大模型如何助力医疗健康服务提质增效

——以微脉CareAI的实践为例

自2023年8月至2025年1月，微脉CareAI已连接2500余家公立医院，为6000多万用户提供了合法合规的健康管理服务，高效解答用户咨询总计超10万人次，为医院节省时间成本共计31200小时，提升医护40%工作效率。CareAI是如何破解医疗大模型数据困境，探索患者增量服务供给侧改革，进而实现医疗健康服务的个性化、连续化、专业化？本文将从数据卡点、信任缺失、模型幻觉、价值闭环等四个方面探讨微脉CareAI助力医疗健康服务提质增效。

文 / 刘嘉玲、魏江、肖咪咪

据动脉网发布的《2024数字医疗年度创新白皮书》，我国医疗领域“百模大战”戮战正酣。另据亿欧数据测算，截至2024年底，国内累计公开的医疗大模型产品数量已逾百款，覆盖了药物研发、专病专科、患者问诊、中医药、医学影像、病历文本分析及质控、辅助决策等多个关键场景。不同于其他领域的大模型，医疗大模型在数据、场景、算法、商业化等方面都面临更为复杂的挑战。作为国内率先发布健康管理领域大语言模型的企业，微脉CareAI如何领跑行业，勇摘医疗大模型金字塔上的明珠？本文将从数据卡点、信任缺失、模型幻觉、价值闭环等四个方面探讨微脉CareAI如何助力医疗健康服务提质增效。

从CareGPT到CareAI

微脉创始人兼CEO裘加林认为，AI技术在医疗中的应用不应局限于优化或替代现有存量服务，而应着重于创造增量服务，以满足未被满足的需求。基于这一理念，微脉于2023年8月发布了国内首款健康管理领域的大语言模型应用——CareGPT。该模型的目的不是寻求替代医生或护士的智能产品，而是希望将生成式AI打造成患者的健康代理人，为患者提供出院后的延续性健康管理服务，从而有效扩大医疗服务的覆盖范围，满足更多患者的需求。据微脉技术中心总经理海马（花名）介绍，CareGPT将语言大模型AI技术与一系列工程调优技术以及全病程管理相结合，参数规模为70亿，可支持医疗健康场景下的多模态输入和输出。通过对患者聊天内容的分析，CareGPT能够相对准确地掌握患者健康情况全貌，同时支持专业自评量表推送，帮助患者自主进行初步的身体状况筛查，实现分诊导诊的智能化辅助；在诊后环节，结合患者已授权获取的平台上的相关诊疗数据，实现更高效的患者管理。在此背景下，优质医疗健康管理资源将被快速复制并迅速推广，帮助广大患者获得更加便捷、高效、可及的健康管理服务，并有望构建集院前、院中、院后为一体的健康管理新模式。凭借CareGPT的支持，医生和个案管理师同一时期的患者管理数量可提升至500个，在此之前，这一数据仅为50~70个。

基于CareGPT的成功，微脉于2024年推出健康管理智能体CareAI。相较于CareGPT 的定位主要是为医院、医生和微脉个案管理师提供辅助工具，CareAI致力于为患者提供更加个性化和精准的健康管理方案。具体而言，微脉将生成式 AI 技术应用于五大业务场景：智能助手（To C）、应答辅助（To B）、全病程管理方案、健康档案维护以及临床数据分析。裘加林坦言：“在传统诊疗框架内，受限于时间与空间，患者一旦离开医院，医院便难以维系持续的服务链。CareAI 的引入正逐渐扭转这一现状，它无缝连接医院与患者，跨越时空界限，构建了一条基于‘信任’的长久纽带。”

2024年8月，CareAI通过国家网信办互联网信息服务算法备案，正式向社会大众提供合法合规的健康管理服务。同年11月，在第十二届健康界医院管理大会暨全民健康管理大会上，微脉借助CareAI打造的《以健康会员为载体的延续性医疗服务模式》荣获“金如意健康管理领域卓越奖”。截至2025年1月，CareAI已迭代至2.0版并投入医院场景应用，高效解答用户咨询总计超10万人次，节省医院时间成本共计31200小时，提升医护40%工作效率。 

