2025 年上半年，京津冀地區(qū)的某基層醫(yī)院院長劉鋼（化名）拍板，引入了一套業(yè)內(nèi)評測靠前的醫(yī)療大模型系統(tǒng)，希望能夠重點解決電子病歷生成的效率問題，順帶提供簡單的疾病輔助診斷。
在醫(yī)院內(nèi)部討論時，以劉鋼為代表的醫(yī)院管理層對此普遍持樂觀態(tài)度。
在過去的一兩年時間里，開發(fā)醫(yī)療大模型的主導權(quán)始終被牢牢地攥在頭部醫(yī)療 AI 公司和大三甲醫(yī)院的手中。單純從技術(shù)邏輯來說，大模型具備向下兼容的特性，就好比能解高等數(shù)學的人，一定精通加減乘除。
所以，對于既不想錯過這波 AI 技術(shù)福利，又拿不出更多經(jīng)費和資源的基層醫(yī)療機構(gòu)而言，擇優(yōu)引入已經(jīng)在頭部三甲醫(yī)院"跑通"的大模型產(chǎn)品，是一種隱性共識。
但項目的進展卻并不順利。產(chǎn)品落地一個多月后，劉鋼發(fā)現(xiàn)，無論是在電子病歷生成環(huán)節(jié)，還是輔助診斷層面，模型都沒有達到預期效果，甚至還有點"負作用"。
比如，這套模型似乎并不能識別當?shù)乩习傩盏?方言"，導致生成的病歷文書錯亂百出，醫(yī)生還得花更多時間來手工校正；在給出輔助診斷時，由于基層醫(yī)療機構(gòu)的檢查檢驗數(shù)據(jù)沒有完全打通，模型給出的結(jié)果也遠不如在頭部醫(yī)院里運行時那么精準。
"這種現(xiàn)象并不是個例。"北京清華長庚醫(yī)院醫(yī)學數(shù)據(jù)科學中心主任李棟長期關(guān)注醫(yī)療數(shù)據(jù)挖掘和 AI 在醫(yī)療場景中的應(yīng)用。在他的觀察視野里，當頭部醫(yī)院訓練好的大模型下沉到基層醫(yī)療機構(gòu)時，"水土不服"是普遍狀況。
他的反思是，這種現(xiàn)象和大模型技術(shù)本身無關(guān)，而是存在結(jié)構(gòu)性問題，"根本原因就在于模型的訓練和應(yīng)用，是完全不同的場景，會有一個錯位。"
另一家長三角基層醫(yī)院院長的評價則更為具體："模型針對的疾病譜和人群特征與基層有差異，導致判斷準確率有所下降；或者操作流程復雜，反而增加了醫(yī)生填寫數(shù)據(jù)、反復核對的負擔，沒有真正‘減負’。"
這是今天國內(nèi) AI 醫(yī)療宏觀敘事下的一個插曲。
幾乎每一家投身于 AI 浪潮的醫(yī)療企業(yè)和頭部醫(yī)院都以"普惠基層"作為最高價值觀，這也符合國家最新的政策方向。
去年國家多部委聯(lián)合發(fā)布的《關(guān)于促進和規(guī)范"人工智能 + 醫(yī)療衛(wèi)生"應(yīng)用發(fā)展的實施意見》中，深化重點應(yīng)用的第一塊就是"人工智能 + 基層應(yīng)用"。
《意見》中給出的明確目標是：到 2030 年，基層診療智能輔助應(yīng)用基本實現(xiàn)全覆蓋。
但事實上，這條路，或許遠比我們想象的要難走得多。
沉不下去的大模型
在劉鋼所在的醫(yī)院，曾經(jīng)由他力主引入的大模型及其配套的算力設(shè)備，已經(jīng)閑置許久。
在和相關(guān)方的幾次業(yè)務(wù)復盤后，他才意識到，大模型并非天然適配所有醫(yī)療場景，它對運行環(huán)境的依賴程度，遠高于多數(shù)醫(yī)院的預期。一旦脫離頭部三甲醫(yī)院所擁有的制度、流程與資源配置，大模型就很容易從"效率工具"變成"額外負擔"。
首先缺位的，是數(shù)據(jù)的完整性。
在頭部醫(yī)院，數(shù)據(jù)并不是簡單的"多"，而是高度結(jié)構(gòu)化、規(guī)范化——病歷書寫遵循統(tǒng)一格式；檢驗、影像、病理等系統(tǒng)也可以互聯(lián)互通；醫(yī)生個人書寫習慣的差異也被流程不斷壓縮。
