医疗大模型，集体下沉

基层医疗与大模型的适配度有多高？基层医疗医患、院管的用户真实反馈又是如何？动脉网与盖睿科技、华美浩联、卫美健康、卫宁健康（首字母排序）四家已布局基层医疗大模型应用的创新企业聊了聊，供行业参考。

本文主要观点如下：

面对医疗资源分布不均衡、基层医生数量短缺及慢性病防治严峻等形势，以大模型为代表的人工智能技术发挥效能，为我国基层医疗卫生服务"提质增效"提供了创新解决方案。

综合多位采访对象反馈，大模型在基层医疗落地的场景包括AI智能分诊和辅助诊断、病历自动生成及质控、患者个性化管理、公共卫生服务等。此外，AI健康监测与智能穿戴设备的配合，在乡镇卫生院及对无保护老人的医疗健康管理中也发挥着重要作用。

其中，AI辅助诊断被认为是落地速度最快的场景之一。基于基层的诊疗能力薄弱、技术资源匮乏等现实困境，大模型产品能快速解析患者主诉、生成初步诊断建议，尤其适用于基层多发的常见病和慢性病诊断。

卫美健康联合创始人王军补充到，病历自动生成与质控在基层县域的推广效果也比较好，“基层医生多处于见习阶段，病例生成和书写质量欠佳，且在DRG和DIP医保控费背景下，AI助力病历自动生成和质控可帮助医生规避医保扣费风险。”

“大模型技术在患者个性化管理方面也取得了显著反馈。”卫宁健康区域卫生研发中心总经理郝忠华表示，通过分析居民健康状况，提供定制化慢病管理方案或健康教育内容，经医生确认后发送给居民，能有效减轻医生负担，增强居民的健康获得感。

盖睿科技副总裁、基础医疗AI大模型项目专家魏群表示：基层医疗大模型可从医生、患者和院管三方面助力提质增效，帮助他们做应该做但低意愿做的（增效），以及做不了但技术能做（提质）的事情。患者预问诊、病历自动书写和质控、合理用药、诊后随访管理、慢病管理方案等功能的落地效果已有显著进展。 不过，“大模型若是能在诊疗方案、慢病管理方面提供更全面、更个性化的建议与方案，用户会更加青睐。”

华美浩联AI研发总监吴雷则分享了大模型在基层医疗成本控制方面的价值。大模型在基层医疗的深入应用不仅重构了诊疗流程，还从多个维度压缩了医疗成本。如患者因基层诊疗精准度提升，转诊分诊需求减少，直接降低了就医经济负担；医生端通过AI辅助弥补全科与专科诊疗经验盲区，误诊率下降，也能带动重复检查、重复用药等无效医疗支出锐减。

受访对象们还补充到，公卫也是基层医生的一大工作内容。AI技术通过自动化随访、档案质控等应用功能，将基层医生从重复性公卫事务中解放，也能显著提升基层公卫服务的覆盖质量与执行效率，对于大模型提质增效的反馈会更加明显。

从根本上来看，“提质增效”是医疗大模型存在的重要价值。因此评价一款大模型在场景中的好坏，还是得看它实际的应用能力。吴雷分享了以下维度，来衡量大模型对基层医疗的赋能效果。

从短期来看，可观察医疗诊疗效率和质量。如通过转诊率误诊率下降、分诊准确率评估大模型赋能效率；监测基层医疗中常见病与慢病管理的覆盖数据变化，以及公卫随访任务完成率、健康档案完成率等参数，观察大模型对区域医疗质量提升的价值。

将观察周期拉长，可看区域性人群健康结果。如区域诊疗成本、医疗系统运维成本的下降比例，医保报销比例及自费比例变化，慢病控制率是否提升，以及区域地方病发病率下降等。

2025年开年以来，Deepseek爆发出圈，企业、医院纷纷宣布部署，期待通过这一技术加速智能化转型。但现实远比想象中复杂，实际落地进程不免呈现“理想丰满、现实骨感”的困境。在基层医疗环节，核心矛盾集中在技术适配、业务融合与资源支撑三大维度。

首先，大模型的基础设施建设，受到算力算法与数据的多重掣肘。在算力端，基层医疗机构资源与资金有限，普遍缺乏自建超算中心或高性能本地服务器集群的硬件条件，较依赖云端部署，在一定程度上存在实时响应、延迟、系统稳定性不足的问题，会直接影响到诊疗体验连贯性。

从数据和算法角度看，基层医疗数据呈现质量不均、分布较为松散、标准化低等特征，且数据清洗成本高。因此，一些大模型会选用三甲医院数据进行训练，但这一做法会与基层高发慢病、常见病特征产生数据错配，一定程度上会导致大模型在基层场景中“水土不服”，泛化能力低，辅助诊疗不够精准。