医疗大模型落地的四大关口

尽管CareAI的应用进展喜人，裘加林仍清醒地认识到，“技术迭代不难，观念转变却需要时间”。大模型在医疗健康服务领域的落地过程中依然面临四大关口的考验。

数据卡点

大模型的本质是基于数据给出合理的判断和预测，因此想要充分发挥大模型在医疗领域的潜力，最大的难点就是如何突破数据卡点。与其他垂类大模型相比，医疗数据的专业性、复杂性、多样性，导致医疗大模型落地面临数据质量低、数据孤岛问题严重、数据资产化难，以及对多模态数据协同、数据标准化、数据时效性的要求越发苛刻等痛点。一方面，医疗数据往往涉及多种疾病、患者群体和临床场景，数据类型包括文本、图像、基因组数据等，数据来源包含不同的医疗机构和信息系统，这些都会导致数据质量参差不齐以及多模态数据处理难度高等问题。另一方面，医疗行业内部缺乏统一的数据标准及数据交互界面，甚至大多数医院只愿意将其数据库接入局域网，导致整个医疗服务体系的数据孤岛难以打破，成为大模型训练的绊脚石。

此外，即使“数据”早已被视为第五大生产要素，医疗数据资产化依然障碍重重。由于数据隐私性强、数据滥用风险高、数据责任归属不清，以及缺少可信安全的健康信息共享交易平台和有效规范的数据流通交易监管机制等问题，大多数医院对于数据出院的态度比较保守。众所周知，高质量的数据输入是大模型优化的基础，而这些数据卡点导致医疗大模型的训练举步维艰。

信任缺失

尽管医疗大模型在药物研发、患者问诊、医学影像、辅助决策、健康管理等多个关键场景取得初步应用，但由于业务场景模型需求分散、AI缺乏对行业场景的深度理解，用户信任缺失仍是其广泛落地的主要障碍。作为一种信任品，用户无法仅凭体验或价格来评判医疗服务的质量，更多的是基于信任进行选择。因此，尽管医疗大模型性能不断优化，但患者仍然优先依赖人类医生的专业判断，而非算法自动生成的诊断或建议。信任缺失导致医疗大模型未能在实际的医疗服务中被患者广泛接受。

此外，虽然大模型的准确率不断提升（如腾讯健康AI智能预问诊系统在病历小结上的准确率已达87%），其在核心医疗环节的诊断上与经验丰富的医生相比仍存在显著差距。浙江大学医学院附属第二医院人工智能与信息化部主任相鹏明确指出，尽管医疗大模型数量已达三位数之多，但医疗领域大模型的应用还处于摸索阶段。研究报告表明，大模型在诊断和治疗方案的设计上还存在一定的局限性，而医疗服务中任何细微的差错都可能导致严重后果，这使得医生和患者在接受大模型决策时依然持谨慎态度。

模型幻觉

模型幻觉是医疗大模型安全部署的重大障碍之一。模型幻觉主要是指大模型基于自己的想象而非现实数据去生成内容，通常表现为大模型在回答问题时编造不真实的细节,或者对事实产生错误的解释等。微脉首席技术官郑海华曾指出，由于大语言模型的推理过程是算法“黑盒”，医疗大模型在实际应用中通常面临可解释性和可靠性等问题。腾讯 AI Lab发布的《大模型幻觉工作综述》指出，常见的大模型幻觉可分为三类。一是与用户输入冲突的幻觉（Input-Conflicting Hallucination），即“答非所问”。如当患者询问关于某种疾病的治疗方法时，大模型可能会给出该疾病的症状描述。二是与已生成的上下文冲突的幻觉（Context-Conflicting Hallucination），即“反复无常”。如在不同时间或场景下对相同问题给出矛盾的答案，大模型今天为患者诊断为感冒，明天又诊断为过敏。三是与事实知识冲突的幻觉（Fact-Conflicting Hallucination），即“一本正经说胡话”。如胃复安的主要成分是甲氧氯普胺，但大模型却错误地判断为“天然气孔草酮”。

