核心思路：不另起炉灶，做系统里的"隐形助手"

在医疗信息化领域，AI落地最大的坑不是技术不够好，而是医生根本不愿意多点一个按钮。

我们的核心思路非常明确——不另起炉灶，不搞独立登录，让AI变成HIS系统里一个看不见的助手。

医生写病历、开医嘱、填清单的时候，它在后台默默看着；发现问题就弹个窗提醒一下；需要调数据就去抓，需要查规则就去问知识库。医生该怎么干还怎么干，AI只在最关键的节点轻轻推一把。

这套架构，我们分成三层来讲。

第一层：数据融合层——让AI能"看见"一个完整的患者

医院里的数据从来都不是一家人。

患者的病程记录躺在电子病历（EMR）里，医嘱在HIS里，检验结果在LIS里，影像报告在PACS里，手术记录在手麻系统里……以前各系统各说各话，AI想理解一个患者，得跨五六个系统去翻，效率低不说，还容易漏掉关键信息。

数据融合层要解决的，就是这个问题。

我们通过集成平台，把HIS、EMR、LIS、PACS、手麻系统等所有源系统的数据，统一汇聚到一个数据湖里。不是简单地搬家，而是做了语义对齐——同一个患者在不同系统里可能有不同的标识，得先把身份打通；同一条检验记录在LIS里是代码，在EMR里是文字描述，得先把格式统一。

最终效果是：AI Agent一次性就能把一个人从入院到出院的所有诊疗数据全部调出来，像一个老主任查房一样，病历、医嘱、检验、影像、手术记录，一眼全看到。

这是一切智能的前提。没有这一层，后面的模型再聪明，也是盲人摸象。

第二层：模型服务层——一个大脑带几个专家

很多人以为AI就是一个大模型，其实在医疗场景里，光靠一个通用大模型远远不够。

我们的做法是：部署一个经过临床微调的大语言模型作为"大脑"，同时挂载几个专用小模型做配合。

• 大模型负责理解复杂的临床语境。比如医生写了一段"患者入院后反复高热，经验性抗感染治疗效果欠佳，后痰培养提示耐药菌，调整为碳青霉烯类"，大模型能读懂这段话背后的逻辑链——为什么换药、换了什么药、依据是什么。
• ICD编码映射模型专门干一件事：把临床诊断描述精准映射到ICD-10编码。这活看着简单，实际全是坑——"2型糖尿病伴周围神经病变"到底是先编码糖尿病还是先编码神经病变，不同版本规则不一样，得专用模型来处理。
• 手术操作识别模型专门从手术记录的大段文字里提取关键操作步骤，判断主要手术和辅助手术，为DRG分组提供依据。
• 时间序列模型专门处理检验指标的动态变化，比如白细胞从15降到8再升到12，这个趋势对判断感染控制很重要，但大模型对数字不敏感，得靠专用模型来捕捉。

大模型负责"懂"，小模型负责"准"，各取所长，相互配合。

所有模型通过统一的服务接口对外暴露，上层应用不用关心底下跑的是哪个模型，只需要发请求、收结果。

第三层：应用交互层——嵌在医生工作站里，用完即走

这一层是医生和编码员真正接触到的部分，也是我们花心思最多的地方。

原则只有一个：不改变医生和编码员原有的操作习惯。

具体怎么做？

• 医生填完病案首页、点击保存病历的那一刻，AI Agent自动触发质控。不用医生手动点"开始检查"，后台已经把这份病历的完整性、逻辑性、编码准确性全部跑了一遍。有问题就弹窗，没问题就安静通过。
• 编码员核对编码的时候，AI Agent实时校验。编码员每敲一个编码，旁边就显示AI给出的建议编码和置信度，点一下就能采纳，不点就按自己的来。
• 需要调取证据链的时候，一键展开就能看到原始病程记录、医嘱内容、检验报告、影像结论，所有支撑编码的依据一目了然，不用再去翻五六个系统。

AI不在的时候，医生感觉不到它的存在；AI在的时候，只在真正需要的节点出现。

这才是医疗AI该有的样子——不是又一个要学的新系统，而是原来那个系统突然变聪明了。

写在最后

三层架构，说白了就是三句话：

底层把数据打通，让AI看得全；中间把模型配好，让AI判得准；上层把交互做轻，让医生用得惯。