在南方醫院，臨床醫生開始「造」AI工具

南方醫院腎內科的謝迪醫生，還記得前幾年遇到的一位女孩，24歲，系統性紅斑狼瘡，因為呼吸困難住院。她的血檢指標，卻指向一種進展兇險的罕見病——aHUS（非典型溶血性尿毒症綜合徵）。發病時，微血栓會堵塞全身小血管，腎臟首當其衝；其急性期死亡率達25%。謝迪醫生參與過太多這樣的會診，最讓她感到無力的，是明明有藥可治，信息整合卻極其耗時。這種疾病的有效干預窗口只有症狀出現後的24到48小時，如果發病7天之內快速識別並啟動治療，預後遠遠好於7天之後。在黃金時間窗口用藥，能有效避免臟器功能不可逆的損傷。可現實情況是，患者往往要在多個科室間輾轉，確診週期以天計算。

等腎內科、血液科、感染科等各個科室的醫生被召集起來會診，等資料整合完畢，又可能已經錯過了最佳干預窗口。最懂疾病邏輯的臨床醫生腦子裡有一整套排查路徑，卻造不出一個能輔助自己快速整合多學科信息的工具。他們只能依賴人肉協調，逐個科室溝通，在緊迫的時間壓力下憑經驗拍板。這樣的困境並非個例。在南方醫院裡，醫生們每天都在診室裡遇到類似的情形：最清楚問題出在哪裡的人，造不出解決問題的工具。創造工具通常需要編程，需要排期，需要開發成本，需要讓工程師理解複雜的臨床業務流。不少醫生告訴，他們的很多想法，總是“礙於這樣那樣的原因，在提出之前就被放棄了”。

直到今年4月，南方醫院與華為簽署協議，基於華為DCS AI解決方案構建的HAIP平臺正式落地。其核心組件Nexent智能體平臺以零代碼、可視化的方式，讓醫生無需編程，僅用自然語言描述臨床邏輯，就能生成智能體原型——許多過去根本不可能被提上日程的臨床創新，突然變成了醫生當天就能驗證的想法。當創造工具的門檻從“會寫代碼”降到了“能把需求說清楚”，最懂臨床問題的人開始獲得一種從未擁有過的能力：直接定義AI工具的邏輯。

01當“根本不會提的需求”變成了現實如文章開頭提到的aHUS確診流程，醫生們的腦子裡其實已經有一整套的aHUS排查路徑，但她們也清楚地知道，要把這套路徑變成一個可運行的輔助工具，在過去幾乎是不可能的。謝迪醫生告訴我們，她試著瞭解過傳統IT開發的行情，但光是做一個高危篩查的臨床決策支持系統，第一步就要付出不菲的外包費用。更根本的障礙在於溝通：做數據採集的不懂AI，做AI的不懂業務流，醫生腦子裡有完整的臨床邏輯，工程師卻需要花很長時間才能理解那些細微的診療決策節點。等雙方終於對齊了需求，排期又要以月計，最後做出來的東西往往和醫生想要的相差甚遠。在產科，霍智鋒醫生面臨的則是另一種形式的沉默。

臨床上一些低頻但高風險的急症出現時，處理時間窗口很短，極其考驗團隊協作能力，因此需要大量的提前模擬訓練。但傳統模擬教學中病例設計耗時間，覆盤靠回憶，規培醫生的訓練密度很難提上去。醫生們不是沒想過優化，但他沒有任何編程經驗，也不知道走傳統IT開發流程耗費幾何，在大模型被廣泛使用之前，這種模擬教學幾乎全程依靠“手搓”。這種情況可以說是醫療AI領域的“老毛病”。醫生掌握的是基於經驗的臨床直覺，工程師掌握的是基於代碼的系統思維，兩種語言之間缺乏有效的翻譯層，溝通的鴻溝始終得不到修補。

行業裡有大量“死數據”和“活想法”，但醫療AI的創新長期由技術側主導：工程師定義問題、設計產品，日常工作已經非常忙碌的醫生只能被動適應。從提需求到排期開發，再到反覆溝通業務邏輯，中間隔著一堵根本翻不過去的牆。那些從真實診室裡長出來的需求，因為無法被準確表達、無法被快速驗證，大多在開口之前就被放棄了。肝病中心的劉紅豔團隊，在技術需求的實現上，甚至有過一次具體的挫敗。她們嘗試過一款EMDT系統，投入了不少精力，但最終因為技術門檻太高、持續運營成本太重，沒能活下來。那次失敗之後，這個構想被擱置了整整十年。