大模型幻觉可能导致虚假数据、错误诊断及医疗决策失误，从而对患者健康造成严重威胁。正如高德纳公司（Gartner）在2024年7月发布的一项新的研究报告中所警示的，生成式AI在医疗健康领域的应用已从“期望膨胀期”步入“幻灭低谷期”。如何让医疗大模型既“有效”又“理性”，防止其成为“脱缰野马”，仍需持续努力。

价值闭环

前百度集团大健康事业群总裁何明科曾公开表示，医疗行业是一个经典的“决策者（医院/医生）、付费者（保险/医保）和使用者（患者）三位分离”的行业。因此，即使大模型被很多人视为最有可能破解“医疗不可能三角”的智能解决方案，其能否成功落地，最终仍取决于能否建立决策者、付费者和使用者之间的价值闭环，即同时满足用户价值、社会价值和商业价值。

从用户价值的视角来看，医疗大模型面临的准确度、可解释性和数据隐私等问题，使其受到大量患者的质疑。近日，Nature Medicine上的一项研究指出，医疗大模型极易受到“数据投毒”攻击，基于其抓取的质量参差不齐甚至虚假的数据，可能生成一些有误导性甚至有害的医疗建议，对患者的生命安全带来重大隐患。曾有一款北美医疗大模型将毒蝇伞、死亡帽等致命毒蘑菇识别为可食用品种，致使数十人中毒。从社会价值的视角来看，很多医疗机构临床医生也对大模型技术提出了质疑。2024年的一项研究报告显示，大模型在临床决策中的最低正确率仅13%，远不及人类医生的水平。这一发现促使很多医疗机构重新评估其在医疗大模型领域的投入策略。从商业价值的角度来看，如何实现投入与产出的均衡，推进大模型商业化落地是当前所有医疗大模型企业面临的最大考验。动脉网蛋壳研究院在《2023年医疗人工智能报告》中提到，医疗AI的商业化形势始终透着一种朦胧感。对于算力成本高昂、审核条件苛刻的医疗大模型而言，商业化道路则更加艰难。据医疗行业资深人士分析，若企业选择医院为付费主体，大模型产品从获取上市相关证书到实现盈利，需要经历4~5年的漫长周期。一个无法忽略的事实是，市场上医疗大模型看似百花齐放，实际上，诸多医疗大模型厂商仍未找到可行的商业化路径，能真正实现决策者、付费者和使用者之间价值闭环的仍是凤毛麟角。亿欧智库报告预测，AI大模型在医疗领域的市场规模增速将从2024年的131.6%降低到2030年的40.4%。 

微脉CareAI的四大优势

得益于多年来在“AI+医疗健康”领域的积累，微脉CareAI凭借全息健康档案、CareAI+多师共管、通专融合以及健康会员分层管理等四大优势，试图攻破医疗大模型落地的四大关口（见图1）。CareAI的应用为用户提供从疾病预防到康复的全链条服务、为公立医院创造广阔的增量服务价值的同时，凭借其国内首创的“以健康会员为载体的延续性医疗服务模式”实现了经济效益与社会效益的双重提升。

全息健康档案

如前文所述，数据孤岛问题严重、多模态数据融合难、数据标准化程度低及数据时效性差等都是阻碍医疗大模型落地的数据卡点问题。针对这一难点，微脉CareAI通过与公立医院合作，实现医院就医数据联通，整合超大规模医学及个案管理数据库，共建以患者为中心的全息健康档案。全息健康档案包含院前管理、院中就诊及院后康复等所有环节中涉及的患者基本信息、院内外诊疗数据、院外管理数据、会员服务记录等数据。通过调取用户的院内健康档案数据、在与用户的交互中识别关键信息及动态更新用户档案系统等数据整合策略，同时结合数据脱敏加密、访问权限控制等数据安全机制，微脉CareAI将患者打造为医疗数据的集合体。一方面可以打破数据孤岛，实现医疗数据“多跑路”、患者就医“少跑腿”；另一方面也可为医疗大模型训练筑牢数据根基。

