作者金旺医疗AI一直是大模型最受关注、最难落地的行业之一。一边是迅速增加的医疗问答、报告生成、影像识别和辅助诊断产品另一边真正走进医院诊室、影响医生决策的大模型仍然不多。其中的原因并不复杂普通大模型答错一道题用户或许只需要重新提问医疗大模型如果判断错一个病例面对的却可能是患者安全和医疗责任。模型能不能回答医学问题只是医疗AI进入临床的起点真正的问题是它能否理解复杂病例能否说明判断依据能否在临床使用中持续更新在WAIC 2026期间我们看到了首都医科大学附属北京安贞医院高血压中心与中国电子云联合打造的高血压诊疗大模型。从高血压专病大模型起步如今北京安贞医院高血压中心已经逐渐搭建起覆盖门诊、住院、院外监测、随访和转诊的全病程管理平台。这套名为Idiom Hypertension的中西医结合高血压诊疗大模型并不满足于做一个医学问答工具而是包括高质量数据集、专病模型、智能体和专家知识库在内的一套专病服务系统。就在大模型热潮来袭的第五年在北京安贞医院高血压中心医疗AI开始走出聊天框进入到了临床服务的核心流程。01 高血压为何成了医疗AI第一个临床考场医疗AI经常面对一个看似矛盾的要求医院希望基于它提高效率却又不能因为追求效率牺牲诊疗质量希望它学习专家经验却又不能让模型变成无法解释的黑箱希望它不断迭代却又需要同时必须确保敏感医疗数据的安全。首都医科大学附属北京安贞医院高血压中心主任程文立将临床对AI的要求概括为五点安全性、有效性、可解释性、合规性以及长期可持续的更新和迭代。这五点意味着医疗大模型很难完全照搬通用大模型的发展路径。通用大模型可以先上线再通过用户反馈不断修正医疗大模型在进入真实诊疗之前就必须经过更严格的验证。这也是为什么安贞医院与中国电子云首先选择了高血压。相关统计数据显示我国18岁及以上居民高血压患病率为27.5%患者约2.45亿人与此同时高血压也是导致冠心病、脑卒中等心血管疾病和死亡的主要原因之一。程文立教授告诉我们我国高血压患者的知晓率51.6%和治疗率为45.8%控制率只有16.8%这意味着患者数量庞大与规范诊疗能力不足同时存在。这样的压力最终会传导到医院和医生身上。据程文立教授介绍安贞医院高血压中心的诊疗技术水平较高、深得患者信赖日门诊负荷也比较大医生需要在有限时间内完成评估、诊断和治疗。如果能把高血压诊治的规范与临床经验与AI结合形成智能化的大模型减轻医生负荷又能辅助提高基层医生诊疗能力将有助于改善高血压疾病的临床诊治。高血压恰好为医疗AI提供了一块足够真实的试验场患者规模大基层需求强诊疗指南和风险分层相对清晰又需要长期随访和持续管理。正因如此2025年9月安贞医院与中国电子云组建联合团队开始推进高血压专病诊疗大模型的研发。在这个特殊的联合团队中一半是临床专家和医生一半是算法工程师临床团队提出诊疗需求解释指南、共识和病例算法团队不断学习医学知识并把原始数据治理成模型可以训练的语料。在这个过程中不是某个算法参数而是医学知识和AI技术之间的“翻译”问题。算法工程师知道怎样训练模型却不能独立判断模型给出的医学答案是否正确医生能够判断对错却不了解怎样调整模型因而双方往往需要围绕同一个病例不断往返模型哪里错了正确答案是什么应该增加哪些样本下一轮又该怎样验证。在此基础上这一项目将100多个国内外指南和共识纳入到了高血压专病诊疗大模型中模型面对一个病例时不只会给出结论还会解释依据。例如一位患者的血压是180/100mmHg这样的血压属于哪一级、处于什么危险程度是否需要进行继发性高血压筛查是否需要立即干预长期治疗又有哪些方案针对这些问题模型需要依照指南给出推荐并把第一、第二、第三选择及其理由呈现给医生。据程文立教授介绍在现阶段验证过程中基层医生借助模型形成的诊疗结果与安贞医院高血压中心专家意见的符合率达到96%用时约6秒。