今天想结合实际项目和医疗业务场景，聊一个并不新、但一直没有完全解决的问题：分级诊疗。
过去谈分级诊疗，更多强调的是“基层首诊、双向转诊、急慢分治、上下联动”。
简单来说，就是：
小病在基层，大病到医院，康复回基层。
但在现实中，很多患者感冒、失眠、血压波动，也习惯直接前往三级医院；基层医生遇到稍微复杂的情况，也可能倾向于将患者转到上级医院；而患者从大医院治疗结束后，又很难顺畅地回到社区继续康复和慢病管理。
这背后并不只是患者观念的问题，更是医疗能力、信息系统和协同机制的问题。
而AI医疗真正有价值的地方，或许并不是再做一个“能回答医学问题的大模型”，而是深入诊前、诊中、诊后全过程，帮助不同等级的医疗机构形成一套真正能够运行起来的协同体系。
近年来，我国基层医疗服务能力不断提升。2025年，全国基层医疗卫生机构诊疗人次达到55.6亿，占全国诊疗人次的52.6%；2025年双向转诊人次较2020年增长超过50%。这些数据说明，越来越多患者已经开始在基层接受医疗服务。
但从患者实际就医体验来看，分级诊疗仍然面临几个核心问题。
很多患者无法准确判断自己的病情。
同样是“胸口不舒服”，可能只是焦虑、胃食管反流，也可能是心绞痛甚至急性心肌梗死。
同样是“头晕”，可能与睡眠不足、低血压有关，也可能是脑血管疾病的早期表现。
患者缺少医学知识，最稳妥的做法往往就是直接去大医院。即使排队时间长、挂号困难，患者仍然认为大医院更安全。
传统的医院导诊大多依据患者自己选择的症状或科室，无法进行深入追问，也无法综合判断疾病风险。
结果就是：
基层医疗机构承担大量常见病、慢性病和健康管理工作，但不同地区、不同机构之间的诊疗能力仍然存在差异。
基层医生面对复杂患者时，往往存在几个现实困难：
因此，一些原本可以在基层处理的患者，也会被转往上级医院。
这并不是基层医生不愿意承担，而是基层缺少足够的诊疗支撑体系。
在一些医疗信息化系统中，“转诊”只是填写患者信息、选择转诊医院和科室，然后生成一张转诊单。
但真正有效的转诊至少应该包括：
如果这些信息无法顺畅传递，转诊就很容易变成患者自己带着检查单，重新去上级医院挂号、问诊和检查。
这并不是真正意义上的连续医疗服务。
分级诊疗不仅包括向上转诊，也包括向下转诊。
例如，一名脑卒中患者在三级医院完成急性期治疗后，后续可能需要康复训练、用药管理、血压监测和定期随访。
这些工作未必需要长期占用三级医院资源，完全可以由社区卫生服务中心、康复医院和家庭医生团队共同完成。
但现实中，由于上下级医疗机构之间病历不互通、随访计划不统一、责任边界不清晰，患者往往只能继续在大医院复诊。
最终形成“大医院人满为患，基层机构资源利用不足”的局面。
AI并不能替代医院之间的组织协作，也不能替代医生作出最终医疗决策。
但AI可以成为连接患者、基层医生、上级医院和家庭医生团队的“智能协同层”。
它的作用不是单纯回答问题，而是帮助医疗系统完成四件事情：
识别患者、判断风险、匹配资源、持续管理。
AI参与分级诊疗的第一个入口，是诊前导诊和预问诊。
传统导诊一般让患者选择“头痛”“发热”“咳嗽”等症状，再推荐一个科室。
医疗大模型和医疗智能体则可以通过多轮对话继续追问：
AI不是直接下诊断，而是形成初步风险分层。
例如：
患者描述轻微咳嗽、流鼻涕，无高热、呼吸困难和基础疾病。
系统可以优先推荐附近社区卫生服务中心，并展示当天可预约的全科医生。
患者描述突发胸痛、出汗，并伴有左肩放射痛。
系统不应继续推荐普通门诊，而应提示患者尽快拨打急救电话或前往急诊。
患者只是进行高血压常规复诊和续方，近期血压稳定，没有明显异常。
系统可以推荐家庭医生、社区慢病门诊或互联网复诊服务，而不是直接推荐三级医院心内科专家。
深圳市龙华区已经上线基于医疗大模型的智能导诊应用。公开数据显示，该系统通过多轮对话分析患者症状，并根据疾病轻重推荐社康或不同等级医院，导诊准确率达到98.6%，约30%的轻症患者被分流至社康中心。
这个案例说明，AI导诊的价值不是“推荐一个科室”，而是把医疗风险、机构能力、地理位置和资源供给结合起来。
