夜雨聆风
星空慧联 · AI落地实战 | 中医馆舌诊面诊专题
84%。这是石家庄某中医馆接入AI辅助舌诊面诊系统3个月后,年轻医生接诊准确率交出来的一个数字。3个月前,这个数字是62.3%。
这家馆开了28年,创始人孙老中医在本地是招牌。问题也出在这里,招牌只一个人扛。馆里另外3位年轻医生,从业年限5到9年,过去3年累计接诊6800多人次,但首诊准确率(初诊判断与复诊验证一致的比例)只有62.3%。结果就是客户流失,新客来一次不再来,老客户复诊率比孙老本人接诊低23.7个百分点。
孙老心里清楚,中医本来主观,舌苔薄厚、面色润燥、脉象弦滑,不同医生看同一张舌图,结论可能差三档。他想过带教,1对1手把手,但28年经验浓缩成可复制的判断标准,他做了几次都做不到,年轻医生还是"看不准"。
2025年3月,孙老决定试一试AI辅助舌诊面诊系统。他最初是怀疑的,"AI能看懂中医?"3个月后,他把系统叫做"放大器",不是替代他,是把他几十年的判断经验放大给年轻医生用。
第一件:把"看舌头"变成"数据化判断"
孙老的舌诊习惯是,客户进门先伸舌,他看3秒,心里已经判断出"舌质淡白,苔薄白腻,边缘齿痕明显,主脾虚湿盛"。这套判断在孙老脑子里几乎是秒出,但年轻医生要5到8分钟,还要反复对照舌图谱。
AI做的事很简单,把孙老看舌头的过程拆成机器可学的步骤。客户在诊所拍3张照片(自然光下舌面、舌底、面部),AI用图像识别模型拆出17个特征,舌色(淡白/淡红/红/绛/紫)、舌形(胖大/瘦薄/齿痕/裂纹)、苔质(薄/厚/腻/燥/剥)、苔色(白/黄/灰/黑)、面部(润/枯/浮肿/暗沉)、唇色、眼神、形态,每一项打分并对应证型概率。
AI背后是孙老28年累计的4200+舌图标注库。每张图都由孙老本人或他认可的高年资医生标注证型、置信度、用药方向,系统据此训练。识别准确率在孙老的"标准答案"上达到91.7%,3位年轻医生独立判断的准确率是62.3%,AI辅助后(AI先给建议,医生做最终判断)准确率提升到84%。
这并不是AI替代医生,而是AI把"判断框架"前置,医生只需要在AI给出的3到5个最可能的证型里做选择,不再从零开始看。年轻医生反馈是"AI帮我把第一步最难的事情做了,我可以专注在用药和沟通"。
第二件:把"开方经验"变成"知识库辅助"
舌诊解决的是"判断",开方解决的是"治疗"。孙老的另一个痛点是,年轻医生判断对了,但开方用药剂量、配伍加减拿不准,要么照本宣科开原方,要么加药过多反而失了方向。
AI做的是,把孙老过去28年开出的6300+张处方结构化。每张方子记下患者证型、舌象、脉象、主诉、用药、加减依据、3天后复诊反馈。系统据此做了3件事,一是按证型推荐基础方(香砂六君子汤/参苓白术散/补中益气汤等),二是按患者个体特征(年龄/体质/合并症/季节)给出加减建议,三是按孙老的"用药习惯"做约束,比如孙老开脾虚方子必加白术山药,AI会提示"是否漏加"。
这套逻辑上线后,3位年轻医生开方准确率(初诊方与3天后复诊调整后方案一致率)从47.8%提到78.3%。孙老抽查了3个月里AI辅助开出的487张方子,93.6%他认为"基本不用改",剩下6.4%只需要微调1到2味药。
另一个意外的好处是,年轻医生在与客户沟通时有了底气。客户问"为什么开这方子",年轻医生不用背方歌,直接调出AI给的"判断依据+加减说明",客户一看是数据化的解释,信任度反而比"我老师说"更高。
第三件:把"孙老28年经验"变成"可学习的案例库"
孙老最大的遗憾是,自己70岁了,经验都是脑子里的,身体允许再坐诊也就几年。他想过写书,把经验留给后人,但28年几万张处方、几千张舌图,整理成体系化教材他根本做不到。
AI做了一件孙老没想到的事,把他的经验"切片"。系统从他28年的4200+舌图标注和6300+处方里,提取出287个"典型证型案例",每个案例配完整的舌图/面图/主诉/判断/方子/复诊反馈,按季节(春/夏/秋/冬)、按人群(老年/中年/儿童/女性)、按核心病机(脾虚/湿盛/气滞/血瘀)分类。
年轻医生每天看诊前花15分钟浏览当日可能遇到的"相似案例",接诊时系统会实时提示"该患者舌象与孙老案例库第127号相似度87%,可参考孙老开方方向"。这种"师徒带教"的数字化版本,3位年轻医生反馈"比读10本中医教材收获大"。
孙老后来和我们说,他原以为AI是要替代他,实际是把他"复制"了。以前他一天最多接40个号,3位年轻医生加起来接60个,但年轻医生接诊的复诊率只有38.4%。现在3位年轻医生每天接90个号,复诊率提到62.1%(+23.7pp),接近他本人接诊的65.7%水平。整个馆的客户承载量翻了1.5倍,而他不用多坐诊。
