在南方医院，临床医生开始「造」AI工具

“

让医生从工具的使用者，变成工具的创造者，需要有什么样的技术底座？

”

南方医院肾内科的谢迪医生，还记得前几年遇到的一位女孩，24岁，系统性红斑狼疮，因为呼吸困难住院。她的血检指标，却指向一种进展凶险的罕见病——aHUS（非典型溶血性尿毒症综合征）。发病时，微血栓会堵塞全身小血管，肾脏首当其冲；其急性期死亡率达25%。

谢迪医生参与过太多这样的会诊，最让她感到无力的，是明明有药可治，信息整合却极其耗时。这种疾病的有效干预窗口只有症状出现后的24到48小时，如果发病7天之内快速识别并启动治疗，预后远远好于7天之后。在黄金时间窗口用药，能有效避免脏器功能不可逆的损伤。

可现实情况是，患者往往要在多个科室间辗转，确诊周期以天计算。等肾内科、血液科、感染科等各个科室的医生被召集起来会诊，等资料整合完毕，又可能已经错过了最佳干预窗口。

最懂疾病逻辑的临床医生脑子里有一整套排查路径，却造不出一个能辅助自己快速整合多学科信息的工具。他们只能依赖人肉协调，逐个科室沟通，在紧迫的时间压力下凭经验拍板。

这样的困境并非个例。在南方医院里，医生们每天都在诊室里遇到类似的情形：最清楚问题出在哪里的人，造不出解决问题的工具。

创造工具通常需要编程，需要排期，需要开发成本，需要让工程师理解复杂的临床业务流。

不少医生告诉雷峰网，他们的很多想法，总是“碍于这样那样的原因，在提出之前就被放弃了”。

直到今年4月，南方医院与华为签署协议，基于华为DCS AI解决方案构建的HAIP平台正式落地。其核心组件Nexent智能体平台以零代码、可视化的方式，让医生无需编程，仅用自然语言描述临床逻辑，就能生成智能体原型——许多

过去根本不可能被提上日程的临床创新，突然变成了医生当天就能验证的想法

。

当创造工具的门槛从“会写代码”降到了“能把需求说清楚”，最懂临床问题的人开始获得一种从未拥有过的能力：直接定义AI工具的逻辑。

01

当“根本不会提的需求”变成了现实

如文章开头提到的aHUS确诊流程，医生们的脑子里其实已经有一整套的aHUS排查路径，但她们也清楚地知道，要把这套路径变成一个可运行的辅助工具，在过去几乎是不可能的。

谢迪医生告诉我们，她试着了解过传统IT开发的行情，但光是做一个高危筛查的临床决策支持系统，第一步就要付出不菲的外包费用。

更根本的障碍在于沟通：

做数据采集的不懂AI，做AI的不懂业务流，医生脑子里有完整的临床逻辑，工程师却需要花很长时间才能理解那些细微的诊疗决策节点。

等双方终于对齐了需求，排期又要以月计，最后做出来的东西往往和医生想要的相差甚远。

在产科，霍智锋医生面临的则是另一种形式的沉默。

临床上一些低频但高风险的急症出现时，处理时间窗口很短，极其考验团队协作能力，因此需要大量的提前模拟训练。

但传统模拟教学中病例设计耗时间，复盘靠回忆，规培医生的训练密度很难提上去。医生们不是没想过优化，但他没有任何编程经验，也不知道走传统IT开发流程耗费几何，在大模型被广泛使用之前，这种模拟教学几乎全程依靠“手搓”。

这种情况可以说是医疗AI领域的“老毛病”。医生掌握的是基于经验的临床直觉，工程师掌握的是基于代码的系统思维，两种语言之间缺乏有效的翻译层，沟通的鸿沟始终得不到修补。行业里有大量“死数据”和“活想法”，但医疗AI的创新长期由技术侧主导：工程师定义问题、设计产品，日常工作已经非常忙碌的医生只能被动适应。

从提需求到排期开发，再到反复沟通业务逻辑，中间隔着一堵根本翻不过去的墙。那些从真实诊室里长出来的需求，因为无法被准确表达、无法被快速验证，大多在开口之前就被放弃了。

