全部商品分類
２０２５年以來，Ｄｅｅｐｓｅｅｋ通過開放生態加速了算法研發與臨床場景的深度融合。醫療大模型摒棄了＂技術至上＂的思維，逐漸進入實用主義階段。此背景下，對提高診療效率和質量有迫切需求的基層醫療，成為大模型的重要服務對象。
基層醫療與大模型的適配度有多高？基層醫療醫患、院管的用戶真實反饋又是如何？動脈網與蓋?？萍肌⑷A美浩聯、衛美健康、衛寧健康（首字母排序）四家已布局基層醫療大模型應用的創新企業聊了聊，供行業參考。
本文主要觀點如下：
１、ＡＩ輔助診斷基層落地速度最快，醫患、院管多場景反饋明顯
２、數據支撐、建設資源缺乏，基層需要普惠化的?。粒伞》?/p>
３、以區域醫療主管部門部署為主，大模型一體機是發展趨勢
４、Ｇ端付費為主，正在探索醫院買單／企業生態共建／商保模式
在基層多個場景實現提質增效降本
面對醫療資源分布不均衡、基層醫生數量短缺及慢性病防治嚴峻等形勢，以大模型為代表的人工智能技術發揮效能，為我國基層醫療衛生服務＂提質增效＂提供了創新解決方案。
綜合多位采訪對象反饋，大模型在基層醫療落地的場景包括ＡＩ智能分診和輔助診斷、病歷自動生成及質控、患者個性化管理、公共衛生服務等。此外，ＡＩ健康監測與智能穿戴設備的配合，在鄉鎮衛生院及對無保護老人的醫療健康管理中也發揮著重要作用。
其中，ＡＩ輔助診斷被認為是落地速度最快的場景之一。基于基層的診療能力薄弱、技術資源匱乏等現實困境，大模型產品能快速解析患者主訴、生成初步診斷建議，尤其適用于基層多發的常見病和慢性病診斷。
衛美健康聯合創始人王軍補充到，病歷自動生成與質控在基層縣域的推廣效果也比較好，＂基層醫生多處于見習階段，病例生成和書寫質量欠佳，且在ＤＲＧ和ＤＩＰ醫?？刭M背景下，ＡＩ助力病歷自動生成和質控可幫助醫生規避醫?？圪M風險。＂
＂大模型技術在患者個性化管理方面也取得了顯著反饋。＂衛寧健康區域衛生研發中心總經理郝忠華表示，通過分析居民健康狀況，提供定制化慢病管理方案或健康教育內容，經醫生確認后發送給居民，能有效減輕醫生負擔，增強居民的健康獲得感。
蓋?？萍几笨偛谩⒒A醫療ＡＩ大模型項目專家魏群表示：基層醫療大模型可從醫生、患者和院管三方面助力提質增效，幫助他們做應該做但低意愿做的（增效），以及做不了但技術能做（提質）的事情?；颊哳A問診、病歷自動書寫和質控、合理用藥、診后隨訪管理、慢病管理方案等功能的落地效果已有顯著進展?！〔贿^，＂大模型若是能在診療方案、慢病管理方面提供更全面、更個性化的建議與方案，用戶會更加青睞。＂
華美浩聯ＡＩ研發總監吳雷則分享了大模型在基層醫療成本控制方面的價值。大模型在基層醫療的深入應用不僅重構了診療流程，還從多個維度壓縮了醫療成本。如患者因基層診療精準度提升，轉診分診需求減少，直接降低了就醫經濟負擔；醫生端通過ＡＩ輔助彌補全科與?？圃\療經驗盲區，誤診率下降，也能帶動重復檢查、重復用藥等無效醫療支出銳減。
受訪對象們還補充到，公衛也是基層醫生的一大工作內容。ＡＩ技術通過自動化隨訪、檔案質控等應用功能，將基層醫生從重復性公衛事務中解放，也能顯著提升基層公衛服務的覆蓋質量與執行效率，對于大模型提質增效的反饋會更加明顯。