反直觉的发现:AI让年轻医生更敢开口
接诊这件事,经验之外还有一项隐性能力,就是"医生敢不敢开口"。年轻医生面对客户,最怕说错,反而会多说套话、不给判断。
3个月里,我们提取了AI辅助前后年轻医生与客户的沟通录音对比,AI辅助后医生"直接给判断"的占比从43.7%提到67.3%,说"可能/也许/建议进一步观察"的占比从28.4%降到9.7%。背后原因很简单,AI已经给了3到5个证型概率,医生只需要选一个最可能的,而不是从零推断。
客户感受更直接。馆里做过一次匿名问卷,"您觉得医生对您的病情判断有多大把握"(10分制),AI辅助前平均6.3分,辅助后平均8.1分,差距1.8分。"医生有没有给您明确的治疗预期"(是/否),肯定回答占比从51.2%提到78.7%。
小插曲:把"湿热"误判成"脾虚"的13个客户
AI上线第2个月,孙老发现一个反常数据,系统在某些客户身上反复给出"脾虚湿盛"的判断,但孙老亲自看舌图时认为是"湿热"。他抽样了13个被AI标记为"脾虚"的客户,逐一回访,最终确认9个是湿热,4个确实是脾虚。
问题出在训练数据。孙老的4200+舌图里,湿热和脾虚在某些舌象特征上"视觉重叠",比如舌苔都是腻的,舌色都是偏淡的。AI只看了图像特征,忽略了脉象(湿热多滑数、脾虚多细弱)、症状(湿热口苦、脾虚乏力)、季节(湿热多见于夏季)的联合证据。
我们后来加了三条硬规则。第一,AI判断必须强制联合脉象文本输入,客户主诉里"乏力/口苦/腹胀/便溏"等关键词权重显著高于视觉。第二,孙老手动标记的287个典型案例里,湿热与脾虚的边界案例由孙老本人标注"二选一优先项",AI优先服从。第三,AI识别结果置信度低于72%的,强制医生做"二次确认",不能直接采纳。
硬规则上线后,湿热/脾虚误判率从13个样本里的69.2%降到4.3%。这套"AI置信度+人工二次确认+边界案例标注"的组合,后来被我们做成了中医AI辅助的标准动作。
关于投入产出账
孙老馆里这次改造投入,主要是AI系统一次性配置(舌图标注库训练+医生档案+处方结构化+案例库)约8.7万,首年运营(数据更新+模型迭代+客服对接)2.3万,合计首年11万。
3个月数据回本账清晰。年轻医生接诊复诊率从38.4%提到62.1%(+23.7pp),馆里月均接诊量从约3000人次提到4500人次(+50%),客户次月复购率从14.7%提到27.3%(+12.6pp),年化算下来馆里增量营收约87万,扣除运营+药费成本,净增毛利约41万。3.2个月回本。
更隐性的是"孙老个人"的解放。他3个月前每天要亲自接诊40个号,基本没时间做管理、带教、看新书。AI辅助后,他把一部分客户交给年轻医生,自己专注难症、会诊、新员工培训。馆里的接诊上限从他和3位年轻医生加起来约80个号,扩展到约130个号。他和我们说,"我70岁了,本来在想是不是要把馆关了,现在觉得再做5年没问题"。
对行业里的中医馆,这套打法可不可复制
我们和孙老复盘时,他总结了三句话。第一句,馆里有1到2位经验丰富、能持续标注的老师傅,是AI辅助能不能起效的前提,没有"标准答案",AI学不到东西。第二句,AI不是替代医生,是把医生的判断框架前置,医生做最终拍板,这套"AI给建议、医生做决定"的边界必须清楚。第三句,舌诊面诊的图像识别再准,也要联合脉象+主诉+季节,纯视觉判断会出问题,行业里很多AI产品的痛点就出在这里。
当然,方法论不是万能的。如果馆里医生水平整体就比较低,没有老师傅能持续标注,AI会陷入"用低质量数据训练低质量模型"的循环。如果是纯西医诊所或推拿馆,这套路也不适用,核心还是"经验型判断+标准化积累"这两个特征。
这正是我们给星空慧联客户做方案时强调的一点,AI不是无所不能,但凡有"老专家经验难传承+年轻医生接诊准确率低+复诊率明显低于老师傅"这三个特征中的任意两个,AI介入的ROI就是清晰的。
孙老最近在做一件事,把AI辅助的287个典型案例整理成册,准备作为馆里的内部培训教材,新来的年轻医生入职1个月就能上手接诊。他和我们说,"AI让我从'靠脑子记经验'变成'靠系统传经验',这件事值回票价"。
如果你也碰到"老中医经验难复制+年轻医生接诊准确率低+复诊率上不去"这三个问题,可以来找星空慧联聊聊。我们的方案未必适合所有人,但确实帮几家中医馆把年轻医生接诊准确率从60%级别拉到80%以上,馆里整体复诊率提升20个百分点以上。
星空慧联,让AI做你门店的7×24运营助理。