2025年初，隨著DeepSeek的廣泛應用，人工智能醫院建設進入快速增長階段。根據截至3月第一周的不完全統計，全國已有超過100家三級醫院部署DeepSeek，其普及速度遠超當年互聯網醫院建設。

　　長期以來，傳統人工智能(AI)在醫療領域的應用受限于技術和數據質量瓶頸，包括數據質量和結構化程度不足、標準不統一、實施成本高昂，以及數據隱私和安全風險(特別是涉及國外數據庫和算法)。DeepSeek通過開源策略顯著降低了采用成本，私有化部署有效緩解了數據安全顧慮，而生成式AI(GenAI)技術對歷史數據結構化的較低要求，使其在院內臨床、管理及患者服務等場景的應用潛力遠超傳統非生成式AI。這是此次部署熱潮的核心驅動因素。

　　筆者認為，2025年將是醫療行業智能化需求的集中爆發年，然而DeepSeek在國內頭部醫院的快速部署也暴露了醫療信息化行業的三大結構性矛盾。這些矛盾不僅是當前挑戰，也是未來推動行業長期健康破題發展的關鍵。

矛盾1: 傳統醫院組織與技術革命沖突

　　AI醫院建設的成功依賴于業務成熟度、管理成熟度和技術成熟度的協同匹配。然而，作為傳統行業的醫院，其業務流程和組織結構長期固化，適應新技術帶來的變革面臨顯著挑戰。

　　破局路徑：

　　首先，醫院的業務需要經歷深刻重構。醫院服務體系經過多年發展，已形成相對穩定的模式。引入AI需要重新設計工作流程，不僅涉及技術層面的調整，還需跨部門協作以實現跨學科融合。例如，AI應用的有效實施依賴醫生、護士和技術人員的密切配合，但傳統醫院以科室為界的組織結構往往導致溝通效率低下，阻礙協作。更進一步，AI引入不僅是技術升級，更是對管理理念和組織文化的深層變革。醫院需要建立開放創新的文化氛圍，鼓勵員工接受和適應新技術。然而，這一過程需要時間和強有力的領導支持。傳統醫院對流程變更的接受度較低，文化慣性構成顯著阻力。

　　其次，醫護團隊核心技能的再培養。在AI時代，醫療機構需從組織能力建設層面培養適應未來醫療場景的醫護人員。這要求重新定義醫生的核心勝任能力，并推動醫療教育體系的相應變革。例如提升數據對話能力。醫生需具備與智能體協同工作的能力，這要求更強的數據分析和解讀能力，以有效處理AI輔助生成的患者數據。增加吸納跨學科知識。AI應用涉及計算機科學、數學和統計學等領域，醫生需掌握跨學科技能，與技術人員合作推動應用落地。教育改革：傳統醫療教育聚焦醫學知識和臨床技能，未來需增設AI技術與數據分析課程，培養兼具技術與醫療素養的復合型人才。

矛盾2: 技術快速發展與治理相對滯后

　　AI在醫療領域的快速發展已超出現有法規的覆蓋范圍，帶來了數據隱私與安全、監管難度以及市場準入不確定性等風險。

　　破局路徑：

　　首先，數據隱私與安全。AI系統需處理海量患者數據，但現行法律框架對數據保護的力度不足，可能引發數據泄露或濫用風險。新技術也帶了監管難度的提升。AI技術的快速迭代使傳統醫療監管模式難以跟進，導致監管盲區。還有市場準入不確定性。由于缺乏明確的法規指引，AI醫院在資質認證、市場準入和質量監管方面面臨不確定性，增加了運營成本并可能削弱患者信任。

　　政府需要在強監管限制行業創新(歐盟的教訓)與弱監管導致劣幣驅逐良幣(美國未來面臨的潛在風險)之間平衡。政府應加速制定和完善AI醫療應用的法律法規，明確數據隱私保護標準、AI醫療器械的審批流程以及服務質量的監管要求。積極建立行業標準，通過行業協會與醫療機構應協作制定AI醫療應用的技術規范和倫理準則，確保技術的安全性、有效性和合規性。監管機構需深化對AI技術的理解，采用靈活的監管模式(如監管沙盒)，以適應技術快速發展的需求。在全球地緣政治日益復雜的現狀下，仍要促進國家間的合作，借鑒國際經驗，與國際組織加強協作，共同應對AI醫療應用的全球性挑戰。

矛盾3: 數據質量與醫療可靠性要求斷層

　　高質量數據是提升AI模型準確性和可靠性的關鍵基礎，因此數據治理和質量提升應成為AI醫院建設的核心環節，而當前醫療行業的中文數據質量難以滿足生成式AI模型的高精度需求。數據準確性、完整性和一致性不足成為制約GenAI創造可靠、可信、一致性的醫療診療方案的主要瓶頸。

　　首要的問題是數據來源質量缺陷。公共互聯網醫療相關數據來源分散，包含大量以營銷為目的的不實信息。不同醫療機構的私域數據格式和標準不統一，形成“數據孤島”，增大了數據整合難度。同時，院內數據常存在標注不規范、清洗不徹底等問題，嚴重限制了數據的可用性。低質量數據直接影響AI模型的生成結果可靠性。

　　破局路徑：

　　建議各醫院仍需完善數據治理，建立規范的數據治理體系，涵蓋數據采集、清洗、標注和存儲的標準流程，以確保數據的準確性和一致性。衛生主管部門、醫保機構要促進構建數據共享機制。通過跨機構的數據共享平臺打破“數據孤島”，促進數據的整合與高效利用。還要持續發展技術提升數據質量，如采用先進的自然語言處理(NLP)技術對醫療文本數據進行結構化和標準化處理，提升數據可用性。

總結與展望

　　生成式AI與醫療服務的融合是技術重構服務體系的重大機遇，有助于提升醫療服務的可及性和質量，縮小因地理和經濟因素導致的醫療不平等。只有解決上述三大矛盾——傳統醫院組織與技術革命沖突、技術快速發展與治理相對滯后、數據質量與醫療可靠性要求斷層，GenAI醫院建設有望實現可持續發展，為患者和社會帶來更大價值。

　　作者簡介

　　張琨，美國約翰斯霍普金斯公共衛生管理博士，英國Warwick University醫學院醫學信息學碩士及北京大學臨床醫學學士。原麥肯錫中國區醫療行業核心領導團隊成員。曾在華潤、新世紀及春雨醫生等行業知名企業擔任高級管理職務，并在埃森哲、IBM等企業負責醫療行業咨詢業務。中國信息協會醫療衛生與健康產業分會副會長。已發表數十篇學術文章，及數百篇管理評論在公眾號“張琨隨筆”。