当DeepSeek遇上百年医院：解码AI医疗落地实践
文 | 产业家，作者 | 斗斗 ，编辑 | 皮爷
“1秒、2秒、3秒……10秒，病灶标记完成！”
上海华山医院放射科，诊断工作台前，一组CT影像完成上传后，仅用了10秒便完成了病灶标记，在这短短的10秒钟内，一起完成的还有关联患者既往病史和检验数据，生成5种可能性诊断的结构化报告。然而，在以前这个工作流程需要副主任医师耗时半小时才能完成。
这是全国医疗“进化”的缩影，AI，成为最大的助力。这样的转变发生在2025年初。随着DeepSeek的出现，其“物美价廉”的模型特质让各个行业开始尝试AI与业务的融合。也就是在这时，全国医疗机构以近乎疯狂的姿态，纷纷部署AI大模型。
据不完全统计，仅截止3月底，就已经有超700家医院部署了DeepSeek。其中，华山医院是首批接入DeepSeek的医疗机构。
接入DeepSeek之后，AI带来的技术赋能，迅速被放大。一组数据显示，目前华山医院AI系统在影像识别方面的准确率已达到90%以上；肿瘤患者的治疗有效率提高了15%以上，副作用发生率降低了20%……很难想象，在半年之前，医疗AI大部分还仅仅停留在AI辅助诊疗的阶段。
当下， AI 技术浪潮以前所未有的势能冲击医疗行业，从单体医院到产业集群，从技术研发到临床应用，整个生态都在加速重构。作为这场变革的重要个体，华山医院的 AI 落地实践或许暗藏着破解医疗数智化转型难题的密钥。解析其从数据基建到场景落地的完整路径，或许能为深陷转型迷雾的医疗机构，照亮一条穿越 “新账旧账” 交织困境的可行之路。
一、AI落地难？医疗机构的“新账”与“旧账”
上海市静安区的核心地带，复旦大学附属华山医院的门诊大厅人潮涌动。作为全国首批三甲医院，华山医院日均接诊量超过1.5万人次，年手术量突破5万例。
这一数字背后，随之而来的是关于“如何保障医疗质量和效率”的难题。
AI的自主决策能力，不仅增强了医药产业的创新力，提高了医疗服务的质量和效率，还促进了医疗产业从预防、诊断、治疗到康复的全链条数智化转型，让华山医院看到了医疗产业的下一站。
不过，与所有行业一样，医院这类医疗机构想要实现业务和AI技术的融合，也面临诸多落地难题。
这些难题里，最值得一提的便是数据标准不统一。众所周知，数据是AI大模型落地的“养分”，标准化、高质量的数据，直接决定了模型的决策能力。
据《2023-2024年度中国医院信息化状况调查报告》显示，尽管电子病历（EMR）系统覆盖率达到92.3%，但支持全流程闭环管理的仅占19.7%。
这种全流程闭环的低渗透率，也反射出了国内医疗机构的信息化现状。
一个事实是，由于早年的历史遗留问题，国内大多医院都面临着系统交互复杂、数据分散的难题，例如从医技辅助，综合运营、临床科研到患者服务，每一个场景都包含几十种管理系统，这些系统或因服务商、设备规格的不同以及业务之间的孤岛，存在诸多断点。
“我们统计过，在内网的核心系统有186个，厂商不同、版本不同，整体处于新老系统并行阶段。”华山医院信息中心主任张琪曾说过。
始建于1907年的华山医院，历经百余年，发展至今已经拥有5个院区。而这五个院区，每个院区的系统、业务和设备之间都存在数据、信息孤岛。这不仅仅是跨系统、跨业务的难题，还是跨院区的难题。
如果说这是信息化时代，欠下的一笔“旧账”，那么在AI时代，医疗场景对AI准确性和可靠性的极高要求，便是“新帐”。
不同于其他行业，医疗行业的特殊性决定了其落地AI，需要更加高门槛、复杂。
例如神经外科研究中需整合结构影像、功能连接组等多模态数据，但不同设备的扫描参数差异可能导致数据偏差。这就需要解决多源异构数据的清洗、归一化问题。
再比如发热待查辅助诊断工具需覆盖复杂病因，但当前模型的决策逻辑缺乏透明性，医生难以信任其结论。需要增强模型的精准度与可解释性。
