大模型时代，医院IT工程师如何实现能力跃迁与职业转型

来源：HIT专家网  作者：郑西川

面对医疗信息数智化转型，特别是最近以大模型为基础的医疗AI应用，HIT工程师对职业发展陷入了焦虑状态。我们曾引以为傲的技能——HIS系统维护、数据库管理、网络布线、报表开发等，在云计算和外包服务普及的今天，正在快速贬值。

更严峻的，大模型时代带来的不仅是技术升级，更预示着HIT职业的逻辑重构。过去，HIT工作价值体现在保障系统7×24小时稳定运行，解决临床科室的软硬件故障。如今，医院管理层在关注“系统是否可用”的同时，更加关注“数据能否创造临床价值”。医院整体数字化转型，要求信息部门工作重点从基础设施建设转向“全程全域患者精细化管理智能体”等AI应用。不懂AI的HIT工程师，将逐渐沦为“数字时代的管道工”，在职业发展中面临淘汰困境。

危机中孕育着机遇。HIT工程师拥有得天独厚的实践平台——医院信息平台，这是HIT工程师实现职业跃迁的最佳训练场。熟悉HIS、LIS、PACS等系统的数据逻辑，理解临床业务流程，具备工程化落地能力——如何将这种优势转化为不可替代的职业竞争力？

职业转型的核心逻辑，不是抛弃现有岗位去外部学习，而是在工作实践中重新定义角色——从被动的系统维护者变为主动的临床科研协作者，在解决医院临床科研需求过程中，实现自我赋能、自我进化。

利用医院信息平台实现自我赋能

医院信息平台是HIT工程师最宝贵的资源。HIT工程师每天都在与平台上的数据打交道，这是成长为医学数据科学家的最佳实践环境。

1.从“数据提取工”到“科研数据架构师”

信息科与临床科室的数据协作一直处于两难困境。临床医生希望“提取最全的数据”，技术人员花费大量精力提取后，却因数据质量、结构问题无法满足科研预期，协作无疾而终。这种被动响应模式，既消耗精力，又难以积累核心能力。HIT工程师应主动打破这种低效循环。当临床科室提出科研需求时，不是立即执行提取操作，而是首先与医生共同分析科研目标，评估现有数据的质量、结构与数量是否支撑研究设计，据此形成可研性评估。这种共同建立从临床业务数据模型到科研数据模型的协作路径，既是摆脱数据提取“苦海”的出路，也是自我提升的捷径。

具体工作实践中，HIT工程师应注重建立以下工作路径：

深度参与科研设计。主动参与临床科研设计会议，了解研究终点指标、纳入排除标准、关键变量定义。基于对电子病历系统数据结构的熟悉，提出“哪些字段可直接从系统提取，哪些需要人工补充，哪些需要改造临床系统采集流程”的专业建议。

构建专病数据模型。信息部门与临床科室共同建立专病数据库的分级模型——L1（直接从业务系统采集）、L2（从平台共享数据引用）、L3（需临床经验判断与随访获取）。通过评估数据集字段构成，倒逼临床系统改造，提升数据质量。这种“共商共建共享”机制，能使信息部门相继建立临床科研主题数据模型，并在应用落地中起到重要作用。

建立数据完善机制。认识到“七分天注定，三分靠打拼”的数据现实，通过数据标准化治理、精准随访功能开发、多中心数据协作，建立数据的“生长机制”。这一过程就是数据治理、数据工程与临床知识融合的综合训练。

2.从“技术支持者”到“临床科研伙伴”

深度嵌入临床场景。打破“坐等派单”的工作模式，主动申请参与临床科室查房、病例讨论、质量分析会。站在医疗视角温故知新，之前抽象的IT内容便与医疗业务产生了映射关系。建议深入临床，观察医生的真实工作流程，记录可以被数据优化的环节。

建立临床协作网络。在目标科室寻找临床伙伴——对AI感兴趣的医生、护士。通过协助解决具体数据问题，建立信任关系，逐步升级为科研协作。例如，为心内科医生搭建“房颤患者队列研究数据库”，从电子病历自动提取人口学信息、病史、用药记录、检验结果、心电图数据，开发eCRF表单自动填充功能。

主导端到端科研数据项目。选择小而具体的临床问题，独立完成从需求分析、数据提取、清洗治理到分析支持的全流程。如开发“出院小结自动结构化与ICD编码推荐系统”，在实践中掌握NLP技术、知识图谱构建、数据脱敏等核心技能。

3.从“系统运维者”到“AI应用落地者”

医疗AI已进入大模型主导阶段，HIT工程师应主动在医院环境中探索应用。如：

智能数据提取。利用开源大模型（如DeepSeek）或API服务，开发针对病历文本的信息抽取工具。通过RAG（检索增强生成）技术构建专科知识库，实现从非结构化病历中自动提取诊断、手术、用药等实体信息。

科研数据助手。为临床医生开发基于大模型的科研辅助工具，如智能文献综述生成、研究方案优化建议、统计方法选择指导等。这些工具的开发过程，本身就是提示词工程、模型微调、应用部署的综合训练。