据微脉相关负责人介绍，微脉通过将患者检查报告信息按照统一标准格式上传至平台云端，并采用多数据中心架构和多级缓存加速机制的方式，实现了患者数据的“标识统一、数据同池、秒级共享”，以及医生诊疗数据的“快速调阅”和“互认引用”，解决了不同医疗机构间长期存在的数据孤岛、数据标准化程度低等问题。另外，微脉还会基于患者与CareAI的各种互动信息进行自动数据分析，实现患者全息健康档案的实时动态更新，确保了医疗大模型数据的时效性。同时，微脉还会以疾病为单元构建覆盖患者全病程数据的医疗数据库，反哺医学科研研究和医疗大模型的训练。截至2024年，微脉已成功构建覆盖全国的医疗健康服务网络，连接全国2500多家公立医疗机构和20万执业医师，面向6000多万用户提供健康管理服务。据悉，微脉在医疗数据共享互认方面的经验已荣获“浙江省改革突破奖”、2024年全国“城市全域数字化转型典型实践案例”等多项认可，同时也为全国数字健康领域数据价值化和产业数字化协同发展提供了可推广、可复制、可落地的新方案。

尽管微脉CareAI在解决数据卡点问题上成绩斐然，却也不可避免地面临诸多挑战。虽然已成功构建广泛的医疗健康服务网络，连接众多公立医疗机构，但仍有部分医疗机构因信息化水平差异、系统兼容性问题，使得数据联通的深度与广度拓展受限，新接入机构的数据整合难度增大，数据传输的稳定性和及时性也面临考验。数据安全是另一大难题。随着数据量剧增和交互频繁，数据脱敏加密与访问权限控制的难度呈指数级上升，数据泄露风险高悬，威胁患者隐私和微脉声誉，现有安全防护体系亟待升级。总之，如何在保障数据安全的前提下，进一步优化数据处理效率，是 CareAI 未来需要努力的方向。

CareAI+多师共管

用户信任缺失一直是医疗大模型落地的关键难题。裘加林坦言，在以信任为基础的医疗市场中，AI终究无法完全代替人类医生。2024年10月，国内某杂志发表的一项研究指出，医生使用AI辅助诊断时，患者对医生的信任度会下降。患者对医疗大模型的不信任主要来自于对大模型技术的准确度、安全性等方面的担忧。此外，缺乏人文关怀也是医疗大模型难以获取用户信任的一大原因。在微脉的管理方案中，CareAI并非孤立应用，而是与个案管理师和医生等人工审核环节相结合，形成一个金字塔模型。具体来说，微脉采取“CareAI+多师共管”的模式，将生成式 AI 技术应用于多个业务场景中，同时组建“医护人员+健康管理师+健康管家+CareAI”多师共管团队，围绕患者实际需求进行干预，提高医疗大模型诊断的准确性及个性化服务能力，从而提升患者对医疗大模型的信任度。

在该模式中，CareAI主要承担预处理和初步分析的工作，而医疗助理和医生则对AI 的输出进行复核和确认，从而提高工作效率，并保证诊断结果的准确性和可靠性。同时，微脉个案管理师还承担着患者院后随访、复诊督导、健康指导等一系列职责，作为医患间重要的“黏合剂”，为患者提供心理关怀，持续增强患者对CareAI的信任。

 目前，“CareAI+多师共管”的模式已在与微脉携手合作的多家医院中成功落地，并稳步推广。例如，作为国内最早引入微脉CareAI大模型的公立医院，台州恩泽医疗中心（集团）很早就意识到医患信任薄弱化是当前“AI+医疗健康服务”面临的一大痛点，而AI与人合作的方式恰恰可以通过提升医疗服务质量、延伸医疗服务边界、满足患者个性化需求来强化医患信任。因此，台州恩泽医疗中心与微脉携手，以“AI医生助理+ AI健康顾问”（如图2所示）的方式来加强患者对医疗大模型的信任。

“CareAI+多师共管” 模式在改善患者对医疗大模型信任方面取得了一定进展。但患者对CareAI的信任建立是一个动态过程，一旦出现AI误诊、信息泄露等负面事件，即便概率极低，也可能严重破坏患者信任。随着患者对AI了解加深，其对准确性、安全性和隐私保护等方面的期望会不断提高，如何持续满足这些期望，维持信任关系，将是长期挑战。