從根本上來看，＂提質增效＂是醫療大模型存在的重要價值。因此評價一款大模型在場景中的好壞，還是得看它實際的應用能力。吳雷分享了以下維度，來衡量大模型對基層醫療的賦能效果。
從短期來看，可觀察醫療診療效率和質量。如通過轉診率誤診率下降、分診準確率評估大模型賦能效率；監測基層醫療中常見病與慢病管理的覆蓋數據變化，以及公衛隨訪任務完成率、健康檔案完成率等參數，觀察大模型對區域醫療質量提升的價值。
將觀察周期拉長，可看區域性人群健康結果。如區域診療成本、醫療系統運維成本的下降比例，醫保報銷比例及自費比例變化，慢病控制率是否提升，以及區域地方病發病率下降等。
基層醫療需求更普適，數據質量、基礎建設資源缺乏
２０２５年開年以來，Ｄｅｅｐｓｅｅｋ爆發出圈，企業、醫院紛紛宣布部署，期待通過這一技術加速智能化轉型。但現實遠比想象中復雜，實際落地進程不免呈現＂理想豐滿、現實骨感＂的困境。在基層醫療環節，核心矛盾集中在技術適配、業務融合與資源支撐三大維度。
首先，大模型的基礎設施建設，受到算力算法與數據的多重掣肘。在算力端，基層醫療機構資源與資金有限，普遍缺乏自建超算中心或高性能本地服務器集群的硬件條件，較依賴云端部署，在一定程度上存在實時響應、延遲、系統穩定性不足的問題，會直接影響到診療體驗連貫性。
從數據和算法角度看，基層醫療數據呈現質量不均、分布較為松散、標準化低等特征，且數據清洗成本高。因此，一些大模型會選用三甲醫院數據進行訓練，但這一做法會與基層高發慢病、常見病特征產生數據錯配，一定程度上會導致大模型在基層場景中＂水土不服＂，泛化能力低，輔助診療不夠精準。
其次，大模型的幻覺、可解釋性差等問題，讓身處嚴肅醫療領域的基層醫療大模型面臨更高要求。大模型普遍采用的Ｔｒａｎｓｆｏｒｍｅｒ架構（大型神經網絡架構），可以在數據中自動捕捉和學習圖像的各種特征，擁有強大的學習能力，能捕捉復雜的事物特征。相較于大型醫院，基層診療能力相對薄弱。ＡＩ對于基層醫生是賦能和補充工具，需要更高的準確性和可靠性，這要求基層醫療大模型需要將幻覺問題的影響降到最低。
然后是技術與業務的供需錯位。當前行業在一定程度上存在＂技術先行，需求滯后＂的錯位現象－－從業者更多思考＂大模型能做什么＂，而非＂基層實際需要什么＂。相較于一二線城市的大型醫院，基層醫療的臨床需求主要關注多發病、常見病和居民健康，致力于解決普惠性醫療問題。在基層醫療中，大模型需要與臨床業務和信息化系統進行深度適配，目前這方面的探索還不夠充分。
最后是資源支持的問題。大模型應用技術門檻高，基層若缺乏ＡＩ平臺能力，模型開發與微調工具，落地便舉步維艱。此外，基層數據、算法等專業人才稀缺，工程經驗不足，進一步加劇了落地難度。此外，當前ＡＩ技術在法律法規層面仍存在諸多不足，如大模型應用的規范、數據的管理以及醫療責任的規避與劃分等問題，均需進一步完善相關法律法規。
同時，醫生需要將大模型視為平等的合作伙伴，而不是盲目依賴其輸出結果。因此，推動ＡＩ在基層醫療領域的健康發展，不僅需要技術的持續進步，更需要一個市場教育的過程，以消除公眾的疑慮并增進理解。
一體機是大模型落地部署的重要趨勢
