夜雨聆风今天我们一起来学习医疗系统中最为复杂的地方——医院/卫健的信息系统中AI的应用。
一、医院与卫健：那么多系统是干什么的？
我们走进任何一家三甲医院，从挂号到取药，其实背后都有几十个信息系统在同时运转。很多时候患者不理解，不就是一个看病打针吃药的过程，医院为什么要花那么多钱建这么多系统？
这是因为——医疗的容错率极低，任何一个小差错都可能危及生命。大部分信息系统的核心使命，就是降低“患者受到伤害的概率”。伤害可以分为两种：直接伤害和间接伤害。
1.1 直接伤害：系统实时拦截，避免“即刻出错”
这类风险发生在诊疗执行的瞬间，一旦发生就会立即伤害患者。信息系统的作用是在差错发生前的一瞬间，用技术手段强行阻断。
常见的场景包括：用药错误、标本混淆、手术部位错误、输血错误、危急值漏报。这些系统的逻辑很简单：把人容易忘、容易错的事情，交给机器去强制执行。
常见系统包括：如HIS、CDSS、LIS、PACS、急诊系统、输血系统等
1.2 间接伤害：系统倒逼管理，避免“久而久之出问题”
这类风险不会立刻伤害患者，但长期积累会大幅提升伤害概率。它们主要来自三个管理薄弱环节：制度执行打折扣、数据孤岛导致决策盲区、资源错配延误治疗。
主要涉及医疗资源统筹、人员排班、电子病历、医保报销、住院安排、信息串联等场景。
常见的系统包括：HRP、SPD、EMR、DRG/DIP等
二、医院评级体系：以评促建
在中国医院信息化建设里，“以评促建”四个字就是指挥棒。没这个棒，院长宁可把钱花在买CT机上，也不会投给看不见摸不着的软件系统——因为CT机能开单收费，而系统很难直接产生收入。
当前对医院信息化建设最核心的三大评级体系，分别是“电子病历评级”、“互联互通评级”和“智慧服务评级”。
电子病历评级分0到8级：5级要求全流程闭环管理；6级要求CDSS自动嵌入工作流，AI实时介入诊疗过程。
互联互通评级的核心目标是让不同厂商、不同年代的医疗系统能够互相说话。在互联网公司，这叫API对接；但在医院，这叫“打通数据孤岛”。
智慧服务评级衡量患者体验，3级要求全流程线上化，4级以上涉及智能推荐和预测。
这三重评级共同构成了医院信息化建设的“指挥棒”：评级越高，越有机会获得中央财政专项补助、地方财政直接奖励和医保结余分配。而高评级几乎都绕不开AI，每一项都是AI的能力边界。
三、AI落地的结构性困境
回到主题“AI在医院的落地”。医生、信息科、院长这些高知群体，对AI普遍抱有热情，甚至愿意花个人时间和厂商探讨研究，但AI的落地始终面临一些难题。
1. 医院的“慢”和“稳”，撞上了AI的“快”和“变”
医疗行业有一条铁律：不出事比什么都重要。一套信息系统如果运行正常，医院希望它永远别动。哪怕要升级，也是修修补补，而不是推倒重来——后者风险太大，医院承受不起。
但AI行业完全是另一套节奏。今天Chat，明天Agent，后天又冒出个新概念，产品迭代以周甚至天为单位。每个新东西出来都说是“革命性的”，但医院不敢信——没有经过足够验证的技术，不能放在是关人命的系统里。
2. 数据和硬件的历史包袱：AI的门槛不止是算力
AI能在一秒内看完一个医生一生都看不完的CT影像，但它突破不了医院机房的物理限制。
算力缺口是第一个坎。华为的一份报告指出，超过90%的医院没有部署AI算力资源。一项针对医院信息化管理者的微调查显示，24.6%的受访医院（三级医院18%、二级医院31%以上）尚未部署任何AI算力。基层医疗机构尤其困难——“机房里的服务器连跑基础数据库都在喘，怎么跑大模型？”
数据质量是第二个坎。算力可以买、可以租、可以申请政府算力券，但数据质量不是砸钱就能解决的。医疗数据标注标准缺失，同一家医院内HIS、EMR、LIS、PACS的数据格式互不兼容，ICD编码在不同科室之间各说各话。有数据显示，仅跨科室影像数据格式不统一这一项，预处理就占了模型开发周期的40%。这样的数据喂给AI，模型学到的不是临床事实，而是各个系统的“编码怪癖”。
3. 政策法规并非滞后，而是在划定边界中引领
过去有一种说法：政策法规追不上技术，AI在医院落地面临很多灰色地带。这个判断放在几年前或许成立，但在今天已经不符合事实。事实上，在AI医疗这个领域，中国的政策法规正在从“追赶者”转变为“引领者”。
以“医疗数据不出院”为例。这条红线常被误解为“政策阻碍数据流通”。但换个角度看，它不是阻碍，而是前提——因为患者隐私和医疗数据安全是不可动摇的底线。政策不是不让数据用，而是要求“在安全的前提下用”。这正是《“数据要素×”三年行动计划（2024-2026年）》明确提出的方向：加强医疗数据融合创新，同时保障安全。
那怎么在“不出院”的前提下实现“多中心训练”？政策没有把路堵死，而是在引导技术破局。联邦学习、隐私计算、可信执行环境这些技术路线，已经被纳入国家层面的科研立项和行业标准制定中。不是“政策没跟上”，而是“政策已经指明了方向，技术还在追赶”。
政策不可能解决所有细节问题。头部医院愿意“敢为人先”，是因为他们有能力和资源在政策框架内探索；大多数医院观望，不是因为没有政策，而是因为技术方案还不够成熟、成本还不够低、成功案例还不够多。这是技术成熟度的问题，不是政策空白的问题。
四、厂商的机会窗口
换个角度看，每一个堵点都对应着一个明确的市场需求。对于医疗信息化厂商或AI公司来说，这都是一扇刚刚打开的门。
算力鸿沟意味着轻量化、边缘计算、混合部署方案有巨大需求。厂商可以帮助医院“用最低的成本，撬动最大的算力”。
数据质量短板意味着数据治理、清洗、标注、标准化服务将成为AI落地的“前置刚需”。谁能帮医院把数据“喂”好，谁就拿到了后续AI应用的入场券。
采购障碍意味着单纯卖硬件的模式已经过时。厂商需要提供“软硬一体+按需付费+效果承诺”的综合解决方案，降低医院的决策门槛。
三级与基层的鸿沟意味着下沉市场存在巨大的空白。基层医院没有能力自建，但可以通过云服务、区域共享算力中心等方式，以极低的成本获得AI能力。
这是差异化竞争的重要方向，在中国医院AI信息化这个赛道，不是由算法最先进的厂商赢下，而是由最能理解医院现实困境、最能把技术塞进医院旧机箱的厂商赢下。