這種環(huán)境，為大模型提供了一個相對干凈、可預測的輸入空間。
但到了基層醫(yī)院，大模型需要面對的現(xiàn)實狀況卻恰恰相反。比如，一個腫瘤輔助診斷的模型，在頭部醫(yī)院的場景里，往往需要加以高質(zhì)量的生化、影像甚至是基因?qū)用娴臄?shù)據(jù)才能得出相對準確的結(jié)論，而這些數(shù)據(jù)在基層醫(yī)療機構(gòu)并不容易獲取。
"即便是最簡單的影像，在設(shè)備相同的情況下，大醫(yī)院放射科的技師和基層醫(yī)院醫(yī)生做出來的都不一樣。"一位長期專注醫(yī)療器械投資的業(yè)內(nèi)人士表示，以磁共振為例，在頭部醫(yī)院，什么樣的患者該用什么樣的劑量、層厚、床速都有嚴謹?shù)囊?guī)范，而操作差異會對數(shù)據(jù)結(jié)果產(chǎn)生直接影響。
更重要的是，基層醫(yī)院患者的就診路徑本身就不連續(xù)。
"病人在基層只看普通病，一旦遇到稍微復雜的情況，就會轉(zhuǎn)到上級醫(yī)院。"李棟指出，這意味著患者數(shù)據(jù)天然是碎片化的、跨機構(gòu)分散的，很難形成完整的縱向病程數(shù)據(jù)。很多頭部醫(yī)院模型所依賴的輸入變量，在基層根本無法完整獲取。
此外，在頭部醫(yī)院和基層醫(yī)院，疾病譜也存在著很大差異。頭部醫(yī)院主要面對的是疑難雜癥、復雜病例，而基層醫(yī)院則以多發(fā)病、常見病、慢病管理為主。當模型從訓練場景進入應(yīng)用場景，這些問題便被迅速放大。
"你用一個為復雜疾病、多模態(tài)精細診斷訓練出來的模型，去應(yīng)對基層的發(fā)熱、腹痛、高血壓管理，本身就存在錯位。"
這種錯位在基層診療場景里的呈現(xiàn)形態(tài)是，模型往往會給出和醫(yī)生判斷不一致的結(jié)論。于是，事情開始向更復雜的方向發(fā)展——醫(yī)生不敢輕易否定模型，就要花更多時間去核對原始信息、補充檢查，甚至組織多部門討論。
對基層醫(yī)生來說，這些大模型產(chǎn)品非但沒有為他們減負，反而成為新的工作負擔。
醫(yī)生沒有感受到模型帶來的便利，但醫(yī)院管理者卻要為此承擔不小的開支。
在很多產(chǎn)品演示中，大模型的成本往往被折算為"單次部署價格"，一套系統(tǒng)多少錢、一臺服務(wù)器多少錢。但對醫(yī)院而言，真正的負擔來自持續(xù)性成本——算力、人力和運維。
一家南部省會城市的非頭部三甲綜合醫(yī)院院長張琦（化名）告訴《健聞咨詢》，真正要讓大模型在醫(yī)院里跑起來，每年光算力成本就要幾百萬，這就幾乎占掉了醫(yī)院全年的信息化預算額度。再加上數(shù)據(jù)清洗、流程適配、結(jié)果驗證，都需要具備醫(yī)療背景和工程能力的復合型人才，"像我們這樣的醫(yī)院都負擔不起，何況是規(guī)模更小、資金更緊張的基層醫(yī)院。"
更隱蔽的一層錯配，來自效率邏輯本身。
在技術(shù)敘事中，醫(yī)療 AI 的價值常被概括為"提效減負"。但在一些非頭部醫(yī)院看來，這個邏輯并不完全成立。
一方面，醫(yī)院并不總是處在人力嚴重不足的狀態(tài)。很多崗位的人力配置，恰好是圍繞現(xiàn)有工作量形成的平衡。一旦 AI 帶來效率提升，反而會出現(xiàn)"多出來的人做什么"的現(xiàn)實問題。
另一方面，在現(xiàn)階段，AI 更多是"部分替代"，而非"完全替代"。醫(yī)生和護士仍需承擔大量監(jiān)督、校驗和兜底工作。在未能真正釋放人力成本之前，效率提升很難轉(zhuǎn)化為組織層面的收益。
這也是張琦所強調(diào)的矛盾所在：投入幾百萬算力，換來的是"提高了一點工作效率"，但這點效率既無法直接減少編制，也難以顯著改善醫(yī)院經(jīng)營狀況，決策層自然不會滿意。
基層醫(yī)院的尷尬