在人工智能技術向基層醫療滲透的過程中，大模型的部署方式成為決定技術效能釋放的關鍵變量。面對基層醫療機構算力薄弱、數據分散、運維能力不足的普遍挑戰，衛美健康、蓋睿科技與衛寧健康三家企業分別探索出了具有場景適配性的解決方案。需要注意的是，部署方式需要結合實際場景和用戶需求，并不代表企業僅支持這一類部署方式。
衛美健康認為一體機部署方式與基層醫療契合度較高，開箱即用且可針對不同應用場景提供不同算力。目前，衛美健康通過整合國產算力與經典大模型（如部署７０Ｂ參數模型），向基層提供開箱即用的硬件設備，降低對高性能服務器的依賴，重點支持輔助診斷、病歷質控等基層醫療核心需求。
第二類是與醫共體牽頭醫院或衛健委合作，統一本地化部署大模型，基層醫療機構可采用租戶模式開箱即用。蓋睿科技分享了這種模式的三大優勢：一是提供ＲＡＧ知識庫與數據標注工具，支持模型持續進化；二是建立雙重質控體系，既審核病歷數據質量，也通過全程審計跟蹤驗證大模型輸出結果的可靠性，輔助用藥決策；三是針對基層常見病需求優化模型，可深度嵌入ＨＩＳ系統提升診療效率。
第三類則是由政府統籌共建。衛寧健康表示，大模型部署的技術成本、算力成本和后期維護成本較高，建議借助政務統一資源規劃，由政府部門牽頭，多個委辦局共享ＡＩ能力，通過大數據局統一調控和規劃。例如寧夏、山東青島等地由政府大數據局牽頭，統一規劃ＡＩ算力，衛健委更多是使用和消費的角色，數據安全也更容易保障。衛寧健康還提到，有些場景不一定要本地化部署，比如健康問答這類對數據安全不敏感的場景，做好數據脫敏后，可直接使用公有云資源。
政府購買為主，醫院、商保新模式正在探索
最后，我們來談一下關于大模型的付費問題。目前，大模型產品的付費方式主要有三種：政府財政買單、醫院自主買單以及企業生態共建。
政府是基層醫療大模型產品的主要付費對象。國家衛健委發布的《衛生健康行業人工智能應用場景參考指引》，以及北京、河南等地相繼推出的《＂人工智能＋＂行動計劃》，為基層醫療引入大模型提供了方向支持和政策紅利。企業也提供了一次性買斷、按項目購買或按年付費等多種付費方案，以滿足不同場景需求。
若客戶不愿付費，則說明產品價值尚未充分體現。長期來看，大模型產品若能深度融入醫療流程，解決核心痛點，提質增效降本作用更明顯，客戶將更愿意持續付費。除政府外，醫共體單位與基層醫療機構也在進行采購成本轉移，或通過醫保付費等方式實現。
目前，已有一些大三甲醫院在主動采購醫療大模型產品了。公開資料搜索，僅在３月，上海交大醫學院附屬新華醫院、常州市第一人民醫院、寶雞市中心醫院、紹興市人民醫院、南皮縣人民醫院皆發布了醫療大模型采購意向，預算金額最高達４８０萬元。
還有一些創新付費新模式在涌現。如華美浩聯以Ｂ２Ｂ２Ｃ模式探索新路徑，通過企業端觸達基層醫療機構，構建健康管理服務商品化通道。
事實上，ＡＩ在醫療領域的應用，更多地是扮演輔助性角色，而非完全替代人類醫生。ＡＩ能夠高效處理大量數據、提供精準分析，但醫療決策中的核心判斷仍需依賴人類醫生的經驗和智慧。這一特性與歷史上諸多醫療技術的革新過程相似，初期往往伴隨著誤解與疑慮，但隨著技術的成熟與普及，最終得以廣泛應用并造福人類。
注：文章來源于網絡，如有侵權，請聯系刪除
