本章一句话:医疗 AI 不是"选个模型",而是"把 AI 安全地嵌进活的临床工作流、处理好 PHI";从病历质控、DRG 分组到临床文档自动化,FDE 在医疗的价值在于"合规前提下的真实临床赋能"。

12.1 医疗 AI 落地的特征与约束

医疗是 FDE 最"谨慎"的行业——因为出错可能影响生命和健康。理解医疗 FDE,先理解它的特征:

特征一:PHI(受保护健康信息)是红线 医疗数据含大量敏感个人信息(诊断、用药、基因),受《个人信息保护法》《数据安全法》、HIPAA(海外)等严格保护。数据不出院、脱敏、权限管控是硬约束。

特征二:嵌进临床工作流才算数 Teamvoy 指出:医疗 AI 实施意味着"把 AI 嵌进处理 PHI 的活的临床工作流",而不是在 demo 里选个模型。医生很忙、临床流程很紧,AI 要"无感"地融进现有工作流(HIS/EMR 系统),否则没人用。

特征三:强证据、可追溯 医疗决策关系生命,AI 必须有证据链、可追溯、可解释,"黑盒 AI"在医疗不可接受。

市场信号(2026)

• IBM Consulting 的 Forward Deployed Units(FDU) 特别强调适合医疗等高监管行业;
• Healthcare IT Today(2026.04)提出 FDCE(Forward-Deployed Context Engineering),医疗是核心场景;
• Keragon 列举医疗 AI Agent 真实用例:临床文档(clinical documentation)、预授权(prior authorization);
• Commure(医疗 AI 公司)FDE 驻场比例高达 50%——医疗 FDE 的现场性极强。

12.2 病历内涵质控:HIS/EMR 对接 + NER + 规则引擎

病历质控是医疗 FDE 的"基本盘"——三甲医院病历质控覆盖率往往 <30%,AI 能大幅提升。

场景痛点 三甲医院(如 1500 床、年出院 8 万人次),病历内涵质控靠质控员人工抽审,覆盖率低(<30%)、滞后(出院后才审)、标准不一。

FDE 落地方案(参考三甲典型方案)

• HIS/EMR 视图对接:建临床数据视图(诊断、手术、用药、检验、影像);
• 脱敏:病历文本脱敏后进 AI;
• 病历 NER(命名实体识别):提取诊断、手术、药品、检查等实体;
• 规则引擎质控:对照质控规则(逻辑性、完整性、一致性)自动审查;
• CHS-DRG 分组校验:见 12.3;
• 编码建议:辅助病案编码员给 ICD 编码。

技术要点

• NER 模型(医疗领域微调,如基于开源医疗 LLM);
• 规则引擎(Drools/自研)承载质控规则;
• 与 HIS/EMR 集成(HL7/FHIR 标准);
• 质控结果回流给医生/质控员。

价值:质控覆盖率从 <30% 提升到 ~90%(全量自动初筛 + 人工复核),质控前置到出院前,减少 DRG 亏损和纠纷。

12.3 DRG 分组与费用质控:CHS-DRG + ICD 编码

DRG(Diagnosis Related Groups,疾病诊断相关分组)是中国医保支付改革的核心——AI 在这的价值直接关系医院收入。

场景痛点

• DRG 按病例分组付费,分组取决于主诊断 + 手术 + 并发症的 ICD 编码;
• 编码不准 → 分组错误 → 医院亏钱(高编码漏报)或违规(低诊断高编码,被监管处罚);
• 病案编码员工作量大、易错。

FDE 落地方案

• CHS-DRG 分组器:对照国家 CHS-DRG 分组方案,自动校验分组;
• ICD-10 / ICD-9-CM-3 编码辅助:LLM 读病历,建议主诊断/手术编码;
• 费用质控:识别"高编/低编/漏编"风险;
• 盈亏分析:预测每个病例的 DRG 盈亏。

可照抄要点(DRG 校验核心逻辑):

输入:病历文本(主诊断、其他诊断、手术、并发症)
步骤1:NER 提取诊断与手术实体
步骤2:映射到 ICD-10(诊断)/ ICD-9-CM-3(手术)编码
步骤3:按 CHS-<abbr class="term" title="疾病诊断相关分组(医保支付)">DRG</abbr> 分组方案 → MDC → A<abbr class="term" title="疾病诊断相关分组(医保支付)">DRG</abbr> → <abbr class="term" title="疾病诊断相关分组(医保支付)">DRG</abbr>
步骤4:校验"主诊断与手术是否匹配、并发症是否影响分组"
步骤5:输出分组结果 + 盈亏预测 + 编码修正建议

