家人們，撰寫和修改病歷這事兒，那個讓無數(shù)醫(yī)生耗時耗力的環(huán)節(jié)——

病歷內(nèi)涵質(zhì)控，現(xiàn)在有了大模型來當?shù)昧褪帧?/p>

所謂病歷內(nèi)涵質(zhì)控，簡單來說指的就是對病歷內(nèi)容的質(zhì)量控制。

那它為什么會讓醫(yī)生們?nèi)绱撕臅r耗力呢？

首先，病歷本身就會完整、真實地反映出診療的全過程，不論對于患者或者醫(yī)生，還是對醫(yī)院的管理而言，重要程度都不言而喻。

畢竟從前期的出診，到后期的治療方案、查房、手術等眾多環(huán)節(jié)，病歷都會貫穿其中，收納、承載和呈現(xiàn)所有相關信息。每一份病歷涉及到的信息量都是非常大，也是非常關鍵的。

而病歷內(nèi)涵質(zhì)控，強調(diào)的是一種邏輯質(zhì)控，難點就是邏輯非常抽象，定義和規(guī)則也不通俗；要把控它的質(zhì)量就需要深厚且全面的臨床經(jīng)驗和知識。

也正因如此，一般人還真做不了這事，醫(yī)院傳統(tǒng)的“解法”就是——

組建專家團隊，定時對歸檔病歷（尤其是重點病患）進行人工質(zhì)控。

這種解法自然費時費力，著實是費時費力，而且它還很難對所有病歷進行遍歷，更多時候只能針對少部分病歷進行抽查。

正如我們剛才提到的，現(xiàn)在這件難事兒，已經(jīng)靠大模型的輔助，找到了一種能兼顧效率和質(zhì)量的解法。

而且縱觀整個“AI+醫(yī)療”賽道，很多醫(yī)療信息化廠商都將大模型應用落地的箭頭指向類似病歷內(nèi)涵質(zhì)控這樣的應用“靶點”。

之所以如此，是因為處理病歷這項工作，正與大模型的“氣質(zhì)”極其相符——專治繁瑣、量大的信息處理工作。

由此便可以讓醫(yī)生從中解放出更多的時間，投入到更匹配其專業(yè)方向的工作中。

那么具體效果如何？是否能達到醫(yī)院的標準呢？

醫(yī)療大模型，已經(jīng)可以做到“快準狠”了

在專攻用大模型搞病歷內(nèi)涵質(zhì)控這件事上，惠每科技可以說是擁有相當豐富的經(jīng)驗，是已經(jīng)在多家醫(yī)院（包括三甲醫(yī)院）“上崗”并收獲大量好評的那種。

醫(yī)療大模型效果如何，我們不妨來看下惠每科技交出的“作業(yè)”。

圖：基于不同質(zhì)控規(guī)則的大模型缺陷定位實例

在惠每科技醫(yī)療大模型的加持之下，現(xiàn)在從醫(yī)生書寫病歷開始，它就會伴隨在旁，像個隱形的“專家級”助手，同步就會開始糾錯、提醒的工作了。

例如在上圖的三個場景中，分別對應的情況是：

●初步診斷中提及“前列腺術后”，但在現(xiàn)病史、既往史、手術外傷史中均缺少相關描述

●主訴“發(fā)現(xiàn)皮疹45分鐘”，但現(xiàn)病史中的癥狀描述與主訴大相徑庭

●病歷記錄患者“否認手術外傷史”，但體格檢查中明確記載有大腿可見局部手術瘢痕

這些細節(jié)內(nèi)容要是放在之前，都是需要醫(yī)生們仔細比對校驗，并根據(jù)經(jīng)驗知識來甄別、挑錯的，可實際上，不同醫(yī)生在經(jīng)驗、資歷甚至是專業(yè)方向上的差別，都會讓這些細節(jié)的發(fā)現(xiàn)、校驗和應對變得異常復雜。

但現(xiàn)在，有了醫(yī)療大模型的輔助，這個助手總會默默地在合適的時機出現(xiàn)，把可能存在問題的內(nèi)容給pick出來，供醫(yī)生們快速做判斷。

具體到病歷內(nèi)涵質(zhì)控的運行機制，惠每科技則是以數(shù)據(jù)中臺為核心，向下對接醫(yī)院的醫(yī)院信息系統(tǒng)（HIS）、影像歸檔和信息系統(tǒng)（PACS），以及電子病歷歸檔系統(tǒng)（EMR）等。