即便在"水土不服"的現(xiàn)實面前，也很少有基層醫(yī)院會否認自己對大模型的需求。
在多位基層醫(yī)院管理者和的共識中，基層真正需要的，并不是高精度、多模態(tài)的精細模型，而是更貼近真實工作流的"智能助手"——功能克制、場景明確。
這種助手的落點，往往集中在幾類高頻、低爭議的場景：慢病和常見病的風險評估與病程管理、患者隨訪與分級診療提示、護理文書的輔助書寫，金沙電玩城app以及與醫(yī)聯(lián)體上級醫(yī)院之間的轉(zhuǎn)診協(xié)同等。
正是在這樣的需求背景下，一部分基層醫(yī)院選擇了"自己干"。
江浙滬地區(qū)的一家縣級醫(yī)院院長徐立（化名）告訴《健聞咨詢》，過去一年，他們接待了不少于 10 家 AI 醫(yī)療企業(yè)的來訪，產(chǎn)品形態(tài)基本是和頭部醫(yī)院聯(lián)合開發(fā)的專科大模型，比如針對某類精神疾病的輔助診斷、高難度外科手術(shù)的輔助執(zhí)行等等。評估下來后，他覺得在本院落地應(yīng)用的空間不大，便果斷轉(zhuǎn)向了自己主導研發(fā)。
徐立的思路很明確，針對自己所在縣域的常見病種，研發(fā)多個專病小模型，嵌入基層專病中心的建設(shè)。在這些模型產(chǎn)品中，全病程管理的功能要優(yōu)先考慮，單個項目的成本控制在十幾萬元。
目前，他們已經(jīng)在心血管疾病、脂肪肝、減重、甲狀腺結(jié)節(jié)等專病領(lǐng)域有了一些成果，部分產(chǎn)品還賣到了中西部地區(qū)的同級別醫(yī)院。
"我們從來不做大而全的東西。"徐立表示，縣域醫(yī)院的患者面本來就有限，與其追求疑難雜癥的精準診斷和治療，不如把資源用在常見病、多發(fā)病的篩查、隨訪和患者管理當中。
和徐立在多個小病種上發(fā)力的策略不同，張琦所在的醫(yī)院目前把經(jīng)費和資源集中投向了一個覆蓋更廣，體量更大的領(lǐng)域——護理。
過去 AI 在醫(yī)院內(nèi)的應(yīng)用，更多圍繞醫(yī)生展開，集中在輔助診斷、病歷書寫或患者服務(wù)上。而作為與患者接觸最頻繁、信息采集量最大的群體，護士的需求很少被頭部的醫(yī)院和大廠所關(guān)注。
基于這一判斷，張琦所在的醫(yī)院集中投入研發(fā)更多基于護理場景下的 AI 應(yīng)用，形成一整套系列工具，例如輔助護理文書書寫、提供智能化宣教、部分隨訪和管理工作等等。這些應(yīng)用規(guī)模不大，卻更貼近基層醫(yī)院的真實需求，能夠解放醫(yī)院內(nèi)部人力資源最為緊張的護士崗位。
但"自己做"，也有"自己做"的風險和局限。
算力依然是繞不開的現(xiàn)實約束，即便是小模型，一旦要在全院范圍運行，服務(wù)器投入也可能達到數(shù)百萬元；人力同樣是個問題。既懂醫(yī)療又懂數(shù)據(jù)的復合型人才，在基層醫(yī)院并不多見，"現(xiàn)在醫(yī)院成本管控比較嚴格，招聘也都很謹慎，單純?yōu)榱俗瞿Ｐ腿フ腥耍豪锩嬉膊惶f得過去"。徐立表示。
張琦也有同樣的糾結(jié)。在整體預算收緊的情況下，AI 投入顯得尤為尷尬——不投，擔心被邊緣化；多投，又很難看到短期效果。這使得基層醫(yī)院對 AI 的態(tài)度更趨于謹慎，能用現(xiàn)成工具解決的，就直接引入使用；但一些明顯體現(xiàn)醫(yī)院自身特色的場景，還是要自建或深度合作研發(fā)。
他告訴《健聞咨詢》，醫(yī)院在與外部 AI 廠商合作的過程中，也曾遇到過效果很好的大模型，但每到洽談落地的階段，廠商要價往往高達一兩百萬，讓醫(yī)院望而卻步。
"我們每年用于 AI 與大模型相關(guān)的科研經(jīng)費大概在 600 萬元左右，只能支撐小范圍的大模型應(yīng)用試點。"
讓子彈再飛一會