合规要点

• 用真实标准(ICD-10、ICD-9-CM-3、CHS-DRG),不用杜撰;
• 数据不出院(私有化);
• 编码建议给编码员参考,最终人定(HITL)。

12.4 医学影像:AI 辅助诊断

医学影像是医疗 AI 最成熟的领域之一——但 FDE 的角色不是"造影像模型",而是"把影像 AI 嵌进放射科工作流"。

典型应用

• 肺结节筛查:CT 自动检测结节,提示放射科医生;
• 眼底筛查:糖尿病视网膜病变筛查;
• 病理 AI:辅助病理切片分析;
• 乳腺钼靶:早期筛查。

FDE 的角色 影像模型往往由专业医疗 AI 公司(联影、推想、数坤)提供,FDE 负责:

• 把模型对接进 PACS/RIS 系统;
• 处理影像数据流(DICOM 接入、预处理);
• 嵌进放射科医生阅片工作流;
• 建立监控(模型性能、漏诊/误诊追踪);
• 合规(三类医疗器械证、数据脱敏)。

12.5 临床文档自动化:把医生从文书里解放

临床文档自动化是医疗 FDE 的"高频痛点"场景——医生大量时间花在写病历/填表上,AI 能解放医生时间。

典型应用(Keragon 等真实用例)

• 临床文档(clinical documentation):AI 听诊/语音转病历草稿,医生审核;
• 预授权(prior authorization):AI 自动准备保险预授权材料,省去医生填表;
• 出院小结:自动生成出院摘要;
• 随访:自动生成随访计划与话术。

IBM FDU 在医疗 IBM 的 Forward Deployed Units 特别适合医疗——结构化交付、可审计、可追溯,满足医疗对"可靠性"的极致要求。FDU 把临床文档自动化这类场景,做成可复制的交付单元。

FDCE 在医疗(Healthcare IT Today) Forward-Deployed Context Engineering 在医疗的体现:FDE 把这家医院的具体病种、模板、规则、医生习惯"上下文化"进 AI,让通用模型变成"这家医院的临床助手"。

12.6 药企:药物研发与文献分析

药企是医疗 AI 的另一大客户——FDE 在药企的价值在"研发提效"。

典型应用

• 文献分析:LLM 读海量医学文献,提取靶点、化合物、临床数据;
• 药物重定位:AI 发现已有药物的新适应症;
• 临床试验匹配:AI 给患者匹配临床试验;
• 注册申报:自动化药品注册材料准备;
• 医药代表赋能:RAG 让医药代表快速回答医生问题。

12.7 医疗 FDE 的合规要点

医疗合规是 FDE 的"生死线":

• 数据不出院:私有化部署,病历数据绝不出医院;
• 脱敏:病历文本脱敏后再进 AI;
• 权限:严格的数据访问权限;
• 医疗器械合规:用于诊断的 AI 需三类医疗器械证(NMPA);
• 可追溯:所有 AI 辅助决策留痕;
• HITL:AI 仅辅助,最终决策由医生;
• 个保法/数安法:敏感个人信息特殊处理。

12.8 ROI 案例与数据

• 病历质控:覆盖率 <30%→~90%,质控前置减少 DRG 亏损(典型三甲年化 130—410 万人民币价值);
• DRG 编码辅助:编码准确率提升,减少高编/漏编损失;
• 临床文档:医生文书时间减少 30%—50%,产能释放;
• 影像筛查:早期发现,降低漏诊(社会价值巨大);
• 驻场强度:Commure FDE 驻场 50%,体现医疗 FDE 的现场依赖。

本章小结

• 医疗 FDE 特征:PHI 红线、嵌进临床工作流、强证据可追溯;
• 病历内涵质控:HIS/EMR 对接 + NER + 规则引擎,覆盖率 <30%→90%;
• DRG 分组与费用质控:CHS-DRG + ICD 编码辅助,直接关系医院收入;
• 医学影像:FDE 负责把影像 AI 嵌进放射科工作流,非造模型;
• 临床文档自动化:IBM FDU/FDCE 在医疗,解放医生文书时间;
• 药企:文献分析、药物重定位、临床试验匹配;
• 合规:数据不出院、脱敏、医疗器械证、HITL、个保法/数安法;
• ROI:质控千万级、文档提效 30%—50%。

本章来源:IBM Newsroom(FDU)、Healthcare IT Today《From Pilots to Production》(FDCE)、Teamvoy《AI Implementation in Healthcare》、Keragon《AI Agent Examples》、Commure(50% 驻场)、ICD-10/ICD-9-CM-3/CHS-DRG 标准、用户库《FDE落地方案_医院病历质控与DRG》。