通专融合

为有效攻克大模型“幻觉”难题，微脉将 “通才模型”与“专病管理体系” 深度融合。其中，通才模型CareAI扮演任务规划的 “中枢大脑”角色，凭借其强大的智能调度能力，可精准调配1000余种专病管理体系，构建起“CareAI专科智能体矩阵”，从而辅助医生开展跨科室、跨模态的复杂诊断推理工作，大幅提升医疗诊断的准确性与效率。据微脉市场总监张乐介绍，CareAI专科智能体的工作流程紧密围绕对应专科领域的个性化服务展开。其提示词的定制充分契合指定科室的特点，让大模型基于专科背景知识进行精准推理，以此大幅提升大模型生成结果的专业性和准确性，有效缓解大模型幻觉问题，为医疗服务的智能化升级提供更可靠的技术支持。

此外，微脉还积极运用多种前沿技术手段，多管齐下攻克大模型幻觉难题。一方面，精心搭建嵌入式知识库，为模型提供丰富且准确的知识储备，使其在运算时有坚实的数据支撑；另一方面，优化提示词、精准挑选适配的Prompt模板，最大程度激发模型潜能，确保输出结果更贴合实际需求。同时，巧妙调节温度参数，合理管控输出结果的随机性，引导大模型基于上下文学习进行回答。这种保守严谨的输出模式，有效规避了大模型生成过程中因上下文冲突而产生的幻觉现象，全方位提升模型性能，为医疗智能化应用筑牢根基。当然，这些应对模型幻觉的技术手段在复杂临床场景下的普适性还需进一步验证。实际医疗场景中，患者个体差异、数据噪声等因素复杂多变，现有的提示词定制、温度参数调节等方法可能无法完全应对，需要探索更具适应性和稳定性的解决方案，以确保CareAI在各种情况下都能稳定、准确地运行，持续为医疗服务提供可靠支持。

健康会员分层管理

为了给医疗服务过程中的各方参与者创造价值，实现医疗大模型的价值闭环，微脉CareAI依托院企深度合作，根据患者诊前—中—后的医疗服务需求，结合AI客服管家、人工客服管家、个案管理师、线下健康管家/医生助手等服务角色，搭建健康会员分层运营管理框架，实现患者、医护、医院多方共赢。

该框架分为三层服务：第一层为覆盖全部患者的关怀式服务，主要由机器人和客服管家提供包括门诊通知、复诊提醒、复诊预约、院内转诊协助、健康宣教、出院指导、投诉建议、生日关怀等在内的基础管理服务。第二层主要针对院外术后、亚健康、慢病等人群的阶段式服务，由机器人、医护团队和个案管理师提供医护在线咨询、专科检查预约、院外健康监测、专病管理、疾病宣教、康复指导、并发症预防、用药指导、复诊安排等专科专病健康管理服务。第三层是面对部分高端人群的管家式服务，由运营团队、医护团队和健康管家提供以患者为中心的个性化服务、紧急状况的响应服务、全流程多对一服务、MDT团队咨询服务等。

对于政府来说，健康会员分层管理模式可以优化资源配置，让优质医疗资源惠及更多人群。对于医院来说，它能够将区域内的患者有效管理好、服务好，留住优质病源，提升核心竞争力。对于医生来说，它可以延伸服务路径，提高管理效率，合理增加服务性收入。对于患者来说，它可以满足多样化、多层次医疗健康需求，提升就医体验。可以说，通过搭建健康会员分层运营管理框架，微脉为破解“医疗不可能三角”提供了一个新方案。因此，在2024年“康中国•金如意”优选方案颁奖典礼上，微脉凭借在数字健康领域创新实践，一举斩获三项大奖并被授予“先锋企业”称号。

早在2023年，台州恩泽医疗中心便与微脉携手开展健康会员中心建设。同年6月，双方基于KANO模型（一种将产品质量特性实现度与产品需方满意度相结合，建立“质量特性实现度—需方感知满意度”二维度认知的模型），完成了会员制健康管家项目的患者需求调研工作。2024年5月，“恩泽健康会员”试运行启动仪式在台州医院东院区举行，标志着微脉以健康会员为载体的延续性医疗服务模式正式落地。台州恩泽医院管理研究院院长陈海啸表示，基于“价值对等”原则的健康会员模式，可以实现患者、医护、医院多方共赢。截至2024年8月，台州恩泽医疗中心健康会员总数已达479人，累计服务患者2982例，科室覆盖率达70%以上，儿保科复诊率由30%提升至70%，宫巢关爱管理服务转化率高达80%，实现了用户价值、社会价值和商业价值的三重提升，成为微脉实现医疗大模型价值闭环的有力例证。

