尽管智慧医院的建设进行得如火如荼，但落在具体场景中，譬如自动书写病案、智能问诊、 智能随访等应用，仍然没有脱离关键词映射数据库的逻辑，真正做到智慧智能。 大语言模型（LLM）带来的 NLP 技术更迭能够一定程度解决当前智能程度不够问题。在分 析文本类信息时，大模型不仅能够从大量给定信息中找到任务需要的关键项，还能对未知信 息进行预设，综合上下文做出推理。此外，亦有企业将大模型置入新药研发中，以更高效的算法分析、处理、构建化合物、匹配 临床患者等，提升各阶段药物研发效率。就目前而言，大模型在医疗领域的应用还停留在对已有场景的重构上，尚未展现出新场景的 创新。部分专家认为，以下九个场景最有可能最快接入大模型。相对于传统 CDSS 而言，大模型的训练数据来源更为广泛，自我净化能力更为高效，因而能 为 CDSS 带来较大幅度的提升。辅助诊断方面，医生在诊断中需要调动大量医学知识，记忆大量的患者信息，常会出现疲惫 的问题。此类大模型的引入可以帮助医生记录信息，缓解疲劳。同时，大模型还能通过学习 电子病历、医学文献等数据同医生进行一些语言互动，提升诊断的准确性及效率。两条作用 路径均能提升医生诊断质量、诊断效率。目前，百度灵医智惠、卫宁健康、惠每科技等企业已在尝试将大模型融入自身的 CDSS，提 升决策的完整性与准确性。理论上可在急救药学服务、骨科、细菌感染等领域接收患者后迅速生成治疗方案。尤其是在 急救场景中，大模型在急救过程中迅速根据患者信息生成治疗方案，可以辅助医生更快做出 诊断，为患者谋取更多救治时间。目前尚无企业发布相关产品。可对结构化的医疗文书进行自动录入、形式质控、内涵质控。各个医生书写习惯不同，精力 有限，大模型可快速地生成规范医疗文书模板，该模板具备质控逻辑清晰、内容表达丰富等 特征，能够按照标准准确录入文书，减轻医生在书写、检查等环节的负担。主流 LLM 都可 提供多样化质控功能。可通过通俗的语言为患者进行导诊、答疑；用智能支持的药品说明书替代传统说明书。传统 的患者教育需要医生投入大量精力进行编写，并在专业性、易读性方面取得平衡，还会常常 在后续沟通中为患者释疑。大模型可以针对患者母语背景生成相关的患教资料；与患者对话 提供患者需要的信息。 这是一项较为成熟的应用，健培科技的啄医生；百度灵医智惠的 AI 药品说明书均属这一场 景中的成熟应用。可生成医院管理所需的各类表单，为医院管理者提供辅助管理决策支持，统计包含医生基础 信息、临床能力、医院后勤、医院财务等各个方面的数据，然后生成匹配医院现状的动态管 理计划，对医疗资源进行一个智能高效的配置。以医疗设备管理为例，大模型可以规划各项 医疗设备采购、维护计划，生成维修相关表单，有效提高管理效率。研究方面，可在选题立项、研究方案设计、结果分析、成果编写方面发挥很大作用。需要注 意的是，大模型也会出现伪造参考文献引文、无法甄别科研贡献，无法对于生成内容负责等 等问题，有待后续逐一解决。 教育方面，可协助医生编写教案，替代医生解答部分问题。医生在履行教学职能时需耗费大 量时间编写教案，回答学生提出的各类高重复度问题，导致有临床、科研任务的医生其精力 被重复性劳动占用。大模型的引入可以分担医生压力，如辅导第一年资学生的学习，将医生 从医学教学的任务中解放出来，帮助其专注临床科研工作。中医常面临其医疗知识难以显性化、结构化的问题，导致知识传承相对困难。引入大模型可 对中医相关知识进行数据挖掘，推动相关知识体系的构建，以标准化的形式为患者生成诊疗 方案。 目前发布中医大模型的企业较少，以大经中医为例，其“岐黄问道·大模型”包含基于已确诊 疾病的临床诊疗大模型、基于症状和体征的临床诊疗大模型、中医养生调理大模型，分别可 作用于根据用户提供的疾病、症状、体征信息，给出辨证（诊断）结果和治疗方案（中药处 方）；根据用户提供的主诉症状和伴随症状、体征信息，给出辨证（诊断）结果和治疗方案 （中药处方）；根据用户提供的症状、体征信息，给出个性化中医健康状态辨识结果，以及 食疗、茶饮、推拿、艾灸等多维度养生方案，推动中医知识标准化、诊疗标准化。研发方面，大模型可在药物发现、临床前研究等环节提高靶点发现效率，构建复杂分子；亦 可在临床试验环节对临床试验的设计思路、统计方法的推荐等等方面提供支撑，极大提升药 物研发效率。 如晶泰科技噬菌体展示平台 XpeedPlay 能够利用大模型超高速生成苗头抗体。在研究 VHH 抗体（一种存在于骆驼血清中的天然轻链缺失抗体，用于治疗癌症，自然界不存在）结构时， 该平台通过同时优化多种药物特性，帮助晶泰科技一举获得了 1000 亿个最有前景的新 VHH 抗体序列。销售方面，大模型可在药物市场推广时以自动化、智能化的方式连接目标用户，打造更为精 准的用户画像，进而降低营销成本，提升营销效率。用于辅助流行病学的大数据分析及趋势判断。由于传播方式和传播路径具备复杂性、偶然性， 疾病发展的不确信性和变化性非常大，超出常规算法的能力范畴。相比之下，大模型可以对 流行病学的大数据分析和这个预测进行有效支撑，给出较为精确的判断。目前国内外拥有大 量研究机构和医院进行相关探索，并已取得了不错的成绩。
