從五年前的技術炫技到今天的臨床剛需，AI+醫療終于走過了“證明我能”的喧囂，進入“解決痛點”的深水區。不做替代醫生的空想，只做減輕負擔的助手——這場對話告訴我們，AI醫療落地的第一步不是說服院長，而是贏得科室主任的信任；關鍵不是單點突破，而是多元數據聯動形成閉環

圓桌對話直面AI進醫院的真實卡點：系統對接難、醫生怕麻煩、責任劃不清。從左醫科技深耕九年的實戰出發，從協和到寧夏中衛，揭示了分層落地的差異化邏輯——三甲提效率，基層補人力。用病歷生成這一通用痛點作為中樞，往前接分診，往后連隨訪，讓“黑科技”變成醫生愿意每天打開的工具。

以下為圓桌演講內容，經36氪整理編輯：

張戈丨華弋數智創始人&CEO（主持）

韓旭丨左醫科技醫學合伙人

張戈：各位來賓和直播前的各位朋友大家好，我是本輪對話主持人華弋數智張戈，非常歡迎韓總的到來，今天會聊一個特別實在的話題，AI醫療到底是怎么落地的，首先請韓總給大家打個招呼，用30秒告訴我們一件事，左醫現在做的跟五年前那波AI輔助醫療熱潮有什么本質區別？

韓旭：謝謝張總，謝謝主辦方的邀請，今天能在這兒跟大家做一個交流分享，左醫科技從2016年開始深耕AI+醫療行業，我們也經歷了AI醫療在國內發展的不同階段，就我們理解五年前AI醫療更多的是技術和資本驅動的，大家想的是如何用AI技術來改造醫療甚至代替醫生，做的東西更多是從技術角度出發，沒有解決臨床真正的問題，很難落地，現在更多是從臨床真正的需求出發，關注的是醫生每天日常工作中他們真正頭疼的點是什么，想著用AI技術來降低醫生的工作壓力，提質增效，同時也讓患者能夠更順暢地就醫。

張戈：從韓總的總結里我們感覺到醫療AI不斷走深走實，首先我們非常關注場景落地的問題，AI醫療進入到醫院，您覺得第一步要打通什么環節或者從什么地方入手，比如說要從上到下說服領導，還是培訓醫生，還是跟醫療的信息系統去進行對接，這里面哪個環節是卡點？

韓旭：從我們的經驗來看，AI醫療進醫院，第一步肯定不是去說服院長，也不是對接HIS、EMR系統、全員培訓，第一步應該是深入到臨床一線、科室，爭取到科室主任包括骨干醫生的支持，讓他們愿意做試點，在這個過程中真正見到效果以后，才涉及到去做后續的推廣，剛才說到去對接EMR HIS系統，有一定的技術難度，同時做多方協調，成本、時間周期都很高，一上來做系統對接很容易成為卡點。

醫生培訓沒有實際的東西、沒有實際效果，做培訓也只是一種形式，沒有實際意義，至于做全院推廣，你在做科室試點，有一定的效果以后，拿著真實的數據去跟醫院領導溝通，去做全院整體的推廣，才會更有說服力。

第二個卡點，1、系統對接，醫院各個系統非常多，品牌、廠家也非常多，也不是標準的接口，數據格式包括字段、權限管控都不一樣，現在醫院對數據安全也非常重視，如果做對接需要協調信息科、醫務科多個科室反復協調，這個過程很長，是非常大的卡點。

2、落地過程中會遇到的問題，醫生的接受度，醫生群體還是屬于相對保守的群體，規避風險意識很強，有一個新的工具使用，他們是不愿意更改固有的工作習慣，怕工具上了以后會增加自己學習使用的負擔，反而會增加工作量。再一個對AI產品的準確率、風險也會有一定的顧慮，實際項目落地過程中是有一個很難的點，怎么讓醫生接受、愿意使用。

張戈：您說到落地過程中的細節非常實際的痛點，信息系統對接、權限管控，這些都是在信息類的項目里非常重要，要解決的卡點類的問題，既有對接協和這樣頂級的三甲醫院，也有您給寧夏中衛做的云上衛醫，基層醫療的落地邏輯和三甲醫院的落地邏輯有什么不同，是存在更大的困難，還是不同的醫院不同信息化建設的水平，這里面是不是有不同的切入點。

