夜雨聆风
信息科用AI自研医疗软件,怎么干才能不踩坑?
现在很多医院信息科，已经开始尝试用 AI 写代码、做页面、生成接口文档、搭小工具。
这件事并不奇怪。
过去一个小需求，要找厂商、排期、报价、开发、测试，来来回回很久。
现在用 AI 辅助，信息科自己先做个原型、搭个台账、跑个流程，确实快了很多。
但医疗软件和普通工具不一样。
普通工具做错了，可能只是效率问题。
医疗软件做错了，可能牵涉数据安全、流程责任、医疗质量，甚至合规风险。
所以，信息科用 AI 自研医疗软件，真正的问题不是能不能干。
而是：
怎么干，才不踩坑？
我的判断是：
不要一上来就奔着上线干，而要先在可控范围内验证。
01
第一坑：把“能做出来”当成“能上线”
AI 最容易制造一种错觉：
页面出来了，功能跑通了，系统就差不多了。
但医院里，一个工具能不能上线，不只看代码能不能跑。
还要看：
谁来用？ 用在哪个流程？ 调用什么数据？ 有没有权限控制？ 有没有日志留痕？ 出了问题谁负责？ 后续谁维护？
如果这些问题没想清楚，就急着推广，很容易从“小工具”变成“大责任”。
AI 生成代码只是开始，不是交付。
02
第二坑：一上来就碰高风险场景
信息科自研，最适合先做低风险场景。
比如需求台账、设备巡检、接口监控、数据质量核查、上线验证、问题闭环、科室反馈收集、项目进度管理。
这些工具主要提升管理效率和协同效率，不直接替代临床判断。
真正要慎重的，是辅助诊断、用药推荐、影像判读、病情预测、护理风险评估、治疗建议等场景。
这些已经进入诊疗责任链条，不能因为 AI 会写代码，就直接往临床业务里推。
越靠近诊疗决策，越不能靠信息科单兵推进。
03
第三坑：数据边界没想清楚
医疗软件最敏感的不是页面，而是数据。
很多工具一开始只是“查一下数据”，后来就变成跨系统调用、患者信息展示、业务结果导出。
这时候必须提前问清楚：
能不能不用患者敏感数据？ 能不能用脱敏数据？ 能不能只读不写？ 能不能只取必要字段？ 能不能不出院内环境？ 调用有没有日志？ 权限有没有控制？
不要因为是内部自研，就默认数据可以随便取、随便传、随便用。
AI 自研越轻，数据边界越要重。
04
第四坑：只做功能，不做闭环
很多小工具看起来很好用：
有表单，有列表，有查询，有导出。
但医院真正缺的，往往不是一个页面，而是一个闭环。
谁发起？ 谁处理？ 谁审核？ 谁确认？ 异常怎么退回？ 超时谁提醒？ 结果怎么归档？
这些没有设计清楚，系统再漂亮，也只是一个会动的 Excel。
医疗软件的价值，不是把线下流程搬到线上，而是让问题有人看、有人管、有人追。
05
第五坑：没人负责长期维护
AI 可以帮你很快写出一个工具，但它不会自动帮你维护三年。
接口变了怎么办？ 字段改了怎么办？ 规则调整了怎么办？ 服务器迁移了怎么办？ 人员换岗了怎么办？ 出了 bug 谁修？ 版本谁管理？
很多自研工具不是死在开发阶段，而是死在维护阶段。
所以信息科自研，一定要留好代码、文档、版本、日志、权限和回退方案。
今天能跑起来不算本事，半年后还能改得动，才算靠谱。
写在最后
信息科用 AI 自研医疗软件，怎么干才能不踩坑？
核心就一句话：
只做自己可控的事。
场景可控，先从低风险做起。 数据可控，能少用就少用，能脱敏就脱敏。 流程可控，不做孤立功能，要做闭环。 责任可控，谁确认、谁使用、谁维护要提前说清。 技术可控，不做自己以后接不住的系统。
AI 给了信息科新的主动权，但也放大了一个老问题：
边界不清，能力越强，风险越大。
信息科不是不能自研，而是不能把自研做成不可控的责任黑洞。
真正靠谱的路径是：
先做原型，验证问题； 再画边界，确认责任； 小范围试用，持续复盘； 能自己维护的自己做； 需要工程化、长期化、平台化的，再和厂商协同。
AI 自研不是为了替代所有厂商，也不是为了让信息科背更多锅。
它真正的价值，是让信息科拥有更强的问题定义能力、原型验证能力和数字化主动权。
在自己可解释、可验证、可维护、可追责的范围内做，AI 自研就是能力升级。
一旦超出这个范围，就不是创新，而是在制造新的坑。
在「智慧医院研学社」里，我们也会继续围绕这类问题，整理一组可直接参考的工具：
《信息科AI自研项目评估表》 《医疗软件上线前验证清单》 《AI开发需求边界确认表》 《信息科自研工具风险分级表》 《信息科与厂商协作分工表》
这些工具不是为了限制信息科自研，而是帮助大家在动手之前，把场景、数据、流程、责任和厂商边界先想清楚。
AI 让信息科有了更多主动权，但主动权不等于什么都自己扛。
研学社也沉淀很多资料、清单、模板和工具。
有问题来这里问，有资料来这里找，有经验来这里看，有同行来这里连。
少踩一个坑，可能就少背一次锅。