在經(jīng)歷了水土不服的現(xiàn)實、以及基層醫(yī)院各自摸索的階段后，一個共識正在逐漸形成：
醫(yī)療大模型并正在被政策與現(xiàn)實共同推向基層。但它的落地方式，不會是簡單復制頭部醫(yī)院的技術(shù)形態(tài)。
真正的問題，已經(jīng)從"模型能不能做出來"，轉(zhuǎn)向"誰來做、為什么做、怎么持續(xù)做"。
從政策層面看，無論是醫(yī)聯(lián)體、緊密型醫(yī)共體建設(shè)，還是分級診療、慢病管理、基層首診等目標，都在持續(xù)抬高基層醫(yī)療對信息化與智能化的要求。大模型所承載的標準化、規(guī)模化、跨機構(gòu)協(xié)同等能力，正是這些政策試圖解決的問題。
從現(xiàn)實層面看，基層醫(yī)院同樣承受著結(jié)構(gòu)性壓力。人口增速放緩、病源增長乏力、人力成本居高不下，使"減員增效"成為醫(yī)院的基本生存邏輯。
李棟指出，長期來看，醫(yī)院一定會逐步提高"機器替代"的比例，只是節(jié)奏取決于產(chǎn)品成熟度與社會承受度。
在這種雙重擠壓下，基層醫(yī)院不太可能完全繞開大模型，只是它們更需要的是"能用得起、用得穩(wěn)"的形態(tài)，而非參數(shù)競賽的結(jié)果。
如果單家基層醫(yī)院難以承擔算力、人力和試錯成本，那么醫(yī)聯(lián)體或醫(yī)共體，正在成為一個現(xiàn)實可行的中間層。
在李棟看來，頭部三甲醫(yī)院并非天然有動力將技術(shù)"無償下沉"。真正可能形成動力的，一是樣本需求，二是未來收益。
對頭部醫(yī)院而言，模型要持續(xù)進化，就需要更具代表性的臨床數(shù)據(jù)，而基層醫(yī)院恰恰掌握著數(shù)量最多、結(jié)構(gòu)最廣泛的患者樣本，頭部醫(yī)院與基層醫(yī)院可以通過聯(lián)合研發(fā)、參數(shù)優(yōu)化等方式完成價值交換。
另一層動力，取決于制度法規(guī)是否允許大模型為頭部醫(yī)院帶來商業(yè)回報。如果未來 AI 醫(yī)療產(chǎn)品在定價、收費甚至醫(yī)保支付上獲得明確路徑，頭部醫(yī)院通過模型租賃、服務(wù)輸出或聯(lián)合運營實現(xiàn)回本，才可能持續(xù)為其投入資源。
醫(yī)聯(lián)體在其中的意義，不只是技術(shù)下沉的通道，更是成本與收益的"緩沖器"，算力集中部署、模型統(tǒng)一維護、基層按需調(diào)用，既降低單點投入，也避免重復建設(shè)。
在技術(shù)路徑上，一方面，大參數(shù)模型對算力和數(shù)據(jù)的依賴，使其天然偏向頭部醫(yī)院。另一方面，在基層場景中，真正高頻、可標準化的問題，往往集中在有限病種與固定流程中。
因此，更現(xiàn)實的路徑，是圍繞區(qū)域優(yōu)勢病種、高發(fā)慢病或特定工作流，構(gòu)建輕量級、垂直化的模型或智能模塊。一旦在單場景中跑通，既能直接改善工作體驗，也更容易說服管理層繼續(xù)投入。
這種"輕量化、模塊化"的策略，也為商業(yè)化留下了空間。無論是基層醫(yī)院之間的同級輸出，還是在醫(yī)聯(lián)體內(nèi)的標準化部署，都比整體系統(tǒng)更容易復制。
綜合來看，基層大模型的解法，并不是一條單線技術(shù)路線，而是一組制度條件的疊加：明確的支付預期、合理的數(shù)據(jù)資產(chǎn)規(guī)則、可分攤的成本結(jié)構(gòu)，以及對場景邊界的克制選擇。
{jz:field.toptypename/}在當前階段，李棟為基層醫(yī)院提出的建議更接近現(xiàn)實理性：讓子彈飛一會兒，先看清哪些坑已經(jīng)被踩過，再決定是否入場。
對基層醫(yī)院而言，這并不是退縮，而是一種更審慎的進入方式。畢竟，真正的失敗，并不是起步慢，而是花了錢，卻用不起來。
( 本文來自第一財經(jīng) )
備案號: