江门市中心医院：让“藏”在诊疗数据里的患者被精准找回来

来源：HIT专家网 作者：陈宇聪、王耿彬

在每一家大型医院，都有这样一批“藏起来”的患者：他们本该被持续关注，却游离在规范管理的视线之外，慢病患者没有及时纳入长期随访，早筛高危人群错过了干预窗口，符合临床试验入组条件的患者与项目擦肩而过……他们的线索，其实早已存在于诊断名称、检验指标、检查报告和病历文字里，只是散落在不同的科室、不同的信息系统，始终没有被“连”起来。

这是医院管理中长期存在的共性难题：如何从海量、分散的诊疗数据中，把“该被找到的人”精准地找出来？

最近，笔者所在江门市中心医院医疗大数据与人工智能临床转化中心交出了一份答卷——医疗对象智能定位管理系统（Medical Individual Intelligent Positioning Platform ，简称MIPP）。该平台（图1所示为登录界面）建设的目标是通过设置自动排查规则，用AI大模型读懂藏在全院海量诊断、检验、检查、病历等数据中的线索，并精准推送到相应的专科管理人员手中。

我们构建的是一个可覆盖全院、全病种的平台。在上线阶段，我们选择肝炎及相关肝病作为首个落地场景，作为验证平台能力的试金石。

那些“找不到的患者”

“精准找人”，说起来容易，做起来难。以肝硬化、肝癌高危人群为例，他们需要长期监测、规范治疗、定期筛查，但现实是，很多患者并不会主动挂对应专科的号——他们可能因为消化道不适去了消化内科，因为代谢问题去了内分泌科，因为突发不适匆匆进了急诊。

疾病的线索散落在全院各个角落，比如诊断里的一句“病毒性肝炎”，检验单上一个异常的“表面抗原”，彩超报告里的“肝脏回声增粗”，病历里一笔带过的“既往病史”。过去，这些线索要靠人去找。专科管理人员要么坐等患者上门，要么定期人工翻报表、查数据、比对指标，但大量线索藏在病历、检查报告等非结构化文字里，靠手工逐份翻阅，几乎是不可能完成的任务。

同样的困境，也发生在慢病随访、早癌筛查、GCP受试者招募等主动找人的场景里。一边是患者“找不到”，一边是医生“筛不动”，而这正是我们要解决的核心矛盾。

打造“规则引擎+大模型+人工复核”的铁三角

面对“找不到”的难题，我们给出了一个三层协同的解法：规则引擎初筛、医疗大模型语义增强、专科人工确认。

规则引擎，是硬性指标的过滤器。它按照既定的医学规则，对诊断编码、检验指标、检查结论这些结构清晰的信号做第一轮筛查。以肝病为例，乙肝表面抗原阳性、转氨酶异常、乙型病毒性肝炎诊断等硬性指标，通常具有规范格式，只要符合规则，就会被系统精准捞出来。规则是透明的、可解释的，每一步命中都能说清楚“为什么”。

大模型，是读得懂检查与病历内容的翻译官。很多线索藏在检查报告、病历的叙述文字里，如“肝脏回声欠均匀”“既往有乙肝病史”。这些非结构化且不规范的文字描述，正是大模型的用武之地。它能从字里行间抽取相关的语义线索和证据片段，把藏在文字里的信号翻译成“可复核的提示”。规则引擎踩不准的坑，如“未见脂肪肝”“脂肪肝已消失”这类描述，不会因文字表述的差异而漏掉或错判。

专科人工确认，是最后一道把关。大模型再聪明，也只是给出建议，不能直接下结论。系统把可疑对象推送给相应的专科团队，由专业医生最终确认是否纳入管理。

有人或许会问：让大模型直接给出结论，岂不更快？答案是：不能。医疗场景中，“快”必须以“对”和“安全”为底线。大模型擅长从非结构化文本中挖掘线索，而非替代医生做判断。若直接交由模型下结论，可能因数据偏差或表述歧义产生误判，也将医生排除在决策链路之外。因此，我们让三者各司其职：规则引擎守住确定性边界，大模型打捞文字信号，医生最终把关、复核确认。这套分工既避免了规则漏筛，也防止了AI误报给临床增添负担。

