2024年医院新兴技术创新应用典型案例征集活动经行业专家背靠背盲审以及终审，共选出20篇典型案例，将陆续刊登出来，以飨读者。
1项目简介
当前，高质量发展已成为医院“十四五”期间乃至更长期发展的核心主题，医院将逐步迈向高质量发展新阶段，打造电子病历、智慧服务、智慧管理“三位一体”的智慧医院，进一步提升人民群众的就医获得感和满意度。以患者为中心的智慧服务是智慧医院建设下一阶段的主要方向，指医院针对患者的医疗服务需要，应用信息技术改善患者就医体验，加强患者信息互联共享，提升医疗服务智慧化水平的新时代服务模式。
温州医科大学附属第一医院（以下简称：温医大附一院）创建于1919年，是浙江省首批通过三甲评审的四家综合性医院之一，医疗服务辐射浙南闽北赣东近3000万人口。2015年，温医大附一院以“零排队医疗服务新体验”项目荣获了亚洲医院管理奖“客户服务”类别金奖。
近年来，国家通过各种形式不断改善患者就医体验取得了一定的效果。但当下患者就医时仍然存在不少卡点、难点，“看病难、看病烦”依然困扰着老百姓。其中，诊前环节是看病就医的第一步，但目前存在“患者不会看病、看不上病”情况，主要表现为以下几方面：患者不舒服时，不知道要不要去看病、去哪看病；患者不知道挂什么科、找谁看病最合适；患者想看病但是挂不上号；无法判断病情，轻微症也得反复来回跑医院；医院线上预约操作繁琐，患者用不明白，特别是老年人。
2建设与开发
（1）建设方案
（2）技术路线
本项目的技术路线主要包括数据采集与处理、大语言模型构建与训练、诊前数字医生系统开发和应用效果评估四个阶段。
第一阶段，数据采集与处理
1）数据源选择：从医疗机构、公共卫生数据库等多渠道收集医生问诊对话、患者诊疗数据、医学文献和医学知识库等。
2）数据预处理：对数据进行清洗、标注和格式化，确保数据质量和一致性。
3）数据增强：采用数据增强技术，如数据合成、随机扰动等，增加数据多样性和泛化能力。
第二阶段，大语言模型构建与训练
1）模型选择：选用适合医疗领域的可私域部署的大语言模型。
2）模型训练：利用预处理后的数据对模型进行训练，优化模型参数，提高模型性能。
3）模型评估：通过交叉验证、准确率、召回率等指标评估模型性能，确保模型在医疗领域的适用性。
第三阶段，诊前数字医生系统开发
1）系统架构设计：设计诊前数字医生系统的整体架构，包括前端交互界面、后端处理逻辑和数据存储等。
2）功能实现：实现用户意图识别、AI问诊、AI诊断、AI分流、AI分诊等交互及逻辑功能开发，为用户提供个性化的诊前服务。
3）系统集成与测试：将大语言模型与诊前数字医生系统进行集成，并进行系统测试，确保系统稳定性和准确性。
第四阶段，应用效果评估
1）用户反馈收集：收集用户对诊前数字医生系统的使用反馈，持续优化系统功能和性能。
2）效果评估报告：根据临床测试和用户反馈，编写效果评估报告，总结系统的优势和不足，为后续研究提供参考。
3关键技术或产品描述
（1）产品描述
针对诊前挂号场景，建立患者就医第一入口，由诊前数字医生进行AI问诊，通过主动式的交互引导患者进行疾病问询，实现线上线下分流及科室医生精准匹配，帮助患者最便捷、最有效看上病。
3）AI诊断：基于AI问诊收集的患者病情信息给出预诊断（疑似诊断）。利用通用大语音模型，通过医学知识库及文献数据进行训练，建立医疗领域的垂直大模型-预诊断大模型。研究实现后，基于AI问诊得到的患者病情，AI系统根据自身的知识给出1-5个可能性较大的预诊断，例如上述胸口疼对应的预诊断可能有“食管炎、胃炎、胆囊炎、胸膜炎、心肌炎”并能根据概率进行排序。