韓旭：像協和三甲醫院和基層醫療機構，從需求來說，引入AI醫療系統，使用AI醫療產品，需求點是不一樣的，落地路徑包括切入點也是有差別的。比如像三甲醫院，更聚焦于院內，主要解決的問題，專家資源很寶貴，醫生時間很緊張，他更關注的是如何提高院內的效率，精細化把各個流程環節的效率提高，這些是三甲醫院的需求?；鶎俞t療機構面臨的問題，醫生少，日常工作也很繁重。雖然面臨的疾病比如常見病，瑣碎的事務也很多，但基層醫療機構有家庭醫生簽約服務的壓力，每個人要簽約一兩千個居民，這個數量是服務不過來的，并且居民對于家庭醫生簽約服務也有一定的需求或者要求，服務能力是達不到的。

對于基層醫療機構來使用AI醫療產品的特點。一方面通過AI的產品，病歷生成、智能隨訪包括智能健康檔案來幫助他做日常瑣碎流程性的工作，也希望通過AI產品來幫助他服務患者。在院外服務患者對于三甲醫院，協和這樣的醫療機構需求不是很大，更多聚焦于解決院內的效率問題。

張戈：不同醫生群體有自己不同的訴求，我們通過解決他的需求，提升他工作效率，讓他對AI產品有更好的接受度，這里面有沒有遇到過比較抵觸使用AI產品的場景，您這邊怎么讓一線的醫護人員更加接受，這一塊有沒有經驗？

韓旭：這也是一個很重要的卡點，醫護人員對很多新的工具一開始是抵觸、觀望的，有幾種原因。第一個他會擔心給自己增加負擔，他需要學習、操作，醫生工作站里的系統很多，HIS、EMR等系統，他要切換系統非常麻煩。第二個風險，生成的內容有問題會給他造成一定的風險。從幾個方面入手解決，第一個我們的產品盡量做到更貼合他日常的工作，不是強行綁定，盡量做到不打擾，等于跟他原有的系統是融合，不是需要單獨學習、操作，降低在使用學習新系統的心理負擔。

第二個在責任權責、界定，所有AI生成內容必須經過醫生確認才可以發出的，他也可以隨時修改，最終的決策權是在醫生手里，他能對風險把控，這樣會好很多。

張戈：AI輔助診療，提升真正醫者工作的效率。

回到開場的問題，五年前AI醫療也火過一波，那時候講的是AI輔助診斷、AI讀片，今天左醫科技您這邊做的跟那時候相比核心區別在哪里，是技術能力變了，AI現在技術日新月異，應用場景隨著時間的變化有變化，還是大家對醫療本身的理解有變化。

韓旭：第一點對于醫療行業理解認知，AI醫療行業的理解認知發生了很大的變化，五年前，聚焦輔助診療，主要就想一下子切入診療環節，醫療診療是他的核心環節，通過技術，直接解決最難的問題，比如疑難雜癥的輔助診斷，包括腫瘤治療方案的推薦，專業壁壘最高的場景下，想在這上面發力，其實會面臨很多問題，首先它的實現難度很大，醫生也不太敢用，效果也不是特別好。現在更多的是大家逐漸認識到醫療，從醫生角度日常工作來說，診療只是占用了其中很小的一部分時間，他在醫院的大部分時間都是在處理文書類的病歷、病史整理、隨訪、跟患者溝通，去做流程性工作、上報材料等工作占用了他很多時間。現在我們轉變了思想，想去解決最核心的診療問題，轉變為幫助醫生來處理日常流程性、重復性、事務性工作，作為他的助手，幫助他把更多的時間用到真正的診療環節上，從場景上也會發生變化。之前大家都在做輔助診斷、影像識別病灶?，F在診前、診中、診后不同環節去做分導診、預問診、病例生成、疾病管理等。