从“发现”到“随访”的完整闭环

MIPP平台建立在一条完整的业务闭环之上，覆盖“发现—判断—确认—入队—随访—反馈”六个环节，系含如下主要功能。

一键初筛，自动“捞人”。如图2所示，系统按设定周期，自动同步HIS、EMR、LIS、PACS等系统中的诊断、检验、检查数据，规则引擎随即完成初筛，输出确定患者清单和命中依据。

AI加持，读懂文字线索。如图3所示，对命中的疑似对象，大模型进一步分析病历文本、检查结论和就诊上下文，输出纳管建议、证据片段和风险提示，让医生一眼看清“这个患者为什么被标记”。

智能匹配，主动提醒。医生工作站安装智能识别模块，接诊时自动比对当前患者是否在MIPP队列中。一旦命中，电脑端弹窗提醒，医生即可随时掌握入组患者的恢复动态，随访跟踪自然融入日常诊疗流程。

入队随访，闭环管理。如图4所示，确认后的患者被正式纳入专病队列，系统自动生成周期随访任务。AI助手通过微信、短信发送智能提醒，若“消息未读”则升级为个案管理师电话提醒。随访全程线上记录，执行情况实时可查，每一次提醒、每一次联系、每一次反馈，都沉淀为患者的连续管理档案，形成从“入队”到“随访”再到“记录归档”的完整闭环。

从数据进来，到患者进队列，再到随访落实，每个环节都有迹可循、有人负责，这才是专病管理该有的样子。

医工协同，让系统更快落地

在设计之外，这套平台本身的开发过程，也是一次医工协同的实践。

过去，一套跨系统的专病管理平台，从需求调研到上线动辄数月甚至更久。这一次我们改变了打法，组建了院内自己的技术团队。这群人既懂医疗业务逻辑，又熟悉本院的信息流与数据流向，能直接把临床专家的诉求翻译成系统设计，省去了外部团队进场后“先摸底三个月”的磨合成本。临床专家与工程师坐在一起（图5），把“规则怎么定、线索怎么判、流程怎么走”这些问题在前期就讲透、固化。

我们仅用了2个月，就完成了MIPP从立项到上线的全过程，临床需求也被更精准地落地实现。此外，该平台与大模型均部署在医院内网，患者数据全程不出院，并严格遵循《个人信息保护法》等法规要求。数据安全与隐私合规，始终是医疗信息系统不可逾越的底线。

系统成效看得见

系统好不好，数据说了算。自2026年6月上线运行以来，在首个落地场景“肝炎专病管理”，MIPP已上线乙肝、丙肝、脂肪肝、肝硬化四个病种，累计8046名肝病患者入组，被纳入持续、规范的患者管理视野；系统主动发出复诊提醒2815人次，其中289名患者重新回到规范随访轨道。

这些“被找回来”的患者，得以尽早接受规范的抗病毒治疗和随访管理，既延缓了疾病进展，也降低了未来发生肝硬化、肝癌等严重并发症的风险。专病队列的形成，也为后续的科研、质量改进和精细化管理打下了扎实的数据基础。

肝病场景的成功，只是一个起点。MIPP系统真正的价值，在于它沉淀出的，是一套“病种可配置、规则可扩展、科室可复制”的通用患者定位能力底座。

对全院各科室、各病种而言，类似肝癌、糖尿病、肿瘤早筛、慢性肾病这类“跨科分布、线索分散、需要持续随访”的专病场景，只需要替换对应的医学规则库与知识库，就能快速复制这套打法。

对GCP临床试验而言，MIPP系统的能力天然适配，它能在全院海量病历中，按入组与排除标准精准筛选、自动初筛符合条件的受试者，显著缩短招募周期、降低招募成本。

对医院整体运营而言，当“主动发现、精准找人”从单个病种走向全院，带来的就不再只是某一个科室的效率提升，而是全院的人力释放、资源优化与数据资产的系统性沉淀。

【作者简介】

陈宇聪，任职于江门市中心医院医疗大数据与人工智能临床转化中心。从事医疗人工智能、医院信息化建设方面工作。获软件著作权3项，发表相关专业论文5篇，SCI论文2篇，主持与参与多项人工智能项目。

王耿彬，任职于江门市中心医院医疗大数据与人工智能临床转化中心。医疗信息化领域从业十年，负责医疗大数据与人工智能相关系统开发，熟悉医疗业务流程。获软件著作权8项，主持及参与多项软件开发项目。

【责任编辑：陈曦 版式：蒙辉】