，共同应对AI医疗应用的全球性挑战。

矛盾3: 数据质量与医疗可靠性要求断层

　　高质量数据是提升AI模型准确性和可靠性的关键基础，因此数据治理和质量提升应成为AI医院建设的核心环节，而当前医疗行业的中文数据质量难以满足生成式AI模型的高精度需求。数据准确性、完整性和一致性不足成为制约GenAI创造可靠、可信、一致性的医疗诊疗方案的主要瓶颈。

　　首要的问题是数据来源质量缺陷。公共互联网医疗相关数据来源分散，包含大量以营销为目的的不实信息。不同医疗机构的私域数据格式和标准不统一，形成“数据孤岛”，增大了数据整合难度。同时，院内数据常存在标注不规范、清洗不彻底等问题，严重限制了数据的可用性。低质量数据直接影响AI模型的生成结果可靠性。

　　破局路径：

　　建议各医院仍需完善数据治理，建立规范的数据治理体系，涵盖数据采集、清洗、标注和存储的标准流程，以确保数据的准确性和一致性。卫生主管部门、医保机构要促进构建数据共享机制。通过跨机构的数据共享平台打破“数据孤岛”，促进数据的整合与高效利用。还要持续发展技术提升数据质量，如采用先进的自然语言处理(NLP)技术对医疗文本数据进行结构化和标准化处理，提升数据可用性。

总结与展望

　　生成式AI与医疗服务的融合是技术重构服务体系的重大机遇，有助于提升医疗服务的可及性和质量，缩小因地理和经济因素导致的医疗不平等。只有解决上述三大矛盾——传统医院组织与技术革命冲突、技术快速发展与治理相对滞后、数据质量与医疗可靠性要求断层，GenAI医院建设有望实现可持续发展，为患者和社会带来更大价值。

　　作者简介

　　张琨，美国约翰斯霍普金斯公共卫生管理博士，英国Warwick University医学院医学信息学硕士及北京大学临床医学学士。原麦肯锡中国区医疗行业核心领导团队成员。曾在华润、新世纪及春雨医生等行业知名企业担任高级管理职务，并在埃森哲、IBM等企业负责医疗行业咨询业务。中国信息协会医疗卫生与健康产业分会副会长。已发表数十篇学术文章，及数百篇管理评论在公众号“张琨随笔”。