不同的科室、不同的臨床場景，背後卻是同一種被鎖死的狀態：技術發展得很快，但沒有停下來等一等真正需要它的人。02醫生們開始“自己動手，豐衣足食”作為最瞭解臨床業務流的人，醫生們是怎麼把診室裡反覆出現的困境，轉化為可運行的智能體邏輯的？為此，我們和三位參與智能體開發的臨床醫生聊了聊。aHUS罕見病診斷：把散落在八個科室的線索串起來文章開頭提到的aHUS，其病因其實已經相對明確：患者體內的補體系統，原本用來抵禦細菌入侵的免疫衛兵，在不該激活的時候被過度激活，向內攻擊血管內皮細胞，導致全身性微血栓形成。

這種罕見病只要能診斷出來，就能針對性治療，但這種疾病早期症狀缺乏特異性，患者可能會以貧血、血小板下降出現在血液科，也可能以肌酐升高被推到腎內科，每個科室看到的都只是碎片，只能聯想到本科室的相關疾病；每個專科的診療記錄也散落在不同的系統裡，很難及時彙總，趕不上治療的黃金窗口期。謝迪還向我們描述了一個讓她印象深刻的病例：一位孕婦因aHUS入院，終止妊娠後雖然保住了生命，卻遺留了不可逆的腎功能不全——如果能在發病早期快速確診並啟動針對性藥物，不僅能避免急性期的高死亡率，更能保護患者的長期腎功能，避免後續發展為尿毒症、甚至腎移植後移植腎丟失的風險。問題不在醫學判斷本身，而在信息整合的速度。

但aHUS的診斷是非常複雜的排他性診斷。醫生需要先確定患者屬於血栓性微血管病（TMA），然後逐一排除血栓性血小板減少性紫癜（TTP）、惡性高血壓、藥物誘發等多種可能，中間涉及血液科、腎內科、感染科、風溼免疫科等八九個專科的交叉判斷。在過去，這個排查過程，完全依賴醫生的個人經驗和多學科會診的人工協調。而現在，謝迪團隊基於HAIP平臺，嘗試把這套複雜的臨床思維轉化為可運行的智能體架構：數據感知智能體負責從HIS系統抓取血常規、破碎紅細胞等關鍵指標；分層推理智能體按照“識別TMA→確診TMA→逐一排除其他疾病”的路徑推進；MDT協同智能體則模擬八個專科醫生的交叉質詢。更關鍵的是分歧處理機制。

謝迪告訴，她們特地加入了仲裁智能體進行分歧處置——比起消滅差異，將模糊的問題精準化才是重點。當不同專科智能體給出方向不同的建議時，系統設計了四級處置邏輯：第一級回溯證據、查缺補漏，判斷分歧是否源於關鍵數據缺失或信息不一致；第二級結合證據等級、時效性及患者實際情況，對不同意見的依據進行結構化評估；第三級將各專科意見、證據依據和主要分歧以透明方式呈現給真人醫生，由醫生最終拍板；第四級完整記錄爭議點、決策依據和最終結論，沉澱為可追溯的案例庫，為未來同類病例提供輔助參考。

謝迪特別提到兩個她認為有護城河價值的設計：一是人機對話，與通用大模型不同，這個系統允許醫生在發現AI判斷有誤時直接點擊修正，醫生修正後內容會進入知識迭代流程，經專家審核、版本管理和驗證後更新至知識庫。二是記憶飛輪，光有知識庫約束還不夠，AI在拆解知識庫時也會出錯，而記憶飛輪能讓每一次線下MDT的彙總結果持續反哺系統，隨著經過審核的真實世界病例不斷沉澱，智能體可增強相似病例檢索和輔助參考能力，在新病例中向醫生呈現歷史相似病例、處置過程和結局，更好地輔助臨床判斷。

上述智能體設計看似複雜，但謝迪告訴我們，她是零基礎入門，參加講座培訓之後開始用HAIP平臺搭建，基於Nexent智能體平臺的零代碼可視化能力，“知識庫直接上傳就行，不需要編程，它自動幫你拆解、生成知識庫”。調試時，她先粗略說要什麼，平臺生成大概框架，再根據臨床需求逐步修正——哪些指標要重點關注、哪條邏輯鏈要改，一步一步修正成想要的樣子。從零基礎到完成初賽原型，謝迪和團隊只用了十天。過去外包做類似系統，費用不菲、耗時不短且沒人真正理解臨床業務流；現在僅憑自然語言描述排查路徑，就能把腦子裡那套“逐一排除”的鑑別診斷思維，落地為可運行的系統。