技術發展很重要，在剛才說的兩點基礎上來幫助實現的，大模型技術成熟、具備多模態能力，從最開始只能處理文本到現在的圖片、影像、語音等，讓整個AI能夠輔助醫生做的服務工作，更多、更完善。

張戈：從技術本身的演進再到我們做了這么多年業務的數據整合，確實是復雜演進的過程，由量變引發質變的過程，您這邊有一個產品叫作多元數據聯動，把預問診、對話轉寫、電子信息病例、院外OCR多種數據整合一起生成病例，這個能力是以前就有的嗎？如果沒有多元聯動，我們AI病例生成也能達到剛才提到90%的準確率。

韓旭：預問診、OCR、語音生成病例、院內數據的處理，這是單點的能力，這個都是我們逐步在研發的。我們之前有單獨預問診的產品，也給醫院院內數據做病例結構化處理，OCR提取、語音電子病例生成，每個單點工具對于最終病例生成，都是有一定的缺陷。如果單純診中語音電子病例生成，只根據醫患單次對話生成單次電子病例，醫生問診時間很短，會習慣性地不問一些東西，這樣會遺漏一些關鍵點。只根據患者自己填寫的東西，患者由于自己認知的問題，不具備醫學專業的知識，可能會夸大自己的病情，也可能會遺漏掉重要信息。如果院內的數據，沒有OCR能力，很多患者會帶著大量院外的檢查報告、化驗單來就診，沒有這個能力，醫生只能手工錄入或者語音重復結果再說一遍，這樣也浪費了很多的時間。

我們把四個單獨能力串在一起，首先起到互補，能把缺失的，單個環節缺失的信息，通過另外一個環節補充進來，不同的環節，診前預問診環節，診中語音環節、既往病例院內數據的環節，能夠起到互相校驗。比如會發現有一些矛盾的點，AI大模型會有幻覺的問題，會通過互相校驗的形式，盡量避免掉這樣的問題。首先這是多維度數據的補充，再一個對于病例生成質量的效果也是一個保障，沒有多維度數據補充，病例生成質量肯定是達不到現在的程度。

張戈：這個是多重維度交叉關聯校驗，以及技術的迭代更新，最終形成了結果。

說到技術的更新，從協和到地壇醫院做傳染病診療智能體再到重醫兒童醫院做的重兒小乙，再到寧夏中衛做AI家醫，這幾個場景哪個是AI介入最深的，哪個是AI介入最淺的，您覺得什么決定了AI介入的深度？

韓旭：在我們看來，做?？浦悄荏w，比如像地壇傳染病智能體，重慶醫科大學附屬中醫院做的專科智能體，相對來說對AI要求會更高。?？苹蛘邔２〈怪?，需要去匹配?？茖２栐\、診療、治療方案，包括病歷書寫的特殊邏輯，需要建立專科專病知識庫，以及適配，AI會介入得更深一些。

其次像協和，他更多做的是門診整個流程效率的提升，精準預約、病例生成、分導診、預問診，不涉及診療的核心環節，更多是臨床外圍的事情，對于醫學專業的要求稍微低一些。

寧夏中衛的AI家庭醫生，更多做的是面向區域性老百姓普惠性的健康服務，患教、科普、常規隨訪，介入是最少的。

張戈：這是非常偉大的工程，從AI時代的技術平權賦能到優質資源走進千家萬戶這是非常了不起的事業，站在醫院的角度，ROI部分，我們怎么跟醫院院長們聊轉換率？

韓旭：跟醫院的管理者溝通項目的收益，首先一個原則，我們盡量避免使用模型、參數、技術路線專業，從這個角度溝通是盡量避免的。

更多是站在管理者關心的角度，短期收益。像協和項目短期收益，最明顯的是人力成本節約，試點科室，一個科室他之前做病歷、病史的整理、隨訪包括日常事務性的工作，需要一到兩個人力成本來做這個事。AI系統能幫他節約一到兩個成本，很容易算出來給醫院帶來的人力成本節約多少。

