訪溫醫大附一院，看醫療AI如何跨越最后一公里

（文/張志峰 編輯/周遠方）

剛剛走出溫州醫科大學附屬第一醫院（下稱“溫醫大附一院”）門診大樓，72歲的陳阿姨正通過手機查看AI剛剛生成的就醫導航。

對她而言，離開醫院并非這次就診的終止。醫生開具的營養處方已同步至物流系統，特醫食品將按需按時送到她家中，一個由AI驅動的居家管理計劃才剛剛啟動。

這個場景折射出醫療AI正從概念走向實際應用。

當技術公司與公立醫院深度協同，它們試圖解決的已不再是簡單的掛號難，而是醫療服務體系中更深層的連續性斷裂。

痛點位移

十多年前，溫醫大附一院曾以“流程再造”聞名業內，其推行的預約診療和診間結算一度成為行業標桿。但隨著醫療服務需求升級，單純依靠管理流程優化的邊際效應正在遞減。

盡管醫院智慧門診體系累計服務量已突破910萬人次，管理層卻敏銳地意識到，患者體驗的痛點正在發生位移。

溫州醫科大學副校長、溫醫大附一院黨委書記沈賢將此概括為，過去主要解決看病煩，現在要面對看病斷。

這個斷，指的是醫療服務在時空上的割裂。不少患者出院后陷入失訪境地，尤其是需要長期管理的慢病與營養風險人群，院外康復質量直接決定了最終治療效果，而這恰恰是傳統醫療模式的短板。

要縫合這種斷裂，臨床營養成為了一個極佳的切入點。它貫穿疾病治療始終，卻又是院外最易脫節的一環。

AI做大腦，供應鏈做手腳的全病程閉環

傳統認知中，營養支持雖重要，卻常因缺乏標準化工具而難以規模化。

過去營養篩查依賴醫生主觀判斷與紙質問卷，不僅耗時且易漏診，導致營養科常淪為邊緣科室。溫醫大附一院選擇利用AI重塑這一痛點，依托京東健康京醫千詢大模型，構建了覆蓋篩查、評估、診斷、治療、控管和宣教的全病程閉環系統。

該系統注入了超百萬篇專業文獻和數十萬真實病例數據，在醫生接診前即可自動完成病史采集和風險篩查。

從被動問診到“主動全覆蓋篩查”的轉變帶來了實質性改變，營養師從繁雜的基礎問診中解放，精力得以集中于關鍵決策。

據沈賢介紹，經歷了本輪AI重塑之后，全院營養風險篩查率接近100%，大量過去被忽視的隱性營養不良患者被AI精準找出。

找出風險僅是第一步，醫療AI真正的考驗在于院外。傳統模式下患者出院往往意味著服務終止，營養方案斷檔與無人隨訪是常態。

合作過程中，京東健康不僅充當技術提供商，更扮演了履約方角色。

當AI生成個性化營養方案，醫生完成審核決策后，處方一鍵流轉至京東物流，特醫食品按需送達；同時AI系統在出院后持續跟蹤指標變化并提醒復診。

在這里AI是做決策的大腦，供應鏈和物流是執行的手腳。

這種技術與供應鏈互補的模式，直擊醫療落地的核心難題，即依從性。當醫生建議能一鍵變為餐桌上的營養餐，當居家數據能實時回傳，醫療服務的連續性才真正從概念變為現實。

從被動接診到主動干預的理念升維

除了院內診療與院外履約，雙方合作還將觸角延伸至治未病。

在該院體重管理中心，一款名為“NICE”的綜合干預新模式正在運行，AI悄然改變醫療服務的底層邏輯。

45歲的李先生就是這一模式的受益者。在最近的年度體檢中，他的各項常規指標均處于臨界值以內，并未達到需藥物治療的程度。

若按傳統模式，他只會收到注意飲食的口頭醫囑。然而AI系統在比對歷次門診與體檢數據時敏銳捕捉到了危機，他的腰圍增速與胰島素抵抗趨勢符合代謝綜合征的高危特征，屬于典型的隱性肥胖。

系統自動將預警推送給體重管理中心，李先生隨之被納入NICE項目管理。AI不僅為他定制了精細化干預方案，還通過持續的體征監測防止其演變為真正的糖尿病患者。

這種從“等患者來”到“找患者去”的轉變，讓AI扮演了健康哨點的角色，通過早期干預降低疾病發生率，與國家層面的“以治病為中心”向“以健康為中心”的戰略轉變不謀而合。

跨越最后一公里的現實考量

溫醫大附一院的實踐展示了醫療AI深度落地的可能性，但要將這一模式從樣本推廣為行業標準，橫亙在前的最大壁壘并非算法精度，而是數據安全與合規。

醫療數據高度敏感，當海量臨床數據需要匯總并與外部商業物流鏈條打通時，隱私泄露的風險呈指數級上升。

溫醫大附一院選擇了一條最徹底但也最沉重的道路：自建AI超算中心。

據沈賢介紹，溫醫大附一院已在院區內部自建超算中心，耗資數千萬元，核心就是提供算力與保障數據的絕對安全和專業，“確保所有患者數據不出院門，大模型在本地完成訓練與推理”。

這種做法為數據安全上了一道最牢固的鎖，卻也引發了更深層的思考。

年營收逾百億的大型三甲醫院，其數千萬級的私有化部署投入具備行業領先性性。

但在全國約3000家三級醫院中，年收入破百億的僅占極少數，絕大多數醫院的信息化投入占年度營收比例不足1%，既無力承擔重資產私有化部署，也缺乏持續運維所需的技術團隊與預算空間。

這種財力與資源的結構性落差，決定了醫療AI的規模化滲透不可能依賴"統一標準"的復制邏輯，而必須依托分層供給體系：頭部醫院以深度共建模式承擔科研攻關與標準沉淀，將臨床驗證后的知識資產向下游輸出；腰部醫院通過SaaS租賃或輕量化本地化部署，以數十萬到百萬級的年付成本接入核心能力，將資本性支出轉化為可控的運營支出；基層醫療機構則依托區域醫療平臺與醫聯體共享中心，以"中心化建設、分布式使用"的模式間接享用AI能力，自身幾乎無需承擔邊際成本。

如何在數據安全與AI效率之間尋找更優解？

業內正在探索的隱私計算技術，或可提供一條更為靈活的中間路線。例如，采用聯邦學習架構，醫院將原始數據保留在本地，僅與云端大模型交換加密后的梯度參數，從而實現“數據可用不可見”。另一種思路是借助可信計算環境，在云端劃分出經過嚴格審計的加密“飛地”，供醫院在受控條件下調用外部算力。

結語

醫療AI的終局，不是在屏幕上給出一個冰冷的建議，而是通過技術加履約完成真實世界的干預。

溫醫大附一院樣本的意義，在于提供了一條可行性路徑。

但要讓這一模式惠及更廣泛的大眾，快速在橫向、縱向形成全國范圍內的可復制通道，仍需跨越重重山丘，這不僅是技術與供應鏈的功課，更是整個醫療體系需要共同作答的考卷。