专病库智能管理。在专病数据库中引入AI功能，如自动识别异常值、智能数据质控、预测性数据补全等。

AI模型从实验室到临床部署存在巨大鸿沟，而这正是HIT工程师的强项：掌握FastAPI服务开发、Kubernetes编排、高并发架构设计等技能，将大模型应用封装为稳定、安全、可扩展的临床系统模块。“既懂算法又懂工程”的复合能力，是医学数据科学家的核心竞争力。

在工作实践中实现能力跃迁

职业转型不是脱离岗位的抽象学习，而是在解决实际问题中，逐步实现知识重构与角色升级。

1.工作内容策略调整

从被动运维转向主动数据服务。主动识别临床科室的数据痛点，提供“数据即服务”。例如，为临床科室提供“基于临床数据中心的科研数据自动汇聚服务”，将手工数据整理工作时长缩短。这种服务不仅积累数据工程实战经验，更建立跨部门协作关系。

争取参与AI项目机会。在医院启动大模型应用、智慧医院升级等项目时，主动申请加入项目组。即使只承担数据准备或系统对接工作，也可借此机会学习算法团队的建模思路，观察产品团队的临床验证方法。关键是在项目中承担“翻译者”角色——将医生的临床需求转化为技术语言，将算法团队的结果解释给医生。

建立微创新机制。不需要等待大型项目，从日常工作中发现医工结合点。例如：为病案室开发“病历内涵质控AI助手”，自动检测病程记录的完整性、逻辑一致性；为药剂科构建“抗菌药物使用强度监测模型”，从电子病历自动提取用药指征、疗程、疗效评估；为医务部设计“医疗质量指标预测模型”，预测重点科室的感染发生率、再入院风险等。这些项目周期短、见效快，既能解决实际问题，又能在实践中掌握机器学习、数据可视化、前端开发等技能。

2.学习生态的自我构建

“做中学”的项目驱动模式。选择开源医疗AI项目（如Hugging Face医疗模型）进行复现与改进，将成果应用到医院实际场景中。通过GitHub展示项目代码，建立技术影响力。

建立自己的知识结构。在广度上，持续关注医疗AI前沿动态，在深度上，选择细分方向（如临床NLP、医学影像AI、生物信息学）进行深度学习，形成专业壁垒。

跨领域社交网络的构建。加入医疗AI社群，参加线上线下技术沙龙。这种跨界网络是获取机会与信息的关键。

3.职业风险的规避

避免“半吊子”陷阱。转型不是简单叠加技能，而是建立新的能力体系。应在特定方向（如临床数据分析、NLP）达到一定深度，再横向扩展。

警惕“技术至上”误区。医疗AI的核心是临床价值，而非算法复杂度。避免沉迷于追求最新模型架构，而忽视临床可用性。始终问自己：这个模型解决了什么临床问题？医生愿意用吗？能够改善患者结局吗？能够帮助管理层改善管理吗？

职业转型路径探讨

在实际工作中的持续积累，HIT工程师将逐步具备医学数据科学家的核心能力，并可能实现如下职业转型路径：

1.院内发展：从工程师到数据科学负责人

随着医院数字化转型深入，越来越多的医院设立大数据中心、人工智能办公室等部门，以及数字医疗首席专家等岗位。凭借在科研协作中积累的项目经验与临床信任，HIT工程师可竞聘这些岗位。还可通过发表高质量论文、申请专利、主导重大科研项目，打造个人专业品牌，建立院内影响力。例如，将临床科研成果转化为共同作者或通讯作者的学术论文，参与医院重点专科的数字化建设，成为数据价值创造者。

2.产业界转型：从医院到AI企业

HIT工程师在实际工作中积累的“临床-技术-工程”复合能力，正是医疗AI企业急需的。可加入头部企业担任医学数据科学家，或进入互联网医疗平台负责数据智能产品。

3.学术深造：从实践到理论的升华

选择数据科学、生物统计学、生物医学信息学方向的在职研究生或专业硕士，将工作中的实际问题转化为研究课题。这种“工学结合”模式，既提升理论水平，又不脱离实践环境。

综上所述，大模型时代对于HIT工程师而言，既是职业危机，也是价值重估的契机。希望HIT工程师能保持自我重构的勇气与持续学习的热情，立足医院信息平台，深耕医工结合实践，在医学与数据的交叉地带开辟HIT职业新大陆。未来的医疗AI创新，将由那些既懂代码又懂临床、既能建模又能落地的复合型人才主导，这正是HIT工程师的进化方向。

【作者简介】

郑西川，上海交通大学附属第六人民医院计算机中心教授级高工。上海交通大学医学院生物医学工程专业硕士研究生导师，苏州大学放射医学与公共卫生学院生物医学工程专业硕士研究生导师。中国医院协会信息专业委员会（CHIMA）委员，中国医药信息学会（CMIA）委员，上海市医院协会信息管理专业委员会委员，中国医药信息学会上海分会常委，中国生物医药技术协会医药信息分会常委，《医疗卫生装备》杂志特约审稿专家。

研究方向：①基于PACS电子病历的临床信息共享；②HL7/XML电子转诊相关技术及应用研究；③区域临床信息共享及协同医疗信息技术研究；④数字化医院的相关标准及实现技术。近年来，先后承担上海市“十一五”重大科技项目、上海市科委自然科学基金项目、上海市经济信息委信息化专项基金以及院级课题多项。发表论文40余篇。

【责任编辑：陈曦】