第二點，從醫院經營，營收通過診室效率提升，醫生接診效率提升，在不擴邊，不增加診室的情況下，在單位時間內能夠接診更多的患者，提高了他營收的效率。病例生成，通過規范性病例生成，醫保檢查、評分，減少醫?？鄯至P款等方面，也是有一個明顯的收益。長期來看，?？浦悄荏w的建設，幫助醫院在區域性或者在區域，對于?？茦藯U的建立，起到促進作用，有助于他打造自己的特色科室，從風險管控，他是全程留痕，所有對話數據都存在，比如醫患糾紛、醫療責任劃分的情況，他是有數據源的，盡量避免糾紛發生等，從這幾點來溝通。原則在科室試點有一定數據的情況下，來做全院的推廣，算清楚這筆賬。

張戈：在回溯的機制上，從風險管控角度確實有一個躲不開的問題，誰來為AI錯誤負責？我們知道生成式人工智能有一個特點，生成內容的不確定性，這是它存在的技術特性，AI生成病歷出錯，醫生沒有發現錯誤細節，直接采用，這種責任如何進行劃定？左醫跟醫院簽合同的時候，有非常多商務層面的經驗，這部分也請您給我們講解一下。

韓旭：現有法律法規的情況，醫療行為最終責任主體是醫生和醫療機構，跟醫院簽訂的合同里會有明確的約定，AI生成的所有內容，病歷，醫生都是要經過審核的，如果因為醫生沒有審核產生的問題，由醫生和醫院承擔主體責任。我們承擔的責任，對于產品和服務缺陷的責任，比如因為模型的問題或者因為數據的問題，或者因為有一些本身AI產品就會有限制，沒有約定清楚產生的問題，廠商需要承擔相應的責任，后續是要不斷優化。

合同中主要的責任，主要有四個責任，第一個醫療責任，醫療責任完全由醫院跟醫生來承擔；第二個產品服務責任，這是由廠商來承擔；第三個使用的責任，我們交付的時候肯定會有相應使用的參數，包括具體詳細的說明書，會要求在合同里約定醫院要求醫生要按照說明書來使用，不能超范圍使用，這個是雙方的責任；第四個數據安全的責任，雙方簽訂數據安全保密協議來約定。

張戈：非常感謝您詳細的商務層面的解構。

寧夏中衛有20多萬用戶，有沒有出現過因為AI誤判導致患者出現延誤就醫的情況，一旦發生了，我們又怎么進行處理的？

韓旭：寧夏中衛目前還沒有出現因為誤判導致患者延誤就醫就診情況的發生，首先定位很明確，我們只是輔助，我們在產品界面上都會有清晰明確的提示，AI所有的建議只是參考，不能替代真實的醫生，這是第一點。第二點產品設計層面也會有所謂的安全紅線，如果患者他提到有一些胸痛、嚴重的腹痛，涉及到危及生命的癥狀，產品會馬上明確提醒要去急診或者叫120。

第二個遇到診斷模糊的情況，也會建議他去線下醫療機構就診，用藥指導嚴格按照藥品說明書或者他上傳了醫生的醫囑來指導用法用量，不會直接給他除此之外的用法用量，會涉及相應的紅線。目前雖然沒有發生不良事件，我們是有應急的響應方案，一旦發生AI誤判，患者出現了緊急情況，首先我們會有相應的應急處理小組協調當地醫療資源，首先保證不耽誤患者的救治。當地衛健委也會成立專家小組判定相應的責任，看這個事誰的責任，包括后續的賠償問題。

第三個，我們也會針對此次問題進行排查，看有沒有同類風險點后續要避免，包括有相應的整改報告提交給相應的整改部門。

第四個，也會把這次不良事件案例放到系統模型里學習、提升，以后做到盡量避免此類事件的發生。

張戈：聽起來特別有信心，PDCA閉環已經達成了，還有一定的兜底方案解決。

前面聊了詳實落地層面的事情，聊一個宏觀的敘事，未來AI+醫能真的替代真人家庭醫生嗎，從寧夏中衛衛健委主任那里看到，這套系統相當于給每個家庭免費配備一個主任醫師級別的全科智能醫生，家庭醫生的工作不只是看病，包括建檔、隨訪、健康教育以及心理疏導，AI能替代哪一個部分，替代不了的是什么？