总之，抛开政策、合规等一系列不可抗难题之外，医院想要尽快吃到AI时代的红利，一是要解决在信息化时代落下的系统、业务断点问题，还要面临当下医疗场景落地的问题。
面对这些交织的新旧难题，医疗机构需要破局。
二、AI时代下的“华山范式”
“除统一系统外，多院区的信息化建设有没有另一条路可走？”这是华山医院一直在思考的问题。
要知道，华山医院每个院区都有自己个性化需求，但另一方面还要实现多院区的同质化管理，如何找到平衡点尤为关键。
华山医院选择了一条“不一样的路”。
具体来看，华山医院首先建设了数据中心，统一管理人员、科室、检查检验等基础元数据，确保各院区的数据底座一致、上报口径一致；
其次在应用架构和系统供应商的选择上，则保持开放态度，允许各院区系统保留个性化功能；
最后通过集成平台建设，实现接口的统一管理，降低异构系统的交互成本与难度。
这一举措带来的变化显而易见，在华山医院联合上海联通、华为、上海超算中心等机构，自主研发国内首个基于算力网络的医疗大模型Uni-talk过程中。华山医院为模型注入3万例标准化病历和2.4万份影像报告，实现AI 秒级标注肺结节，华山医院实测数据显示，其日均处理影像量从 100 份提升至 300 份，使肺结节识别准确率提升至95.2%。
有了坚实的数据底座，华山医院开始在 AI 应用方面大显身手，围绕诊前、诊中、诊后三个环节展开了全面布局。
诊前，通过AI 分诊系统结合患者历史数据与主诉，将挂号时间缩短了 50%，还能精准预警疑似传染病患者，如发热待查识别准确率高达 92%。
诊中，在神经外科手术中，AI 实时生成三维导航模型，辅助医生精准定位病灶，使手术时间平均减少 30%。
其中，华山医院还在肿瘤治疗领域率先引入了AI辅助决策系统。该系统能够根据患者的基因数据、病理报告、治疗方案等信息，生成个性化的治疗建议。据医院统计，使用AI辅助决策系统后，肿瘤患者的治疗有效率提高了15%以上，副作用发生率降低了20%。
诊后则基于大模型的个性化康复方案生成系统，例如针对帕金森病患者动态调整用药建议，让患者依从性提升了 40%。
华山医院通过对数据的基础建设、改造，实现了业务、科室、院区的互通，更重要的是埋下了承接AI时代红利的“伏笔”。使得其在DeepSeek带来AI热潮中，能迅速将技术迅速落地于业务。
数据显示，在AI技术的赋能下，华山医院患者满意度由原来的87%提升至96%；医院的资源利用效率也得到了优化，高峰期患者的排队时长减少了约40分钟；管理成本降低，决策响应速度提升，跨院区检查检验人次数提升8%。
在华山医院的AI实践中，可以发现两个关键点，即数据治理是AI落地的命脉。不过医疗数据治理绝非简单的系统集成，而是要打造立体化治理架构使数据质量指数跃升，为AI模型提供了优质"养料"；其次，医疗AI的价值实现，关键在于与临床场景的深度融合，场景价值大于技术噱头。
基于此，华山医院在数据治理层面，通过构建统一数据中台与创新质量管控机制，破解了医疗信息化时代的"旧账"难题；在技术应用层面，以临床需求为导向的场景化创新，实现了AI从辅助工具到决策伙伴的跨越。
三、华山医院的AI落地思维
华山医院+AI的落地路径的底层逻辑是什么？
作为全国首批接入DeepSeek的医疗机构，华山医院在模型选型上，并未盲目追求“最大参数”，而是采用“70B参数模型+满血版模型”的双轨并行策略。在门诊量日均超1.5万人次的现实压力下，医院信息中心通过动态算力调配，实现了诊疗效率与成本控制的精准平衡。
例如，在急诊分诊场景中，轻量化模型将患者挂号时间缩短50%，而在肿瘤治疗决策等复杂场景中，满血版模型则通过整合基因数据与影像组学，使治疗有效率提升15%。
数据安全是这场合作的“生命线”。华山医院采用内网隔离架构，所有医疗数据均通过本地化部署的DeepSeek处理，彻底杜绝传输泄露风险。医院还联合上海超算中心构建医疗算力网络，在保障数据主权的同时，实现跨院区、跨科室的数据互通。