其次，大模型的幻觉、可解释性差等问题，让身处严肃医疗领域的基层医疗大模型面临更高要求。大模型普遍采用的Transformer架构（大型神经网络架构），可以在数据中自动捕捉和学习图像的各种特征，拥有强大的学习能力，能捕捉复杂的事物特征。相较于大型医院，基层诊疗能力相对薄弱。AI对于基层医生是赋能和补充工具，需要更高的准确性和可靠性，这要求基层医疗大模型需要将幻觉问题的影响降到最低。

然后是技术与业务的供需错位。当前行业在一定程度上存在"技术先行，需求滞后"的错位现象——从业者更多思考"大模型能做什么"，而非"基层实际需要什么"。相较于一二线城市的大型医院，基层医疗的临床需求主要关注多发病、常见病和居民健康，致力于解决普惠性医疗问题。在基层医疗中，大模型需要与临床业务和信息化系统进行深度适配，目前这方面的探索还不够充分。

最后是资源支持的问题。大模型应用技术门槛高，基层若缺乏AI平台能力，模型开发与微调工具，落地便举步维艰。此外，基层数据、算法等专业人才稀缺，工程经验不足，进一步加剧了落地难度。此外，当前AI技术在法律法规层面仍存在诸多不足，如大模型应用的规范、数据的管理以及医疗责任的规避与划分等问题，均需进一步完善相关法律法规。

同时，医生需要将大模型视为平等的合作伙伴，而不是盲目依赖其输出结果。因此，推动AI在基层医疗领域的健康发展，不仅需要技术的持续进步，更需要一个市场教育的过程，以消除公众的疑虑并增进理解。

在人工智能技术向基层医疗渗透的过程中，大模型的部署方式成为决定技术效能释放的关键变量。面对基层医疗机构算力薄弱、数据分散、运维能力不足的普遍挑战，卫美健康、盖睿科技与卫宁健康三家企业分别探索出了具有场景适配性的解决方案。需要注意的是，部署方式需要结合实际场景和用户需求，并不代表企业仅支持这一类部署方式。

卫美健康认为一体机部署方式与基层医疗契合度较高，开箱即用且可针对不同应用场景提供不同算力。目前，卫美健康通过整合国产算力与经典大模型（如部署70B参数模型），向基层提供开箱即用的硬件设备，降低对高性能服务器的依赖，重点支持辅助诊断、病历质控等基层医疗核心需求。

第二类是与医共体牵头医院或卫健委合作，统一本地化部署大模型，基层医疗机构可采用租户模式开箱即用。盖睿科技分享了这种模式的三大优势：一是提供RAG知识库与数据标注工具，支持模型持续进化；二是建立双重质控体系，既审核病历数据质量，也通过全程审计跟踪验证大模型输出结果的可靠性，辅助用药决策；三是针对基层常见病需求优化模型，可深度嵌入HIS系统提升诊疗效率。

第三类则是由政府统筹共建。卫宁健康表示，大模型部署的技术成本、算力成本和后期维护成本较高，建议借助政务统一资源规划，由政府部门牵头，多个委办局共享AI能力，通过大数据局统一调控和规划。例如宁夏、山东青岛等地由政府大数据局牵头，统一规划AI算力，卫健委更多是使用和消费的角色，数据安全也更容易保障。卫宁健康还提到，有些场景不一定要本地化部署，比如健康问答这类对数据安全不敏感的场景，做好数据脱敏后，可直接使用公有云资源。

最后，我们来谈一下关于大模型的付费问题。目前，大模型产品的付费方式主要有三种：政府财政买单、医院自主买单以及企业生态共建。

政府是基层医疗大模型产品的主要付费对象。国家卫健委发布的《卫生健康行业人工智能应用场景参考指引》，以及北京、河南等地相继推出的《“人工智能+”行动计划》，为基层医疗引入大模型提供了方向支持和政策红利。企业也提供了一次性买断、按项目购买或按年付费等多种付费方案，以满足不同场景需求。

若客户不愿付费，则说明产品价值尚未充分体现。长期来看，大模型产品若能深度融入医疗流程，解决核心痛点，提质增效降本作用更明显，客户将更愿意持续付费。除政府外，医共体单位与基层医疗机构也在进行采购成本转移，或通过医保付费等方式实现。

目前，已有一些大三甲医院在主动采购医疗大模型产品了。公开资料搜索，仅在3月，上海交大医学院附属新华医院、常州市第一人民医院、宝鸡市中心医院、绍兴市人民医院、南皮县人民医院皆发布了医疗大模型采购意向，预算金额最高达480万元。

还有一些创新付费新模式在涌现。如华美浩联以B2B2C模式探索新路径，通过企业端触达基层医疗机构，构建健康管理服务商品化通道。

事实上，AI在医疗领域的应用，更多地是扮演辅助性角色，而非完全替代人类医生。AI能够高效处理大量数据、提供精准分析，但医疗决策中的核心判断仍需依赖人类医生的经验和智慧。这一特性与历史上诸多医疗技术的革新过程相似，初期往往伴随着误解与疑虑，但随着技术的成熟与普及，最终得以广泛应用并造福人类。