真正有用的导诊系统，还应该进一步连接医院排班、号源、床位、检查能力和转诊通道。
否则，AI即使判断正确，也可能出现“推荐了医院，但患者挂不到号”的问题。
要让患者愿意留在基层，核心不是宣传患者“不要去大医院”，而是让基层真正具备承接常见病和慢性病的能力。
AI可以在基层医生接诊过程中提供以下辅助。
患者就诊前，系统自动采集主诉、现病史、既往史、过敏史和用药情况，生成结构化摘要。
医生不需要从头询问所有问题，可以将更多时间用于疾病判断和沟通。
系统根据患者症状、生命体征、检验结果和历史病历，提示可能需要考虑的疾病方向。
例如患者出现持续咳嗽，系统不仅提示普通呼吸道感染，也可以结合年龄、吸烟史、影像结果和症状持续时间，提醒医生注意肺部感染、哮喘、慢阻肺或其他风险。
需要强调的是，AI只能提供辅助建议，最终诊断和治疗决策仍然必须由医生完成。
基层常见病看似简单，但患者经常同时患有高血压、糖尿病、肾功能异常等多种疾病。
AI可以辅助识别：
基层医生每天需要完成大量病历书写、处方和公共卫生记录。
医疗大模型可以根据医患对话生成病历初稿，同时检查主诉、现病史、诊断和处置计划之间是否存在矛盾。
这样既能降低医生文书负担，也能提升基层病历的规范程度。
国家关于“人工智能+医疗卫生”的相关部署已经明确提出，要面向基层医生建设智能辅助诊疗应用，为基层提供辅助诊疗、处方审核、随访管理和医学影像辅助诊断等能力。到2030年，基层诊疗智能辅助应用计划基本实现全覆盖。
这意味着，未来AI在基层医疗中的定位，不应只是独立的大模型问答入口，而应该成为基层医生工作站的一部分。
分级诊疗并不意味着所有医疗能力都必须在基层重复建设。
现实中更加可行的模式是：
检查留在基层，诊断能力由区域共享。
例如，患者可以在社区卫生服务中心完成心电图、CT、超声或检验采集，检查数据通过区域平台上传至上级医院，由专科医生或区域诊断中心出具报告。
AI可以在其中承担三类工作：
第一，进行检查结果的初步筛查，将疑似异常病例优先提交给上级医生。
第二，对影像、心电和检验结果进行质量控制，发现图像不清晰、导联脱落或数据异常时及时提醒重新采集。
第三，结合患者历史病历和当前检查结果生成摘要，减少上级医生重新梳理资料的时间。
部分地区已经开始建立“基层初诊、上级指导、双向反馈”的检查闭环。2023年至2025年相关城市医疗集团试点期间，上级医院累计出具远程报告超过16万份，完成远程会诊12万余人次。
这种模式比单纯在基层部署一个AI影像系统更加现实。
AI可以提升效率，但疑难病例仍然能够由上级专家把关；患者不需要为了做一次普通检查反复前往大医院；基层医疗机构也可以逐步提升服务能力。
传统转诊系统通常依靠医生手动选择转诊机构和科室。
但真正的智能转诊，应当综合分析：
例如，一名基层患者被发现肺部结节，AI不应该简单推荐“去三级医院呼吸科”。
系统应该进一步判断：
最终生成一份结构化转诊摘要，包括：
这份摘要可以直接传递给上级医院，而不是让患者到了上级医院以后再从头描述一次。
对于危急重症，系统还可以触发绿色通道，提前通知接诊医院和急救团队。
AI在这里承担的不是“替医生决定转诊”，而是帮助医生更快完成信息整理、风险识别和资源匹配。
相比向上转诊，向下转诊通常更容易被忽视。
实际上，分级诊疗能否形成闭环，关键就在于患者治疗后能不能回到基层继续管理。
例如，一名三级医院出院的心力衰竭患者，后续需要：
如果这些任务全部依靠患者自己记忆，很容易出现漏测、漏服药和延迟复诊。
AI智能体可以将上级医院的出院医嘱转换成基层可执行的随访计划：
家庭医生可以在工作台中看到患者风险分层：
这种模式尤其适合高血压、糖尿病、慢阻肺、冠心病、脑卒中康复和肿瘤随访等长期管理场景。
AI不是简单发送一条“记得吃药”的消息，而是根据患者连续数据判断风险，让基层医生优先处理真正需要干预的人。
假设有一名58岁的患者，患有高血压和糖尿病，近期出现头晕。
患者通过小程序描述症状。
AI继续询问症状出现时间、血压、血糖、是否伴随肢体无力、言语不清、胸痛和意识异常。