02 从6秒诊疗到全病程管理医疗AI嵌入全服务流程如果项目只追求一次诊断的速度和符合率它依然只是一个更专业的辅助诊断工具。但高血压是一种需要长期管理的慢性病患者走出诊室后还涉及按时服药、院外血压监测、生活方式干预、复诊、并发症风险识别和上下级医院转诊。一次正确的诊断并不等于完成了疾病管理这也是这个项目会从高血压诊疗大模型走向全病程管理平台的原因。程文立教授介绍Idiom平台集合了AI引擎、本体引擎、数据引擎、业务引擎、科研引擎和运维引擎具体落到医院中对应的是门诊诊疗、病房治疗、出院随访、院外血压监测、风险回流、数据沉淀和模型迭代整体服务链路。患者在中心医院完成诊疗后回到基层医院接受长期管理基层医生发现高风险或复杂病例可以向上转诊患者病情稳定后又可以回到基层继续随访模型在这个过程中提供知识和决策支持平台则把不同层级的医院、医生和患者连接起来。这一步改变了医疗大模型的产品形态。过去的很多医疗AI应用集中在某个点上识别一张影像、生成一份报告、回答一个问题。全病程管理面对的则是一条时间跨度更长的服务链它不仅要理解患者此刻发生了什么还要记录患者此前接受过哪些治疗接下来需要做什么以及风险出现时应该回到哪一级医院。安贞医院高血压中心积累的诊疗标准、专家经验和科研能力也因此有了另一种输出方式。过去基层医生想学习顶级专家的经验通常需要到中心医院进修或者在具体病例中获得指导这种方式效果直接但受制于专家数量、培训时间和地域距离。大模型带来的是一种新可能把指南、共识和专家经验固化为可调用的能力再通过全病程平台下沉到基层专家不需要亲自参与每一次普通病例诊疗却能够让更多基层医生按照相对统一的规范进行评估和治疗。这正是医疗AI与其他行业大模型不同的地方医疗领域真正稀缺的并不是答案而是经过验证、能够追溯并且可以持续更新的专业能力。据程文立教授透露这一项目目前已经在浙江湖州等地开展临床验证在基层医生使用平台后诊疗水平能够得到明显改善。此外这一平台还被用于三级转诊、双向转诊、临床队列建设、科研数据共享和前瞻性队列研究。由此来看这一平台承载的已经不只是一个模型而是医院的一部分医疗服务流程。医疗大模型落地还有几道门槛尽管现在中国电子云与安贞医院联合打造的高血压专病诊疗大模型的准确率已经达到了96%不过程文立教授告诉我们他们的目标是将这一数据进一步提升到99%。3个百分点看起来不多但越是接近目标剩下的问题可能越复杂。程文立教授告诉我们此前模型准确率从80%提高到96%整个过程大约只用了三四个月前期的问题可能来自知识不足、数据治理和常见病例覆盖不够但到了后期模型需要面对的往往是更加少见、复杂或存在多种合并症的病例。最后3个百分点的问题究竟来自哪里现在还没有一个简单答案。这也对双方组建的联合项目团队提出了更高的要求中国电子云高级副总裁黄锋告诉我们这要求联合团队在湖州、邯郸等医院的真实临床环境中继续验证医生发现模型判断存在偏差后要指出问题和正确答案算法团队再把这些反馈整理成新的训练样本对模型进行调优。黄锋指出随着更多医生使用模型能够获得更多正负样本逐渐形成“使用—反馈—训练—再使用”的数据飞轮从而将模型的准确率进一步提升。不过要想真正让这样的医疗大模型在各大医院普及开来不容忽视的还有标准和认证问题。程文立教授告诉我们通用大模型一般是需要在网信部门备案但医疗大模型通过临床验证规模化应用前仍需要拿到医疗器械认证。目前双方团队已经在筹备医疗器械认证的工作但这仍然需要一定的时间。不难发现高血压专病诊断大模型为医疗AI领域提供了一条清晰的落地路径从一个需求明确的专病切入由医学专家和算法工程师共同训练在真实环境中持续验证再把模型嵌入门诊、住院、随访和转诊流程最终将一家中心医院的专业能力输出到更多基层机构。当AI走到这一步决定其价值的就不再是它掌握了多少医学知识而是它能不能让医生少一点负担让基层诊疗多一点规范为患者提供更好的医疗服务。