她透露，團隊下一步希望把這個系統嵌入醫院病歷系統，通過南向接口抓取HIS數據、北向接口回輸意見，讓分散在各科室的信息能被實時整合，在黃金窗口期內完成篩查和預警。不會編程的醫生，做出了產科急危重症訓練系統aHUS的救治搶的是時間窗口，產科的危急症訓練同樣如此。例如產後出血，病情進展快、考驗團隊協作，但臨床上並不常遇到，規培醫生遇到得少。霍智鋒醫生告訴我們，如果是傳統教學形式，一個像樣的病例需要老師手工整理四五十分鐘，訓練開始後老師要同時觀察、記錄、判斷，分身乏術，覆盤只能靠課後回憶，學生哪裡做得好、哪裡漏了，很難當場給出精準反饋。更關鍵的是，傳統訓練很難還原真實搶救中的時間壓力。

輕鬆環境下學生可能表現得不錯，但真實環境裡壓力洶湧而來，人的判斷力會明顯下降，那種緊迫感是常規訓練還原不出來的。這種對“高壓下真實反應”的模擬需求，只有長期站在臨床一線、親自帶教的人才能真正意識到。基於HAIP平臺，霍智鋒把產後出血搶救的臨床經驗轉化成了AI輔助病例生成與智能覆盤系統。老師只要把脫敏後的病例資料上傳，告訴系統教學目標和難度，Nexent智能體平臺就會在後臺生成結構化的病歷草案，經老師審核確認後發佈，演練正式開始。在智能體演示現場注意到，整個使用過程被設計得儘可能貼近真實搶救場景。

學生端只看到一個初始場景和倒計時，系統不會主動提供額外信息——真實搶救中也沒有老師時刻提示，一切要靠學生自己去評估和請求，比如學生要求監測生命體徵，系統才反饋血壓和心率。智能體會讓病情在時間壓縮的壓力下持續演進：學生處理正確，系統反饋病情改善；學生未能及時干預，病情自動惡化，出血量從數百毫升快速上升到上千毫升，伴隨臉色蒼白、煩躁等體徵變化——這種設計會逼迫學生在高壓下保持主動思考與決策，而不是被動等待指令。系統裡的確定性狀態機引擎負責把控病情演進，但霍智鋒明確表示，規則不是AI生成的，是醫生基於十幾年臨床和教學經驗制定的——什麼情況下病情該推進、推進到什麼程度，都經過反覆驗證。

覆盤環節的變化同樣明顯：以前老師拿著錶慢慢對照、整理，大概要15到20分鐘；現在系統約4秒就能生成覆盤初稿，記錄學生在什麼時間做了什麼，並給出針對性改進建議。霍智鋒還做了升級版本，加入語音識別後，智能體可以區分不同參與者的聲音，加強團隊協作上的訓練。霍智鋒告訴，這種基於平臺的開發體驗，讓他感受到了何為“技術平權”。他沒有任何編程經驗，卻能把教學想法直接變成可運行的系統。“編程我不會，但現在不需要我會，AI會就行，我只需要提需求，不滿意就讓它改。”臨床一線的教學者，第一次真切體會到擁有直接創造工具的能力。更重要的是，這套系統正在產生向外的技術流動。

霍智鋒認為，這類智能體在基層醫院的價值，可能比在大醫院要高得多。大醫院的學生能力普遍很強，遇到的病患多、情況也更復雜；但對基層醫院來說，可能數年都碰不到一次嚴重產後出血，一旦遇上就是加倍的兇險——藉助智能體進行訓練，起碼能保持一定的熟悉度。他甚至收到了ICU和急診同事的信息，詢問能不能把智能體開放給他們——從華為的技術底座，到臨床醫生的教學創新，再到基層和兄弟科室的能力延伸，技術平權在這裡形成了一條清晰的流動鏈條。接下來，這套系統將向子癇、急診、ICU等場景遷移，並探索加入圖像識別甚至VR，讓模擬訓練的邊界從產科延伸到更多高壓急症場景。

