薛万国：大模型将如何影响医院信息系统架构？（附课件+视频）

来源：HIT专家网      作者：龚晨

“大模型的出现是人工智能技术的进步，为医院信息系统的发展创造了新契机，必将在诸多方面带来重大变化。我们在关注其能力的同时，需深入洞察潜在的变革因素，主动应变。”5月25日，在由HIT专家网学苑主办的“2025年医院人工智能应用专题培训班”上，解放军总医院医学大数据中心原主任薛万国从系统的功能能力、功能形态、集成模式、数据架构、基础设施5个方面，深入探讨了大模型对医院IT系统架构的影响。

大模型在医疗领域的适用性与局限

薛万国认为，大模型给医学人工智能带来了内外两个方面的本质改变。在内部知识表达方面，传统的医学AI以结构化知识表示为主，如规则知识库、知识图谱等，而大模型以非结构化知识表示为特点。在外在能力方面，大模型实现了从特定场景到通用场景的突破，极大地提升了医疗AI应用的多场景能力。

“不过，大模型与生俱来的幻觉问题，限制了其在医学场景的应用。”薛万国指出，大模型的运行机制是对海量语料进行训练后，将知识打碎为信息碎片并建立关联关系，其本质是对知识碎片的高度浓缩与压缩。大模型区别于传统检索系统的核心，在于其并非“鹦鹉学舌”式的信息复现，而是通过知识加工，实现内容生成。这种从碎片中重构、生成信息的过程，必然导致“幻觉”相伴相生，“这是由大模型的技术原理决定的”。

在医学严谨场景中，“幻觉”是不可接受的。若采用RAG（检索增强生成）等知识库技术“限制”大模型的能力，虽能部分缓解幻觉问题，又会使得大模型的通用能力“退化”为专业能力，出现与传统医学AI类似的局限。

基于上述分析，薛万国提出大模型在医疗场景的应用边界：面向患者服务的健康教育、报告解读、分导诊等场景，对准确性要求相对宽松，适合应用大模型；面向医护人员的文书处理、病历质控、科研数据治理等场景，也可借助大模型提升效率；而在临床诊断、治疗方案推荐、临床循证等对确定性要求极高的场景中，大模型的应用仍需持谨慎态度。

大模型另一技术局限性在于资源开销。大模型推理所需资源开销大、响应慢，配置8GPU卡的“一体机”可支持数十至上百个并发。“病例分析等待几十秒尚可接受，而医生下医嘱时难以容忍等待几十秒甚至几秒钟进行即时审核的时间。”因此，薛万国认为，既有大模型适用于以文档为单位的低频交互场景，暂时难以支撑以事务为单位的多用户高频交互场景。

大模型对医院信息系统的潜在影响

薛万国指出，HIT从业者在思考大模型应用场景的同时，还必须看到大模型正在给医院信息系统的外在功能和内在架构带来重大影响，主要表现在以下五个方面。

首先是大模型对医院系统功能能力的影响。

一方面是既有功能的重构。传统AI应用的功能实现需经过自然语言分词、实体识别、规范化、知识匹配、推理决策等多个步骤，实现难度大，通常需外挂专门厂商的系统来完成。如今借助大模型可实现上述步骤的内置与归一，极大降低了原有功能的开发实现门槛，同时功能的准确性、通用性进一步提升。可重构的典型应用包括CDSS、病历质控、患者智能分导诊、临床科研平台病历结构化等。

另一方面是场景创新。大模型具有通用化的知识库、强大的自然语言理解与处理能力、突出的对话能力，这些优势将激发出新的应用场景，如：面向临床医护的病历摘要、护理文书生成等；面向患者服务的健康咨询、智能随访等；面向医院管理的运营报告生成、运营问题分析等；面向医学研究的研究路径指导、病历语义搜索等。

第二是大模型对应用系统功能形态的影响。

在大模型自然语言交互和语音交互等能力的加持下，应用系统的用户交互方式有了新的突破。以病例检索场景为例，传统检索模式需要用户按照系统预设的结构化逻辑进行条件组合和操作，而大模型支持下的系统允许用户以自然语言直接表达需求，如“请帮我找出诊断名称包含室间隔缺损，同时又做过室间隔缺损封堵术的病例”，系统会自动解析意图并转化为检索指令。

薛万国认为，从计算机架构角度看，这相当于在系统底层构建了一层“自然语言AI虚拟机”，用户无需学习复杂的操作逻辑或适应固定的功能菜单，而是通过自然语言直接指挥机器完成任务，从而实现了从“人适应软件”到“软件理解人”的本质跨越。

第三是大模型对AI集成与接口形式方面的影响。

受限于复杂且专业的实现方式，传统的AI应用通常采用外挂集成模式，例如将CDSS、病案质控助手等作为独立模块外挂于电子病历系统。大模型的出现改变了这一局面：应用系统或智能体可直接通过API调用大模型能力，一方面借助其通用推理能力，大幅简化智能化功能开发，另一方面内置的智能化模块能充分获取电子病历系统数据，省去传统模式中繁琐的数据同步流程。

在接口形态上，传统AI应用往往需要针对不同任务开发专属接口，而基于大模型的AI应用将自然语言作为接口语言，由自然语言提示词指引不同类型的任务。“未来的编程开发将从传统接口变为编写提示词模板，这是一个很大的变化。”

值得关注的是，医院未来可能需要同时部署多个大模型，不同大模型的调用接口可能不同，同样功能、不同厂商的AI智能体的调用接口也可能存在差异。因此，建立医疗应用与大模型及智能体的标准API体系成为当务之急，以免重蹈传统医院信息系统接口多、接口难的覆辙。

第四是大模型对数据架构方面的影响。

大模型的有效利用依赖于数据的深度融合，这使得数据集成与集中管理成为核心前提，临床数据中心（数据中台）和AI中台成为医院信息系统的基础构件。AI应用能够直接调用所需的数据，“这要求CDR实现更高程度的集中化，避免数据分散给大模型调用数据带来的逻辑复杂性”。

薛万国认为，知识库将成为未来医院信息系统架构的基础部件，技术形态包括向量数据库、图数据库（知识图谱）、关系数据库等。其中，向量数据库作为医院非结构化知识载体，包括临床指南、医院制度文件等；知识图谱作为医学基础性结构化知识载体，如医学术语系统；数据库形态的知识库作为医院个性化知识载体，如科室设置等。这些部件在约束限制大模型“幻觉”、实现大模型输出的本地个性化、解决大模型的知识更新时效性等方面具有重要作用。

第五是大模型对IT基础设施的影响。

大模型运行的资源开销大，AI算力集群将成为医院的新需求，特别是在多种模型并存的场景下，对于算力和显存空间要求更高；少数医院出于模型调优的需求，还将需要更高的AI训练性能。而AI（GPU）服务器集群需要高性能的网络互联，如NVLink、InfiniBand网络等。

此外，IT中心机房的供电与散热都面临挑战。供电方面，传统服务器机柜的供电为单路32A，也即6kW/机柜的供电能力，而AI服务器组成整体机柜后功率密度可达40kW以上；功耗提高必然带来散热的大幅增长，机房空调承压很大。上述变化都将对医院的IT基础设施提出系统性改造的需求。

“改变才刚刚开始，还有很多问题尚未显现。”薛万国说，深入洞察大模型带来的潜在变革因素，将有助于HIT从业者在医疗行业智能化转型中把握技术演进节奏，在机遇与挑战中找到平衡，推动医院信息系统向更智能、更高效的方向持续演进。

【课件分享】

【责任编辑：陈曦 版式：明超】