肝病中心的刘红艳团队，在技术需求的实现上，甚至有过一次具体的挫败。她们尝试过一款EMDT系统，投入了不少精力，但最终因为

技术门槛太高、持续运营成本太重

，没能活下来。那次失败之后，这个构想被搁置了整整十年。

不同的科室、不同的临床场景，背后却是同一种被锁死的状态：技术发展得很快，但没有停下来等一等真正需要它的人。

02

医生们开始“自己动手，丰衣足食”

作为最了解临床业务流的人，医生们是怎么把诊室里反复出现的困境，转化为可运行的智能体逻辑的？为此，我们和三位参与智能体开发的临床医生聊了聊。

aHUS罕见病诊断：把散落在八个科室的线索串起来

文章开头提到的aHUS，其病因其实已经相对明确：患者体内的补体系统，原本用来抵御细菌入侵的免疫卫兵，在不该激活的时候被过度激活，向内攻击血管内皮细胞，导致全身性微血栓形成。

这种罕见病只要能诊断出来，就能针对性治疗，但这种疾病早期症状缺乏特异性，患者可能会以贫血、血小板下降出现在血液科，也可能以肌酐升高被推到肾内科，每个科室看到的都只是碎片，只能联想到本科室的相关疾病；每个专科的诊疗记录也散落在不同的系统里，很难及时汇总，赶不上治疗的黄金窗口期。

谢迪还向我们描述了一个让她印象深刻的病例：一位孕妇因aHUS入院，终止妊娠后虽然保住了生命，却遗留了不可逆的肾功能不全——如果能在发病早期快速确诊并启动针对性药物，不仅能避免急性期的高死亡率，更能保护患者的长期肾功能，避免后续发展为尿毒症、甚至肾移植后移植肾丢失的风险。

问题不在医学判断本身，而在

信息整合的速度

。但aHUS的诊断是非常复杂的排他性诊断。医生需要先确定患者属于血栓性微血管病（TMA），然后逐一排除血栓性血小板减少性紫癜（TTP）、恶性高血压、药物诱发等多种可能，中间涉及血液科、肾内科、感染科、风湿免疫科等八九个专科的交叉判断。

在过去，这个排查过程，完全依赖医生的个人经验和多学科会诊的人工协调。而现在，谢迪团队基于HAIP平台，尝试把这套复杂的临床思维转化为可运行的智能体架构：

数据感知智能体负责从HIS系统抓取血常规、破碎红细胞等关键指标；分层推理智能体按照“识别TMA→确诊TMA→逐一排除其他疾病”的路径推进；MDT协同智能体则模拟八个专科医生的交叉质询。

更关键的是分歧处理机制。谢迪告诉雷峰网，她们特地加入了仲裁智能体进行分歧处置——比起消灭差异，

将模糊的问题精准化

才是重点。

当不同专科智能体给出方向不同的建议时，系统设计了四级处置逻辑：

第一级

回溯证据、查缺补漏，判断分歧是否源于关键数据缺失或信息不一致；

第二级

结合证据等级、时效性及患者实际情况，对不同意见的依据进行结构化评估；

第三级

将各专科意见、证据依据和主要分歧以透明方式呈现给真人医生，由医生最终拍板；

第四级

完整记录争议点、决策依据和最终结论，沉淀为可追溯的案例库，为未来同类病例提供辅助参考。

谢迪特别提到两个她认为有护城河价值的设计：一是

人机对话

，与通用大模型不同，这个系统允许医生在发现AI判断有误时直接点击修正，医生修正后内容会进入知识迭代流程，经专家审核、版本管理和验证后更新至知识库。

二是

记忆飞轮

，光有知识库约束还不够，AI在拆解知识库时也会出错，而记忆飞轮能让每一次线下MDT的汇总结果持续反哺系统，随着经过审核的真实世界病例不断沉淀，智能体可增强相似病例检索和辅助参考能力，在新病例中向医生呈现历史相似病例、处置过程和结局，更好地辅助临床判断。

上述智能体设计看似复杂，但谢迪告诉我们，她是零基础入门，参加讲座培训之后开始用HAIP平台搭建，基于Nexent智能体平台的零代码可视化能力，“知识库直接上传就行，不需要编程，它自动帮你拆解、生成知识库”。调试时，她先粗略说要什么，

平台生成大概框架，再根据临床需求逐步修正

——哪些指标要重点关注、哪条逻辑链要改，一步一步修正成想要的样子。

从零基础到完成初赛原型，谢迪和团队只用了十天。过去外包做类似系统，费用不菲、耗时不短且没人真正理解临床业务流；

现在仅凭自然语言描述排查路径，就能把脑子里那套“逐一排除”的鉴别诊断思维，落地为可运行的系统

。

她透露，团队下一步希望把这个系统嵌入医院病历系统，通过南向接口抓取HIS数据、北向接口回输意见，让分散在各科室的信息能被实时整合，在黄金窗口期内完成筛查和预警。

不会编程的医生，做出了产科急危重症训练系统

aHUS的救治抢的是时间窗口，产科的危急症训练同样如此。例如产后出血，病情进展快、考验团队协作，但临床上并不常遇到，规培医生遇到得少。

霍智锋医生告诉我们，如果是传统教学形式，一个像样的病例需要老师手工整理四五十分钟，训练开始后老师要同时观察、记录、判断，分身乏术，复盘只能靠课后回忆，学生哪里做得好、哪里漏了，很难当场给出精准反馈。

更关键的是，

传统训练很难还原真实抢救中的时间压力

。轻松环境下学生可能表现得不错，但真实环境里压力汹涌而来，人的判断力会明显下降，那种紧迫感是常规训练还原不出来的。这种对“高压下真实反应”的模拟需求，只有长期站在临床一线、亲自带教的人才能真正意识到。

基于HAIP平台，霍智锋把产后出血抢救的临床经验转化成了AI辅助病例生成与智能复盘系统。老师只要把脱敏后的病例资料上传，告诉系统教学目标和难度，Nexent智能体平台就会在后台生成结构化的病历草案，经老师审核确认后发布，演练正式开始。

雷峰网在智能体演示现场注意到，

整个使用过程被设计得尽可能贴近真实抢救场景

。学生端只看到一个初始场景和倒计时，系统不会主动提供额外信息——真实抢救中也没有老师时刻提示，一切要靠学生自己去评估和请求，比如学生要求监测生命体征，系统才反馈血压和心率。

智能体会让病情在时间压缩的压力下持续演进：学生处理正确，系统反馈病情改善；学生未能及时干预，病情自动恶化，出血量从数百毫升快速上升到上千毫升，伴随脸色苍白、烦躁等体征变化——这种设计会逼迫学生在高压下保持主动思考与决策，而不是被动等待指令。

系统里的确定性状态机引擎负责把控病情演进，但霍智锋明确表示，

规则不是AI生成的，是医生基于十几年临床和教学经验制定的

——什么情况下病情该推进、推进到什么程度，都经过反复验证。

复盘环节的变化同样明显：以前老师拿着表慢慢对照、整理，大概要15到20分钟；现在系统约4秒就能生成复盘初稿，记录学生在什么时间做了什么，并给出针对性改进建议。霍智锋还做了升级版本，加入语音识别后，智能体可以区分不同参与者的声音，加强团队协作上的训练。

霍智锋告诉雷峰网，这种基于平台的开发体验，让他感受到了何为“

技术平权

”。他没有任何编程经验，却能把教学想法直接变成可运行的系统。“编程我不会，但现在不需要我会，AI会就行，我只需要提需求，不满意就让它改。”临床一线的教学者，第一次真切体会到拥有直接创造工具的能力。

更重要的是，这套系统正在产生向外的技术流动。霍智锋认为，这类智能体在基层医院的价值，可能比在大医院要高得多。大医院的学生能力普遍很强，遇到的病患多、情况也更复杂；但对基层医院来说，可能数年都碰不到一次严重产后出血，一旦遇上就是加倍的凶险——借助智能体进行训练，起码能保持一定的熟悉度。

他甚至收到了ICU和急诊同事的信息，询问能不能把智能体开放给他们——从华为的技术底座，到临床医生的教学创新，再到基层和兄弟科室的能力延伸，技术平权在这里形成了一条清晰的流动链条。