肝癌MDT全週期：讓專家從會議室裡解放出來產科強調對年輕醫生的團隊協作訓練，而對於年資高、非常忙碌的資深醫生，協作效率是另一個層面的痛點。肝癌的五年生存率，中國和日本之間存在顯著差距。劉紅豔團隊長期關注這個問題，他們認為差距不在手術技術，而在全程管理——日本“三早”（早發現、早診斷、早治療）做得好，中國很多病人一發現就是晚期，且缺乏持續的隨訪管理。但肝癌MDT做了十五年，劉紅豔團隊越來越感到一種組織層面的疲憊：每次會診都像組織一場會議，主管醫生要整理海量資料、製作PPT，專家要固定時間地點到場，能服務的病人非常有限。

更麻煩的是，會診結束往往就是終點，病人有沒有按方案治療、複查結果如何，後續隨訪管理完全斷裂。劉紅豔醫生告訴，十年前她們就想做線上會診，2016年甚至嘗試過一款EMDT產品，最終因技術門檻和運營成本太高，沒能活下來。而今年4月華為與南方醫院建立的合作，讓劉紅豔團隊感受到了技術的“東風”。基於HAIP平臺，團隊把十五年未能實現的構想，在一個多月內建成了demo。他們將預警、質檢、專科分身、隨訪監測等全週期環節，轉化為11個子智能體的協同閉環。

會診前，系統自動抓取患者病史資料、完成質檢；會診中，各專科AI助手並行輸出基於指南的診療建議，首席AI彙總形成會診結論；會診後，系統自動制定個性化隨訪計劃，並在患者未按時複診時觸發分級預警，提醒病人、家屬、主管醫生和護士，形成逐層響應。對醫生來說，這意味著每個專家都有了一個24小時不休息的AI助手。智能體就像一個秘書，“給每個專家配一個這樣的AI助手，就能給他們減負”——它把指南推薦的意見整理出來，醫生只需審核、補充或刪減，不需要一切從零開始思考。原來發起一次會診要耗費數小時整理資料、製作PPT，現在資料上傳後十分鐘就能自動生成。

團隊甚至已經可以隨時在實際場景中落地：每週兩場會診，可以讓智能體和真實會診同步運行，不斷訓練。團隊計劃讓智能體持續積累真實病例，逐步理解那些指南里沒有寫明的隱性經驗。這種協同效率的提升，不僅意味著單次會診的組織成本降低，更意味著從“篩→診→治→管→用”的全週期管理，第一次有了可自動運轉的閉環。03被重新定義的生產關係回過頭看，這三個案例其實指向同一個變化：醫療AI的生產關係正在被重新設計。過去，定義問題的人和解決問題的人是脫節的。工程師主導工具設計，醫生如果有需求，只能寫需求單、排隊等排期，等IT部的答覆，最後交付的東西可能和自己的預期謬之千里，時間原因又導致無法返工迭代。

現在，醫生直接參與應用層的設計，把臨床經驗轉化為系統規則；技術廠商則退到底座層，做好算力、模型、安全與治理的基礎設施。這種分工拋開了簡單的甲乙方角色分配，而是讓最懂臨床問題的人獲得了創造工具的能力，讓技術真正服務於一線需求。醫療是一個容錯率極低的行業，南方醫院的醫生們在開發過程中，也始終保持著對嚴謹性的堅持：aHUS智能體嚴格限定知識庫只檢索權威文獻，設置多智能體交叉驗證和醫生終審；產科訓練系統明確由帶教醫生制定規則，所有病情演進都經過臨床驗證；肝癌MDT的每個子智能體都基於最新指南，結論最終由真人專家審核確認。

AI可以輔助整理、生成草案，但醫學邏輯的底線必須建立在指南、專家共識和持續更新的真實病例之上，最終決策權始終留在醫生手中。當醫生獲得創造工具的能力，醫療AI的創新邏輯正從“技術能做什麼”轉向“臨床需要什麼”。南方醫院的這些嘗試只是早期探索，我們有理由相信創新會從診室、從教學現場自然生長出來，而優秀的算力底座會讓這種需求驅動的創新持續發生，讓一線的聲音直接變成可運行的工具，從而實現真正的技術平權。

▼推薦閱讀▼ICML 2026現場直擊：從展臺到遊輪，中國大廠在頂會搶人才2026-07-08Anthropic、OpenAI同一天落子AI4S賽道，巨頭混戰從「拼模型」轉向「卡生態」2026-07-02