虽然台州恩泽医疗中心与微脉合作的健康会员分层管理模式在实现价值闭环方面初显成效，但在整体价值闭环中，仍面临一系列严峻挑战。虽然CareAI在健康会员分层管理模式下分别为患者、医护、医院创造了价值，但在信息流通和资源分配上，仍存在优化空间。例如，患者的健康数据在不同服务层级和角色之间传递时，可能出现延迟或不完整的情况，影响医护人员及时准确地作出决策，进而影响患者体验，破坏价值闭环的流畅性。此外，在社会价值的持续拓展上，如何将这一模式更广泛深入地推广到医疗资源相对匮乏的地区，让更多患者受益，实现更大范围的医疗公平，也是CareAI需要努力攻克的难题。只有解决好这些问题，CareAI才能真正实现可持续的价值闭环，为医疗行业的发展带来更深远的影响。 

结论与启示

医疗大模型的应用不仅可以提升医疗健康服务质量，为医疗决策提供科学依据，还能开拓医疗服务新场景，为医疗行业创造新的价值增量，是推进健康中国建设的关键着力点。因此，微脉CareAI的实践对我国医疗行业大模型的落地具有重要的管理启示。

第一，坚守“信任医疗”的初心。裘加林很早就意识到，医疗服务运营的核心是“信任”。因此，从创立伊始，微脉始终以患者的本地化医疗服务需求为出发点，致力于建立基于首诊的信任医患链接。历经近十年的发展，微脉已打造出具有中国特色的本地化信任医疗服务平台。在医疗大模型落地困难重重的行业背景下，微脉CareAI及健康会员分层管理模式能在台州恩泽医疗中心顺利落地，也离不开多年来在台州区域积累的患者信任。因此，医疗大模型想要实现在医疗机构的落地和扩展，必须牢牢把握“本地化”和“信任”这两个关键词。

第二，秉持“以人为本，智能向善”的理念。尽管近年来AI在医疗领域的应用成果斐然，但我们必须承认的是，医疗大模型在本质上仍然只是医生的辅助工具，而不是医生的替代者。微脉在尝试用大模型进行全面健康管理的过程中，也正是遵循了“以人为本，智能向善”的理念，通过采取“CareAI+多师共管”，来减轻患者对大模型的质疑。

第三，打造会员制医疗服务，破解普惠医疗难题。在商业化方面，医疗大模型始终面临着成本高昂和盈利周期漫长等问题。微脉首创的健康会员分层管理模式，可以通过与医院共同构建多样化、多层次的服务体系，满足不同层次患者的健康管理需求，助力医疗服务全人群覆盖。同时，通过会员制管理，还可以有效预测和控制医疗成本，实现经济效益与社会效益的双重提升。

2023年是国内千模争流的一年，也是中国医疗大模型发展的元年。至2024年底，涌入医疗领域的大模型已逾百个。从微脉CareAI不难看出，医疗大模型前行之路并非坦途，数据卡点、信任缺失、模型幻觉以及价值闭环等问题犹如巨石横亘在前。未来，医疗大模型的发展将依托多模态与跨学科融合、聚焦个性化精准医疗需求，开发专病大模型，并逐步向医疗智能体（AI Agent）演进，朝着集成化、精准化和智能化的方向迈进。作为医疗大模型领域的先行者，微脉也正在致力于打造名医分身及互动数字人，提供更人性化的医患交互体验，如此才能跨越重重阻碍，真正发挥医疗大模型的价值，持续引领中国医疗服务行业的变革。

刘嘉玲：中国科学技术大学管理学院副研究员

魏江：浙江大学管理学院、浙江财经大学管理学院教授

肖咪咪：南京理工大学经济管理学院讲师

责任编辑：周扬

来源：《清华管理评论》2025年3月刊