4）AI分流分诊：基于AI诊断的预诊断结果，进行患者的精准分流（线上、线下）分诊到具体科室具体医生。通过建立疾病分流模型、疾病分诊模型、疾病推荐模型、医生能力画像库等，利用大语言模型、自然语言处理技术，根据预诊断推送给患者最佳的就医路径（线上、线下）、就诊科室、就诊医生。基于预诊断结果判断出病情的轻重情况，推荐患者是线上还是线下就诊，例如上述胸口疼如果是食管炎则推荐患者线上网络医院消化内科问诊，如果是心肌炎则推荐患者线下心内科就医自动匹配心肌炎最合适的医生给患者，解决了患者不知道要不要去医院、去医院应该挂什么科、找哪个医生最合适、轻症可以在家线上快速问诊，避免往返医院。
（2）产品展示
1）场景一：患者不舒服，帮助患者明确科室完成挂号
图16轮对话内，推荐医生及可约号源
2）场景二：患者预约指定科室医生
3）场景三：复诊患者挂号预约
图3复诊患者问诊预约系统自动分流线上
（3）关键技术
1）大语言模型（LLM）：利用通用大模型建立问诊、诊断医疗垂直大模型。模型部分主要是包含通用大模型、Prompt（问诊能力、决策能力、诊断能力等）、索引、T-PASS，通过设置不同的Prompt参数去调控通用大模型的输出变成对应的能力；索引部分主要是包含通用索引、定制索引，在大模型中数据量巨大，需要进行高效的索引才能快速处理和查询数据，因此除通用索引外，还需要根据预就诊场景进行定制索引，提高模型的性能和效率。T-PASS部分主要包含MYSQL、ES、消息引擎、分布式缓存，该部分主要是将原始输入数据转化为适合模型处理的形式，包括数据清洗、特征提取、数据转换等步骤，为模型的训练和预测提供更加准确和可靠的数据基础。
2）自然语言处理（NLP）：
第一，意图识别：随着人工智能技术的不断发展，自然语言处理（NLP）技术在各个领域的应用越来越广泛。其中，用户意图识别是NLP技术的重要应用之一。用户意图识别是指通过自然语言处理技术，对用户的输入进行分析和理解，从而确定用户的意图和需求，为用户提供更加精准的服务和体验。目前被广泛应用于智能客服、智能助手、智能推荐等领域。因此将此技术应用于诊前数字医生，为患者提供更加个性化的推荐及提供更加精准和高效的服务。
第二，智能匹配：在NLP（自然语言处理）中，关键字匹配技术是从文本数据中识别出与预定义关键字或短语相匹配的内容。这种技术被广泛应用于信息抽取、文本分类、情感分析等。因此将此项技术应用于预诊断与分流模型、疾病分诊模型、疾病推荐模型、医生能力画像库的精准匹配。
5应用效果
（1）实践价值
1）重塑诊前流程
基于通用大模型构建诊前数字医生，通过与患者进行多轮多模态交互问诊，全面了解患者症状、病史等信息，为患者是否需要到院就诊、推荐合适的就诊科室与擅长该领域医生等场景提供决策支持。让患者享受更便捷、易得、周到的医疗健康服务，助力公立医院将稀缺医疗资源更优分级配置。
2）融合新兴技术
随着技术的不断进步和医疗数据的不断增加，大模型在医疗机构具有广泛的应用前景，“诊前-诊中-诊后”的就医全流程中起到重要作用，为医生和患者提供更好的服务和体验。大模型可以根据患者病历、健康数据、疾病症状，为患者推荐科室/医生，回答健康问题、建议用药方案，并提供预约服务。该系统在改善就医感受、提升患者体验方面发挥不可替代的作用，能够做到切实、真正提升患者就医满意度。