智能导诊如何辅助患者了解科室信息与挂号流程

患者常用"胸口闷""胃口差""腰下面酸"这类生活化语言描述不适。分诊护士要把口语转成科室判断。

但科室判断并非完全正确。患者挂错号，就诊时才察觉，得先退掉原号，再重新排队挂一次。

智能导诊系统借助知识图谱把症状、疾病、科室、医生之间的关联结构化，再用检索增强生成理解患者的生活化主诉，最后通过 Agent 工作流直接对接挂号系统，让患者在分诊台之外就获得科室或医生信息参考，具体就诊建议以医疗机构专业人员判断为准。这套方法把分散的医疗知识变成可被机器推理的网络，有助于为科室选择和挂号流程提供信息支持。

导诊结果仅作挂号信息参考，不替代医生诊断、治疗建议或医院人工分诊。

从语义网络到导诊推理网络

知识图谱的想法来自语义网络。早期研究者不满足于让计算机只存文字，他们希望机器也存概念之间的关系。后来出现的资源描述框架用三元组记录事实，写法是"某事物、某种关系、另一事物"。表格库会把关联拆散在多个表里，图数据库则把关系本身当作核心对象，专门负责存储和查询这类关系数据。

知识图谱把实体画成节点，关系画成连线。症状与疾病、科室与医生都成为节点，它们之间的对应与擅长等关联成为连线，导诊推理网络就成形了。患者说饭后胃疼，系统顺着"胃疼、对应、消化内科"的关系，提示可能相关的科室方向，需结合医院规则和人工确认。

网络的可贵之处在于可基于关联关系进行辅助分析。图谱能沿关系检索，发现症状常伴随某种疾病、该疾病归某个科室的间接路径。

把非结构化资料变成可计算知识

医院里存在大量非结构化文档。科室介绍、诊疗范围这类资料多在 Word 与网页里，医生专长则散落在科普文章中，健康提示常存为 PDF。这些材料机器无法直接理解，须先处理。

处理先识别格式并提取原文。系统读到文件，判断属于 PDF 还是 Excel，再把内部文字抽出。长文本不能整段交给模型，模型一次能处理的长度有限，硬塞会丢失重点。于是采用语义分块，按含义把文章切成有独立意思的小段，而非机械按字数切断。

切好的段落要转成向量。向量是一串数字，代表这段文字的语义。承担这一转换的模型有多种，BGE-M3 是其中之一，它输出固定维度的向量，便于后续比较。向量写入向量库，与原文索引一同建好，日后检索便快。

让系统听懂生活化主诉

患者说"心口堵得慌"，字面没有"心血管内科"几个字。关键词检索会失灵，因为词面没对上。向量检索解决这一问题：它比较语义距离，含义接近的文本在向量空间里位置也近。

向量检索单独用仍不稳。模型可能凭空编答案，业内称这种现象为幻觉。检索增强生成（RAG）的做法是先去知识库找相关片段，再让模型只基于片段生成回答。找来的片段成了回答依据，有助于降低回答偏离资料的风险，实际效果需评测验证。

落地时，系统接到主诉先转成向量，去库里取最相近的几段科室介绍与医生专长，再把主诉连同片段交给大模型，生成科室信息参考或候选挂号方向，并提示人工确认。混合检索再叠加关键词匹配，可结合关键词匹配优化召回效果，需以测试结果为准。

从推荐科室到完成挂号

推荐出科室，流程还没结束。患者真正要的是挂上号。Agent 可在授权、规则和人工复核机制下调用工具辅助流程处理，工作流把多个步骤编排在一起。

导诊 Agent 接收主诉后，先调知识图谱与向量检索得出科室建议，生成推荐话术，再通过接口把患者信息和科室代码发往医院预约系统，获取预约系统返回的处理状态，是否挂号成功以医院系统确认为准。中间遇到高峰号源紧张，条件分支节点可改推同科室其他医生或相近时段。

修正误分案例

系统上线后仍会出错，关键在于能否通过反馈机制持续优化，具体效果取决于数据质量和审核机制。反馈收集是第一步，患者对推荐结果点赞或点踩，信号被记录。经规则筛选或人工审核的问答内容可作为候选知识条目，转成新的知识条目补进库里。

遇到模型给错科室，专家可人工修正，把正确科室与推理依据回灌系统。新条目进来时，系统打质量分、贴关键词标签，方便日后优先召回。这个循环让误分案例可作为后续优化的参考样本，而能继续训练系统。

敏感数据留在院内

患者主诉与就诊记录属于敏感个人信息，医疗行业对数据存储与流转有明确要求。私有化部署把这些数据放在医院自有服务器上处理，可根据部署方案选择院内或专有环境处理，外部服务使用情况以合同和技术方案为准。

实现上，文档解析与向量检索在院内完成，图谱构建和模型推理也跑在内网机器。模型可选支持本地部署的版本，推理服务不连公网。数据流转边界以医院网络策略、部署方案、日志策略和合同约定为准，有助于满足数据安全与合规管理要求，仍需结合医院制度和监管要求评估。

小艾智能体

小艾智能体把前面提到的能力做成一套可落地的技术组合。它的文档处理引擎支持 PDF、Word 等办公格式和图片解析，用语义分块和 BGE-M3 模型向量化后写入 Milvus 向量库。知识图谱模块基于 Neo4j 构建从症状到医生的关联网络，支持用图查询语言做复杂关联推理。

工作流引擎允许用 JSON 或 YAML 配置节点，把接收主诉到调用挂号接口的将接收主诉、信息检索、候选建议和接口调用等环节配置为流程，中间包含图谱推理与向量检索等步骤，在相应产品版本和配置下支持条件分支与并行执行。RAG 问答接口提供流式交互，自学习模块把点赞点踩和专家修正纳入循环。整系统支持私有化部署，敏感数据可按部署方案在本地或约定环境内处理。