医生一开医嘱，AI就秒级「挑刺」：苏大附一院用大模型管住围术期抗菌药

围术期抗菌药物，是医院合理用药里最容易出事、也最难管的一块。术前预防用药时机差半小时、术中追加剂量不足、术后疗程被调侃成「续剑」的惯性延长、肾功能不全患者剂量没折算……这些问题每一条都白纸黑字写在《抗菌药物临床应用指导原则》里，但过去全靠药师翻医嘱、事后点评，一年能覆盖的医嘱占总量的比例极低，大量问题医嘱就这样漏了网。更麻烦的是，规则本身是动态的：清洁、清洁-污染、污染三类手术对应完全不同的用药策略，指南还在不断更新，纯规则引擎维护成本极高，纯模型又不敢直接下判。而医嘱写在 HIS 系统里，审核必须卡在开单的瞬间——事后点评，意味着问题已经发生了。

苏大附一院选的正是一个「高频、高风险、规则密集、且必须实时」的场景。它联合华为昇腾全栈算力与上海医浦，以盘古大模型为通用语义底座，融合检索增强生成与审方智能体，搭起了一套四层架构的审核系统。

第一层是算力与底座。系统依托华为昇腾全栈算力院内部署，保证医疗数据不出院区、推理过程可审计，满足医疗数据合规要求；盘古大模型在这里承担对指南条文、临床文献和院内制度的可读性理解，把「人话指南」变成模型能调用的知识。

第二层是知识增强。系统把《抗菌药物临床应用指导原则》、院内感染监测数据、本地区耐药监测结果、本院既往医嘱样本全部接入，模型每一次判断都能检索到出处——回答可追溯到具体条文和本院制度，而不是凭参数记忆编一个「看起来对」的建议。这一步，直接决定了医生愿不愿意信它。

第三层是审方智能体。它把审方拆成六类子任务：适应证选择、给药时机、疗程长短、剂量折算、配伍禁忌、特殊人群调整，每一类由专门的智能体子任务承接并给出结论与依据，最后汇总成一条审核意见，推送给正在开医嘱的医生。原本要药师逐条比对的机械劳动，被压缩到秒级。

第四层是风险分层与闭环。模型同时评估患者围术期感染风险等级，对高风险患者提示更严格的监测与随访；审核意见直接嵌进医嘱提交环节，形成「开单即审、高危加强」的闭环。整套系统7×24小时在线，把夜班与节假日这一长期无人实时审核的空白彻底补上。

上线之后，最直观的变化是覆盖面：合理用药审核从「药师事后抽查少量医嘱」，变成「每一条围术期抗菌药物医嘱开单瞬间即被审核」，从抽样扩到全量。六维度秒级审核把药师从重复比对条文的机械工作里解放出来，让他们转向疑难病例与耐药管理；而每一条意见都带着可追溯的条文与本院制度出处，医生与药师之间的争议有据可依，执行阻力大幅下降。感染风险分层让感控资源投得更准——高风险患者被标出后，临床与感控可以提前介入，而不是等术后发热再回头追溯。

对医院而言，这类系统的收益不只在药耗成本，更在抗菌药物使用强度（AUD）与耐药发生率这两项直接挂钩医院评级与绩效考核的指标；对患者而言，避免疗程过长带来的腹泻、二重感染与耐药风险，是一份看不见、却更关键的收益。

医疗AI最难的从来不是模型准不准，而是怎么嵌进医生现有的动作里、还不被绕过。苏大附一院这个样本，给同行三点可以直接抄的作业：第一，选场景要挑「必须实时、规则密集、后果可量化」的环节，事后点评型AI再准也只是报表，开单即审才有价值；第二，检索增强不是加分项而是必需品——医生一句「凭什么这么判」，模型能甩出指南条文与本院制度，审核意见才提得进医嘱流程，否则药师还得人工解释一遍，等于没省人力；第三，国产全栈算力在数据不能出院的医疗场景里是前置条件，而非技术偏好，合规往往在选型阶段就定下了架构。

对医院信息化负责人，务实的起步顺序是：先把院内指南、医嘱样本、耐药监测数据做成可检索的知识库——这一步决定模型上限，再上审方智能体做单科单点试点，最后才谈全院推广与多院区复制。跳过知识库直接调大模型，产出的是说服不了任何药师的漂亮话。

当一条医嘱在提交瞬间就被「该不该用、剂量对不对」六维审视，合理用药才真正从纸面制度变成实时护栏。关注东岳AI，每天一个行业AI落地案例，看大模型如何悄悄重塑医院的每一道关。

（本文素材来自 IMA 知识库「行业AI应用案例精选-全面&实时更新」，行业：卫生和社会工作）