这一设计使得多院区患者数据实现“一次录入、全院共享”。
而面对186个异构系统构成的“数字迷宫”，华山医院启动了三轮数据治理攻坚战。
基础层整合通过统一数据中台，将人员、科室、检查检验等基础元数据标准化，打破跨院区数据壁垒；应用层解耦在保留各院区个性化功能的前提下，通过集成平台实现接口标准化，使系统交互成本降低；AI层嵌入将DeepSeek深度融入HIS、LIS、PACS等核心系统，实现病历智能生成、影像自动标注、检验报告质控等功能。
也就是在这一过程催生了多个“临床大脑”。例如上文所提及的，在神经外科手术中，AI实时生成三维导航模型；在肿瘤治疗领域，AI辅助决策系统整合患者基因数据与治疗方案。
其实，在这个过程中华山医院与DeepSeek的合作远超传统“甲乙方”关系，而是构建了“临床需求-技术研发-应用验证”的闭环创新体系。
而这种生态共建模式正在产生“溢出效应”。
目前，华山医院基于治理后的高质量数据训练的“特制版DeepSeek”，已向4家附属医院、155个科室开放端口，推动区域医疗资源均衡化。例如在福建医院分院，社区医生通过接入该系统，使糖尿病远程随访效率提升70%。
当这套方法论在华山医院体系内跑通后，其价值开始向更广阔的医疗图景延伸。通过构建"临床需求-技术研发-应用验证"的闭环创新体系，医院不仅解决了自身发展痛点，更意外叩开了一个更具革命性的命题，即医疗质量、效率与公平的协同提升也逐渐成为可能。
四、AI，打破“医疗服务的不可能三角”
一直以来，国内医疗体系一直存在看病难、看病贵的困境。更加具象化的体现是，三甲医院人满为患，而基层医疗机构资源闲置；高端医疗设备集中，而基础诊疗服务不足。
美国耶鲁大学教授William Kissick把这种在既定的资源约束下，医疗质量、服务可及性和成本控制三者始终处于此消彼长的矛盾状态称为"医疗不可能三角"。
长久以来，这一问题就像一个不可能打破的“魔咒”，成为中国医疗体系发展的病灶。
然而，随着AI技术的升级，这个“三角”似乎正在被打破。
华山医院的实践表明，当AI深度融入医疗流程时，原本相互制约的三个维度开始呈现出协同进化的可能。
这种变革的底层逻辑在于AI重构了医疗服务的生产要素。传统医疗体系受制于医生培养周期长、优质资源分布不均等刚性约束，而AI赋能的医疗系统展现出了革命性特征。即知识迭代的指数级加速、服务供给的弹性扩展、成本结构的根本性改变。
华山医院与上海超算中心联合研发的Uni-talk大模型，每月吸收超过10万份新病例数据，其诊断能力以每季度15%的速度持续进化。这种学习速度意味着，一个部署满3年的AI系统，其经验积累相当于人类医生30年的临床实践，实现了对医疗服务质量的保障。
而通过5G+AI远程诊疗系统，便可将将顶级专家的诊疗能力输送至23个偏远区县的基层医疗机构，编织一张覆盖城乡的智能医疗网络，提升医疗服务的可及性。
此外在成本控制维度上，AI带来的不仅是表面上的效率提升，更是医疗经济学的范式变革。例如智能审方系统，通过分析300万份处方数据建立的合理用药模型，每年拦截潜在用药错误1200余例；AI驱动的预测性维护使CT设备故障率下降65%，检查室利用率提升40%；基于患者流量预测的弹性排班系统，让护士人力资源浪费减少25%。
更值得注意的是，随着华山医院高质量数据训练的“特制版DeepSeek”不断输送给基层医疗机构，将加速中国医疗体系的协同发展。
这些看似细微的改进，在医疗这个重资产行业产生着乘数效应。
站在当下来看，华山医院的实践似乎正在揭示了医疗AI革命的深层逻辑——那些勇于破解"新账旧账"交织困局的机构，终将在AI浪潮中率先完成价值重构，以AI之力打破“医疗服务的不可能三角”。
未来，在AI重构的医疗新图景中，质量提升或将不再以牺牲可及性为代价，普惠医疗亦无需困于成本困局。
(来源：钛媒体)