接下来，这套系统将向子痫、急诊、ICU等场景迁移，并探索加入图像识别甚至VR，让模拟训练的边界从产科延伸到更多高压急症场景。

肝癌MDT全周期：让专家从会议室里解放出来

产科强调对年轻医生的团队协作训练，而对于年资高、非常忙碌的资深医生，协作效率是另一个层面的痛点。

肝癌的五年生存率，中国和日本之间存在显著差距。刘红艳团队长期关注这个问题，他们认为差距不在手术技术，而在全程管理——日本“三早”（早发现、早诊断、早治疗）做得好，中国很多病人一发现就是晚期，且缺乏持续的随访管理。

但肝癌MDT做了十五年，刘红艳团队越来越感到一种

组织层面的疲惫

：每次会诊都像组织一场会议，主管医生要整理海量资料、制作PPT，专家要固定时间地点到场，能服务的病人非常有限。更麻烦的是，会诊结束往往就是终点，病人有没有按方案治疗、复查结果如何，后续随访管理完全断裂。

刘红艳医生告诉雷峰网，十年前她们就想做线上会诊，2016年甚至尝试过一款EMDT产品，最终因技术门槛和运营成本太高，没能活下来。

而今年4月华为与南方医院建立的合作，让刘红艳团队感受到了技术的“东风”。基于HAIP平台，团队把十五年未能实现的构想，在一个多月内建成了demo。他们将预警、质检、专科分身、随访监测等全周期环节，转化为11个子智能体的协同闭环。

会诊前，系统自动抓取患者病史资料、完成质检；会诊中，各专科AI助手并行输出基于指南的诊疗建议，首席AI汇总形成会诊结论；会诊后，系统自动制定个性化随访计划，并在患者未按时复诊时触发分级预警，提醒病人、家属、主管医生和护士，形成逐层响应。

对医生来说，这意味着每个专家都有了一个24小时不休息的AI助手。智能体就像一个秘书，“给每个专家配一个这样的AI助手，就能给他们减负”——

它把指南推荐的意见整理出来，医生只需审核、补充或删减，不需要一切从零开始思考

。

原来发起一次会诊要耗费数小时整理资料、制作PPT，现在资料上传后十分钟就能自动生成。团队甚至已经可以随时在实际场景中落地：每周两场会诊，可以让智能体和真实会诊同步运行，不断训练。

团队计划让智能体持续积累真实病例，逐步理解那些指南里没有写明的隐性经验。这种协同效率的提升，不仅意味着单次会诊的组织成本降低，更意味着从“筛→诊→治→管→用”的全周期管理，第一次有了可自动运转的闭环。

03

被重新定义的生产关系

回过头看，这三个案例其实指向同一个变化：医疗AI的生产关系正在被重新设计。

过去，定义问题的人和解决问题的人是脱节的。工程师主导工具设计，医生如果有需求，只能写需求单、排队等排期，等IT部的答复，最后交付的东西可能和自己的预期谬之千里，时间原因又导致无法返工迭代。

现在，医生直接参与应用层的设计，把临床经验转化为系统规则；技术厂商则退到底座层，做好算力、模型、安全与治理的基础设施。这种分工抛开了简单的甲乙方角色分配，而是让最懂临床问题的人获得了创造工具的能力，让技术真正服务于一线需求。

医疗是一个容错率极低的行业，南方医院的医生们在开发过程中，也始终保持着对严谨性的坚持：aHUS智能体严格限定知识库只检索权威文献，设置多智能体交叉验证和医生终审；产科训练系统明确由带教医生制定规则，所有病情演进都经过临床验证；肝癌MDT的每个子智能体都基于最新指南，结论最终由真人专家审核确认。

AI可以辅助整理、生成草案，但医学逻辑的底线必须建立在指南、专家共识和持续更新的真实病例之上，最终决策权始终留在医生手中。

当医生获得创造工具的能力，医疗AI的创新逻辑正从

“技术能做什么”转向“临床需要什么”

。南方医院的这些尝试只是早期探索，我们有理由相信创新会从诊室、从教学现场自然生长出来，而优秀的算力底座会让这种需求驱动的创新持续发生，让一线的声音直接变成可运行的工具，从而实现真正的技术平权。

▼

推荐阅读

▼

ICML 2026现场直击：从展台到游轮，中国大厂在顶会抢人才

2026-07-08

Anthropic、OpenAI同一天落子AI4S赛道，巨头混战从「拼模型」转向「卡生态」

2026-07-02