在自動抓取內(nèi)容信息之后，會通過自然語言處理、術語標準化后構建患者畫像，再經(jīng)由惠每醫(yī)療大模型推理計算做出提醒或預警，同時大模型還可以基于用戶的反饋持續(xù)進行優(yōu)化。

圖：惠每科技病歷內(nèi)涵質(zhì)控方案架構

最終，在界面的呈現(xiàn)上，惠每科技這個系統(tǒng)會有醫(yī)生端和管理端兩種：

醫(yī)生在醫(yī)生端快速做錯誤檢測和處理，專家在管理端做更進一步的專業(yè)性查缺補漏。

由此，原先那種費時費力、費人費腦的病歷內(nèi)涵質(zhì)控，不但實現(xiàn)了自動化，而且效率也一下子就有了翻天覆地的變化，更重要的是，質(zhì)控之后的病歷質(zhì)量也隨之同步提升。可謂一箭雙雕，甚至是一箭三雕！

眼見為實！咱們瞧瞧來自一線用戶的真實反饋：以某三甲醫(yī)院為例，上線了惠每科技的這套方案之后，病歷內(nèi)涵質(zhì)控效果的“打開方式”就變成了這樣：

全院的甲級病歷（下圖中的綠色曲線）從原先的75%直接暴漲到了95%！

病歷質(zhì)量的大幅提高就像“作用力與反作用力”，此舉反過來也讓醫(yī)生診療工作的規(guī)范性和病案管理質(zhì)量得到了提高。

由此雙管齊下，有問題的病歷數(shù)量就變得越來越少，以某醫(yī)院為例——

僅10個月時間，病歷平均問題數(shù)從最開始的7.42個，下降到了3.28個，下降比率高達55.79%！

像這樣的實際應用效果還可以從某省級病案管理質(zhì)量控制中心的病歷質(zhì)控監(jiān)測指標看出。

方案在該省某醫(yī)院落地后，病案首頁質(zhì)量相關的主要診斷編碼正確率從78%提升至97%、病歷文書相關的手術相關記錄完整率從92%提升至99%、CT/MRI檢查記錄完整率從81%提升至90%、抗菌藥物使用記錄符合率從82%提升至91%，不合格復制病歷發(fā)生率則從12%下降至8%，很好地滿足了該中心的質(zhì)控監(jiān)測要求。

圖：某醫(yī)院多項病歷質(zhì)控監(jiān)測指標的變化趨勢

那么接下來的一個問題是，畢竟醫(yī)療場景涉及患者隱私，就這么交由大模型來訓練和推理，夠安全嗎？

對此，惠每科技也有自己深入的理解和切實可靠的實踐路徑：

>私有化部署，數(shù)據(jù)不出醫(yī)院。

圖：惠每醫(yī)療大模型技術架構

具體而言，惠每科技是以ChatGLM等流行的基座大模型為基礎，鋪于醫(yī)學知識庫和醫(yī)學知識圖譜等，還結合了RAG（檢索增強生成）技術，在垂直領域做模型的訓練和微調(diào)等工作。

與此同步，專家的反饋也會通過RLHF（人類反饋強化學習）技術加入到上述過程，并最終形成面向不同醫(yī)療場景的醫(yī)療大模型。

而這整個過程中都采用的是私有化部署的方式，微調(diào)也是基于SFT（監(jiān)督微調(diào)）來展開，因此便更好地保障了安全性。

由此總結來看，醫(yī)療大模型“上崗”醫(yī)院后，在病歷內(nèi)涵質(zhì)控這件事上起碼做到了三點：

更專業(yè)、更安全、更效率。

但有一說一，在如此醫(yī)療大模型和系統(tǒng)的背后，還有一個關鍵因素在默默發(fā)力。

不僅能力到位，更要輕松落地

醫(yī)療大模型方案要想真正落地并發(fā)揮價值，除了算法模型本身要夠強大之外，還必須克服私有化部署所面臨的種種挑戰(zhàn)。

不論是出于數(shù)據(jù)與隱私安全、業(yè)務便捷還是成本考量，部署在本地、把控在自己手上，始終是越來越多行業(yè)用戶的期盼。

特別是對醫(yī)療行業(yè)來說，私有化的部署和落地的更是一種“剛需”。

畢竟不同醫(yī)院的病歷格式本身差異就較大，加之涉及患者隱私，惠每科技的私有化部署策略，幾乎成了醫(yī)療大模型落地的最基本前提。

這樣一來，在基礎設施的選擇上，又面臨一系列問題。

成本角度上，現(xiàn)代化醫(yī)院本來就是各行業(yè)信息化領域的主力軍，此前多年在通用計算類IT基礎設施上曾有大量投入，在此基礎上再導入專用AI加速器需要額外投入，而且這些加速器中如今獲取難度還在不斷加大（你懂的）。

