智能体嵌入医疗系统：先解决沉默的病历数据

医疗智能化的核心目标，是让机器理解医学知识，辅助医生做出更精准的判断。

但在实际推进中，需要面对一个更基础的问题：病历系统几乎存在于每一家医院。有系统就意味着有数据，有数据就意味着AI可以学习，但病历数据自身的质量不足以支撑智能体有效运行。

一份病历的旅程

追踪一份病历从产生到归档的全过程，会发现第一个问题是录入标准不统一。

医生的录入习惯千差万别。同一位高血压患者，医生A在病史一栏记录“血压升高5年，最高180/110mmHg，平素服用氨氯地平”，医生B的记录是“高血压病史”。两条记录信息密度差异悬殊，却存在于同一套电子病历系统。当智能体试图从这些数据中学习诊断模式时，它面对的不是标准化的医学描述，而是大量信息密度参差不齐、用词习惯各异的文本。

第二个问题隐藏在跨科室的文书流转中。一位患者经急诊科初诊、心内科住院、出院后门诊复诊，四个节点的文书由四位医生分别撰写。每重新组织一次语言，信息就会被压缩、转译、取舍。越往后端的医生，看到的信息越不完整，经过了多次压缩、转述的摘要。

第三个问题是系统间数据标准不统一。同一药物在HIS中叫“硝苯地平控释片”，在门诊处方中叫“拜新同”，在病历文本中直接写“硝苯地平”。检验指标同样如此，血肌酐有μmol/L和mg/dL两种单位，血糖有空腹和餐后不同标注。人在阅读这些文书时，可以凭借临床经验自行完成转换。但当智能体需要跨系统调取数据——比如从LIS取检验结果、从EMR取诊断记录、从HIS取用药信息，进行组合分析时——这些看似细微的差异，会直接导致数据匹配失败。许多智能辅诊系统在单科室测试中表现良好，部署全院后迅速失灵，原因不在模型能力，而在数据无法互通。

数据资产与文档仓库

问题根源在于，多数医院引入电子病历系统的初衷是无纸化，将纸质病历转为电子版本保存。这个阶段的电子病历本质是纸质文书的电子副本，能检索但不能分析，能调阅但不能利用。

可供AI调用的数据资产的要求要高得多：字段结构化，术语标准化，修改可追溯，错误有反馈回路。一份完整的诊疗过程记录，不仅要记录诊断结论和用药方案，还要能还原诊断的依据、用药的考量、方案的调整逻辑。医生在指标异常时选择观察而非用药，在两种方案中选择A而非B，背后是多年经验积累。这些经验若始终以隐性知识形式存在，会随人员流动而流失。

构建数据基座

在数据治理层完成基础工作之前，不应贸然引入智能体，而应先建好数据基底。

这一层的核心工作有三项。第一项是建立统一的医学术语映射。将医院内部不同科室、不同系统之间对同一概念的不同表达，映射到一个标准的术语体系之下。药物名称、检验指标、诊断名称、手术名称，逐一建立对应关系。这项工作的技术门槛不高，但工作量庞大，需要逐项校验，且必须由临床专家参与审核。

第二项是推动关键字段的结构化采集。在不增加医生工作负担的前提下，将病历中频繁被查询和分析的字段——如血压值、血糖值、肿瘤分期、用药方案变更——从自由文本中提取为结构化数据。这可以借助NLP技术在后台完成，医生仍然按照原有习惯录入，系统在后台进行结构化转换和校验。

第三项是建立数据的持续校准机制。病历数据不是一次治理就能一劳永逸的。新的药物不断进入临床，新的诊疗指南不断更新，科室之间的数据交互需求也在变化。这要求医院建立常态化的数据质量监控和反馈流程，让数据治理成为医院信息系统运行的一部分。

知识库的价值

当数据基座建立起来之后，知识库的价值才开始真正显现。

医院积累了大量内部资料：诊疗指南、专家共识、典型病例讨论记录。这些资料分散在各处，汇总建库不难，难的是让资料与临床数据产生关联。当医生接诊时，智能体不仅从知识库检索相关指南，还能结合患者数据进行校验。例如，指南推荐某种药物时，智能体同步检查患者历史数据中的禁忌症记录、药物相互作用风险、药房库存。

病历质控同样受益。传统质控依赖人工抽查，每人每天只能检查几十份，且通常限于格式完整性。数据完成结构化后，智能体可承担第一轮初筛：自动标记逻辑矛盾的记录——诊断与用药不匹配、术后天数与出院日期冲突、关键体征缺失——将可疑病历推送人工复核。质控覆盖面显著扩大，人力集中于真正需要专业判断的环节。

  数据治理决定上限

回到一个根本问题：医疗智能体的能力上限由什么决定？

模型的选择当然有影响，但更关键的限制因素在于它所接入的数据质量。模型推理能力再强，若输入的是碎片化、不一致、关键信息缺失的数据，输出同样不可靠。数据治理层完成梳理和结构化之后，中等规模的模型也可能发挥超出预期的临床价值。

对于医院管理者而言，在评估智能体方案时，需要将视线从模型能力上暂时移开，先审视院内数据的现状。哪些字段是可计算的，哪些系统之间是打通的，哪些流程产生的数据是结构化的，哪些还停留在自由文本甚至纸质阶段。这些问题的答案，决定了智能体项目将从多高的起点出发。

这也要求智能体供应商具备数据治理的工程能力。不能假设每家医院的数据已经准备好被AI使用，实际情况往往恰恰相反。能够帮助医院梳理数据现状、建立术语标准、打通系统接口、设计数据质量持续改进机制的供应商，才能让智能体真正扎根。部署一套对话系统容易，建立一套可供AI持续学习的院内数据循环系统，才是真正困难也真正有价值的部分。

小艾智能体从数据治理入手，通过术语标准化、结构化采集与系统打通，帮助医院将分散的电子文书转化为可计算的临床数据资产，为后续的智能辅诊和知识库应用奠定基础。

医疗AI的最终目标是辅助临床决策。而每一项正确的决策，都始于一条准确、完整、被妥善组织的数据。在这个意义上，智能体进入医院的第一个战场，不是诊室，而是病历本身。