韓旭：衛健委主任說的是客氣，對我們謬贊，他想表達的意思AI醫生具備高年資醫生專業的知識以及處理標準化問診的能力，不是真正代替醫生職能的。AI醫生在基層醫療能夠承擔的標準化事務，比如標準化問診，健康咨詢、健康檔案的建立以及動態更新，常規三高慢病的隨訪，健康科普，相對標準化的工作，現在由AI醫生代替真人醫生去做的。

至于代替不了的，首先需要去線下服務的，上門尋診，量血壓、測血糖，除了傷口，做一些康復理療需要線下實操的，肯定是替代不了的，需要做一些心理關懷、人文關懷、目前AI是做不到的。

第三個基層醫療的醫生，有一個比較重要的工作，跟居民建立信任鏈接，他跟他管的居民有一個信任的建立，目前AI也是很難替代的。

再一個針對特殊群體去做個性化健康管理方案的調整，這也是目前替代不了真人醫生的。

張戈：我們講到特殊群體，在現實里來看，很多時候需要上門服務、需要家庭醫生的反而是老年朋友，反而接受智能化水平，包括跟機器對話的接受度反而會更差，信息數字鴻溝的問題您覺得怎么解決的？

韓旭：這是很現實的問題，尤其是在中衛試點，他屬于西部地區，相對來說不那么發達，尤其是老年人接觸智能化產品也是很少的，第一點在產品層面盡量做得簡單，去掉需要文本輸入，點擊菜單，復雜跳轉這些流程都去掉，只保留基本功能，盡量做到只用語音就可以做溝通，老年人只通過說話就可以實現這些功能。

第二點，還涉及到口音的問題，我們針對當地方言做了模型優化，讓這些老年人做到他可以用他日常說話就可以，不用刻意說普通話，就可以跟AI交流。

第三點，我們也會推動或者建議家庭醫生、志愿者、家屬、子女來幫助他來使用傳遞他的訴求，他實在操作不了由家人代操作。

再一個我們也做了一鍵轉接，AI聽不懂他說什么或者他聽不懂AI說什么，他覺得AI不可靠，可以一鍵轉接真人家庭醫生，人機協同，既能保證醫療服務的高效，也能保持真人醫生的溫度，這是一個長遠的形式。

張戈：細節考慮得非常周到，非常有溫情、溫度，AI跟醫學的結合。

左醫現在產品線很多，整個業務流程覆蓋比較廣，從分診、預約、預問診再到病例生成、輔助診斷、AI兒科、AI家醫，如果只選一個場景做到極致深耕，您會押住哪個賽道，原因是什么？

韓旭：現在重點方向是智能病歷生成，主要原因有幾點，第一點是對醫生來說所有的醫生都是需要的，不管是三甲醫院還是基層醫療機構，不管是高年資的主任還是低年資的醫生，都是需要寫病例，這是他們通用的痛點。

第二個病例生成這個事，他的效果最顯而易見，也最容易上手，確實能夠提高醫生的效率，他會非常愿意用的，不管是醫生自己還是科室主任，醫院領導能夠明顯看到產品帶來的好處、收益。

第三個病例環節在整個診療的鏈條上屬于中樞環節，往前可以連接到分導診、預問診，往后可以連接到隨訪、疾病管理，同時可以和院內數據做聯動，屬于數據中心，如果我們深耕把病例生成場景做好以后，其他場景是自然而然的事。

再一個相對它的風險比較低，病歷生成不涉及診療，權責明確，醫生需要審核，風險比較低，主要考慮這幾點。

張戈：謝謝韓總，非常期待與左醫共同見證在未來AI驅動下更加有溫度的醫學服務。

今天我們聊了四個事，一個是怎么落地，與之前有什么不同，怎么證明醫療AI場景的有效性，包括未來賽道和走向哪里，我印象最深的是聯動兩個字，單點AI，AI讀片、AI分診，很多公司都在做，左醫把預問診對話、電子信息全部聯動起來形成一個閉環，這個閉環才是AI醫療從展示廳的黑科技走向診療室落地解決方案的關鍵。

感謝36氪，感謝大家。