從性能角度看，也要求硬件平臺能滿足AI模型推理所需的性能，特別是要滿足實時性或近實時性標準。

那么有沒有一種方案，既可以讓醫(yī)療大模型更順滑地落地，還能充分利用現(xiàn)有軟硬件設施，并同時兼顧性能、總擁有成本和獲取難度呢？

面對這一系列難題，惠每科技可謂是“有備而來”。

它選擇了與英特爾合作，基于英特爾? 至強? CPU Max系列處理器、OpenVINO?工具套件及開源大模型加速庫IPEX-LLM，打造了一套"高性價比醫(yī)療大模型私有化落地方案"。

作為業(yè)界首款內(nèi)置高帶寬內(nèi)存 (HBM) 的x86架構CPU，至強? CPU Max系列集成了高達64GB容量的HBM2e內(nèi)存，其理論帶寬可達主流DDR5內(nèi)存的4倍，足以應對大模型推理時對內(nèi)存性能的嚴苛要求。

此外，該處理器還內(nèi)置有英特爾? AMX（英特爾? 高級矩陣擴展）加速技術，經(jīng)特定優(yōu)化后，其每時鐘周期可完成多達2048個INT8運算，較上一代同類指令實現(xiàn)了8倍性能飛躍。

圖注：英特爾? 至強? CPU Max 系列處理器

除硬件優(yōu)勢之外，在軟件方面，英特爾也為惠每科技提供了成熟的優(yōu)化工具與技術支持。

例如借助IPEX-LLM 大模型庫實現(xiàn)推理加速的低精度量化方案，以及基于 OpenVINO? 工具套件開展的非量化優(yōu)化方案，雙管齊下，能讓醫(yī)療大模型在至強? 平臺上的推理效率得到顯著提升。

據(jù)惠每科技實測，經(jīng)非量化方案優(yōu)化后，當輸入文本為2K時，模型首詞時延由優(yōu)化前的 4.03秒驟降至2.1秒，性能提升達1.92倍。平均時延則由182.86毫秒每Token縮短至47.96毫秒每 Token，提升幅度高達3.81倍。而這，已經(jīng)十分接近專用AI加速芯片的性能水平了。

圖注：英特爾優(yōu)化方案帶來的性能提升

而且，除了讓醫(yī)療大模型私有化落地從“不可能”變?yōu)椤翱赡堋?，基于英特? 至強? 平臺還有一個容易被忽視但至關重要的優(yōu)勢，那就是上線效率。

得益于英特爾? 架構平臺成熟的生態(tài)以及雙方的深度協(xié)同，更重要的是醫(yī)療行業(yè)對于該平臺廣泛的部署和較高的應用水準，醫(yī)院開展惠每醫(yī)療大模型方案私有化部署時，從準備到最終產(chǎn)出收益，僅需3.5 個月左右。

這就讓 AI 智能化帶來的變革成果顯得更加"立竿見影"。

跨平臺技術助力行業(yè)加速應用

通過惠每科技病歷質(zhì)量控制這一用例，不難看出：英特爾? CPU平臺+AI加速工具，不失為大模型從實驗室走向行業(yè)、加速落地與實踐的一劑"良方"。

其實在智慧醫(yī)療的背景下，病歷質(zhì)控只是一個縮影。

從智能導診到輔助診斷，從藥物研發(fā)到疾病預測，AI正以多種方式為醫(yī)療行業(yè)帶來更多變革。

智慧醫(yī)療又何嘗不是“人工智能+”時代的一塊重要拼圖呢？

更廣泛的視角下，類似醫(yī)療這樣涉及隱私、對AI私有化部署有強要求的行業(yè)，還有金融、法律、教育、出行……可以說，越是距離每個人生活更近的行業(yè)，就越需要考慮這個問題。

如果再考慮到在數(shù)字化轉(zhuǎn)型中已有一定投入，希望充分利用原有IT基礎設施，以總擁有成本更低的方式開展AI實踐的行業(yè)，那就更多了。

所以說在這一輪推進智能化轉(zhuǎn)型的浪潮中，像英特爾與惠每科技合作打造的這種"一石多鳥"且“更接地氣”的方案，無疑是一個值得參考的選擇。

英特爾未來能不能繼續(xù)以更高性價比、更易于獲取和應用的軟硬件平臺為基礎，全力加速AI在各個行業(yè)的創(chuàng)新應用，讓科技為人類社會持續(xù)賦能，就很值得期待了。