作者 / 令诸侯
出品 / 新摘商业评论
你有没有过这样的经历？清晨醒来感觉不适，不用翻箱倒柜寻找医保卡，而是拿起手机，熟练地点开预约挂号 App，选择科室、医生和时间。
抵达医院，你无需在窗口前蜿蜒的长龙中焦虑、等待，只需在自助机或手机上轻轻一刷电子社保码，丝滑完成签到、医保身份认证。候诊时，电子屏清晰地显示排队进度，你可以安心坐在椅子上刷刷手机，打把王者。
又或者，为家人办理异地就医备案，过去可能需要奔波于多个部门、填写无数表格，如今在手机上动动手指，几分钟就能搞定。慢性病复诊，甚至不需要亲自跑到医院，通过互联网医院就能与医生 " 面对面 " 交流，药品还能直接配送到家。
这些场景已从 " 新鲜事 " 变成了 " 日常基本操作 "。如今，医院越来越智能了：刷脸就能完成身份认证，智能系统引导分诊，AI 辅助医生研判病情……一场正在医疗系统深处发生，由技术、数据与生态共同驱动的智能化变革正在发生。
而这背后，离不开东软这样的 IT 领军企业，携其最新的 AI 技术成果，默默进行 " 火力支援 "，推动行业驶向以 AI 为核心的智能化 " 深水区 "。其刚刚升级的 " 添翼 2.0" 医疗健康智能化解决方案，就系统性破解了多个 "AI+ 医疗 " 难题，成为 " 医疗插上 AI 翅膀 " 的生动实践。
面临哪些挑战与难题？
中国医疗 IT 行业经过数十年的信息化建设，已经完成了医院信息系统、电子病历等基础搭建，实现了业务流程的 " 线上化 "。当前行业正步入一个更为复杂和关键的新阶段——智能化 " 深水区 "：人工智能与数据智能不再是提升效率的辅助工具，而是被寄予厚望，成为重塑医疗服务模式、优化资源配置、最终提升全民健康水平的核心引擎。然而，理想很丰满，现实却充满挑战。当 AI 技术试图深度融入 " 性命攸关 " 的医疗场景时，一系列深层次的痛点逐渐显现。
我们都知道，高质量数据是训练出可靠 AI 模型的 " 优质燃料 "。但这恰恰是当前医疗 AI 面临的最大瓶颈之一。尽管许多大型医院积累了海量数据，但这些数据的标准化程度往往较低，存在大量非结构化、格式各异的信息，难以直接用于模型训练。
更重要的是，在特定的医疗领域，如专病影像研究，可能积累了上万张 CT 图像，但其中标记出病灶的、有价值的图像可能仅占极小的比例，数据极为稀疏。而对于罕见病、疑难重症等领域，符合要求的样本数据本身就非常稀少。这意味着，没有足够 " 营养 " 的数据 " 喂养 "，AI 模型难以成长为临床可信赖的 " 专家 "。
第二个绕不开的难题，是 AI 的 " 黑盒 " 与 " 可解释性 " 困境。
在大模型深入千行百业的当下，日常生活、工作中，相信你也没少被 "AI 假知识 " 困扰，在医疗场景中，AI 假知识可是真要命！
毕竟，医疗决策关乎生命健康，责任重大，一个诊断建议或治疗方案的生成，如果无法追溯其推理依据和因果链条，将是难以信任和采纳的，医生需要知道 AI" 为什么 " 会得出这个结论，是基于哪些症状、体征、检查指标。如果 AI 只是一个给出答案却讲不清道理的 " 黑箱 "，那么在严肃的医疗实践中，其应用将寸步难行。
目前，许多 AI 产品宣称具备各种能力，但真正能在临床实践中清晰展示决策逻辑、实现可解释、可溯源的，仍然少之又少。
第三个痛点，在于 AI 能力与临床工作流的 " 深度融合 " 不足。许多 AI 工具提供了诸如智能问答、文献检索、报告摘要等 " 离散 " 的能力点，但它们往往以独立应用的形式存在，未能无缝嵌入到医生、护士日常工作的信息系统中。这意味着，医护人员可能需要频繁切换于不同系统之间，反而增加了操作负担。
这种 " 为智能化而智能化 " 的做法，容易导致 " 听起来很智能，用起来却不智慧 " 的尴尬局面，用户体验欠佳，最终难以落地生根。
第四大挑战，关乎 AI 如何真正赋能医学创新与科研转化。
目前，不少医疗 AI 应用仍集中于对回顾性数据的分析，旨在提升已有流程的效率。然而，医学进步的终极目标是改善患者的临床结局，例如提高生存率、缩短诊断时间、优化治疗方案等。
这要求 AI 技术能够面向前瞻性的临床研究，助力科研成果向临床有效手段的转化。一言以蔽之，如何系统性地利用 AI 驱动真正的医学创新，仍是整个行业需要深入探索的课题。