系统发现患者没有明显卒中征象，但近期血压控制不稳定，判断暂不需要急诊，推荐附近社区卫生服务中心当天就诊。
医生打开工作站后，可以看到AI生成的预问诊摘要、既往诊断和历史用药。
AI提醒医生重点排查体位性低血压、降压药使用、血糖异常和脑血管风险。
患者在基层完成血压、血糖、心电图和基础检验。
心电图数据上传区域心电中心，AI进行初筛，上级医院医生完成审核。
如果检查未发现严重问题，患者继续在基层调整用药并随访。
如果发现房颤或其他高风险异常，系统推荐转诊至医联体上级医院心内科，并自动生成转诊摘要。
上级医院医生可以直接查看基层病历、用药记录和检查结果，避免重复检查。
病情稳定后，上级医院生成下转方案。
AI将方案拆解为用药、监测、复查和随访任务，推送给患者和家庭医生。
这才是一套完整的分级诊疗流程。
在这个过程中，AI参与了风险识别、辅助诊疗、资源匹配、病历传递和随访管理，但每一个关键医疗决策仍然由医生负责。
现在很多项目谈AI医疗，第一反应是选择哪一个大模型、参数量是多少、是否需要本地化部署。
但真正进入医院以后会发现，模型只是其中一部分。
如果AI无法获得患者历史病历、检验检查、处方和随访数据，就只能根据患者当前输入的几句话作出判断。
这样的AI很难承担真正的分级诊疗任务。
分级诊疗需要打通基层HIS、电子病历、区域健康档案、影像平台、检验平台、转诊平台和家庭医生系统。
AI要推荐医疗机构，必须知道每家机构能够处理什么疾病、拥有哪些科室、设备、医生和号源。
如果医疗资源数据不准确，再智能的模型也可能推荐错误。
系统不能只记录“已经转诊”，还要知道：
没有这些状态反馈，AI就无法持续优化分流和转诊策略。
AI可能出现遗漏、误判和模型幻觉。
因此，AI在医疗场景中必须明确定位为辅助工具，而不能绕过医生直接作出诊断和治疗决策。
涉及危急重症、用药、转诊和检查结果解释时，必须设置明确的医生审核机制、异常兜底机制和操作留痕。
医疗AI落地不仅是技术问题，也是治理问题。模型上线前需要经过临床验证，上线后还需要持续监控准确性、偏差、数据漂移以及不良事件，并建立必要的停用和退场机制。相关医疗机构已经开始建立AI临床落地委员会，对AI应用进行上线审查、运行监控和全生命周期治理。
很多人想象中的AI医疗，是患者打开手机，与一个“AI医生”进行对话。
但从分级诊疗的角度来看，真正有价值的可能并不是一个独立的AI医生，而是一张连接不同医疗角色的智能协同网络。
对于患者，AI帮助判断应该去哪里、找谁看、什么时候必须就医。
对于基层医生，AI提供病历摘要、鉴别诊断、用药审核和上级专科支持。
对于上级医院，AI帮助筛选真正需要高级医疗资源的患者，减少重复问诊和重复检查。
对于家庭医生，AI帮助管理大量慢病患者，识别高风险人群。
对于卫生管理部门，AI可以分析区域疾病谱、患者流向、转诊效率和医疗资源利用情况。
最终，AI需要解决的不是“能不能回答医学问题”，而是：
能不能让合适的患者，在合适的时间，到合适的医疗机构，接受合适的服务。
分级诊疗的核心，从来不是简单地把患者从大医院“赶到”基层。
真正的分级诊疗，是让患者相信基层、让基层有能力接诊、让上级医院能够提供支持，并让患者在不同医疗机构之间获得连续的医疗服务。
AI可以帮助我们识别疾病风险、提升基层能力、优化转诊路径、连接上下级医院，也可以把一次就诊延伸为长期健康管理。
但AI并不会自动带来分级诊疗。
只有当AI真正嵌入医院业务流程，与HIS、电子病历、区域平台、转诊系统和家庭医生服务连接起来，并建立明确的临床责任和治理机制，它才可能从一个“会聊天的工具”，变成推动医疗资源协同的基础设施。
未来的AI医疗，不只是让某一家医院更加智能。
更重要的是，让整个区域的医疗资源能够真正流动起来：
基层接得住，上级转得快，康复回得来，患者少跑腿。
这或许才是AI医疗参与分级诊疗最现实、也最值得期待的方向。
特别声明：智慧医疗网转载其他网站内容，出于传递更多信息而非盈利之目的，内容仅供参考。版权归原作者所有，若有侵权，请联系我们删除。
凡来源注明智慧医疗网的内容为智慧医疗网原创，转载需获授权。