针对行业痛点，东软 " 添翼 " 医疗健康智能化解决方案完成了从 1.0 到 2.0 的升级迭代。
" 添翼 "2.0 的破局之道：
全链路数智能力，重塑医疗 AI 价值
那么，" 添翼 2.0" 具体是如何破局的？
首先，是夯实 " 数据基座 "，解决 " 燃料 " 问题。东软依托数据架构实施框架，整合数据标准管理、洞察分析、探索发现等平台工具，对医疗数据进行深度治理和价值挖掘。这意味着，东软将散乱、非标的数据，转化为高质量、可利用的数据资产。目前，东软已构建了 181 个数据模型的结构化体系，建立 2000 余项数据质量标准和 50 余项安全规则，并积累了近 70 个高质量专病数据集，为 AI 应用打下了坚实可靠的 " 数据基石 "。
其次，是构建 " 可信 AI"，破解 " 黑盒 " 难题。
基于 " 融智 " 智能化实施框架，" 添翼 2.0" 整合了一系列科研工具，特别强调了医学 AI 的可解释性与安全性技术。这意味着，东软不仅关注 AI 的 " 能力 "，更关注其 " 可靠性 " 和 " 可信度 "。其采用 "1 个医学领域大模型 + N 个专项小模型 " 的模型群架构，形成 " 专模做专事 " 的能力矩阵。
这样做的好处在于，既可以利用医学大模型的泛化能力，又能通过专项小模型在特定任务上追求极致的准确性和可解释性。
目前，东软已构建了涵盖 213 种专病影像模型和 371 种通用影像模型的矩阵，支持超过 1 万种疾病，报告显示其关键模型准确度超过 90%，内涵质控规则准确率超过 95%，并且生成内容可溯源，增强了临床医生的信任感。
再者，聚焦 " 场景融合 "，推动 AI 能力落地。
" 添翼 2.0" 将其 AI 能力封装成 " 智能体 " 或 " 赋能体 "，深度融合到智慧服务、智慧医疗、智慧管理、智慧基层、智慧卫健及城市级健康数据空间等六大核心场景中。这意味着，AI 不再是外挂的工具，而是内生于业务流程的 " 医疗伙伴 "。
例如，东软 " 添翼 2.0" 在武汉大学中南医院实现了在全院所有临床科室的深度应用。系统日均可生成近 500 份出院小结，并完成对全院 3500-4000 份病历的内涵质控。相比之前人工日均只能审核 40-50 份病历的效率，提升了十数倍。
尤其值得注意的是，出院小结的 AI 生成采纳率高达 70%-80%，这背后正是由于其提供了清晰的可解释性溯源，医生能清楚看到每项结论的生成依据。
最后，助力科研转化：打通 " 临床 - 科研 " 价值链路。
针对医学科研门槛高、效率低的问题，" 添翼 2.0" 提供可视化的无代码 AI 算法开发平台，内嵌多种科学统计方法和机器学习算法，消除临床专家与数据科学之间的技术鸿沟。平台背后是东软结合医学知识挖掘与专家审核，构建高质量医学知识库，涵盖近 3000 万医学论文、121 个罕见病专病知识库和 20 万 + 医疗质控规则，为 AI+ 医疗从 " 回顾性分析 " 走向 " 前瞻性研究 " 提供了支撑，助力科研成果快速转化。
AI+医疗下半场，未来可期
随着医疗 IT 行业竞争进入下半场，未来的角力点将超越单纯的技术比拼，迈向更高维度的价值重构和 " 生态协同 "。
在行业看来，单一的技术优势难以形成长期壁垒，唯有能够构建开放生态的企业，才能引领未来。东软在智慧医疗领域显然已为此布下棋局，实现领先优势。
东软深谙 " 独行快，众行远 " 的道理。对内，它整合东软在大健康领域的所有优势，形成覆盖医疗设备、康养服务等维度的全场景服务生态。
对外，2025 年 3 月东软与华为合作全面升级，双方在技术融合、产业协同上深度绑定，共同打造更具竞争力的医院解决方案和人工智能应用。
此外，东软与中国医科大学附属盛京医院、武汉大学中南医院等顶尖医疗机构的战略合作，则确保了其技术研发紧贴临床最真实的需求。这种协同战略，为其在未来的生态竞争中构筑了坚实的护城河。
可以预见，以东软为代表的企业，以其深厚积累、前瞻布局和生态合力，不仅在这场智能化转型中实现了 " 抢跑 "，更有可能在未来以数据和生态为核心竞争力的新赛道上，引领中国医疗健康产业走向一个更高效、更普惠、更智慧的明天。这场关乎每个人健康福祉的效率革命，才刚刚开始，让我们拭目以待吧！
本账号长期数据支持来自天眼查
