（文/张志峰 编辑/周远方）

刚刚走出温州医科大学附属第一医院（下称“温医大附一院”）门诊大楼，72岁的陈阿姨正通过手机查看AI刚刚生成的就医导航。

对她而言，离开医院并非这次就诊的终止。医生开具的营养处方已同步至物流系统，特医食品将按需按时送到她家中，一个由AI驱动的居家管理计划才刚刚启动。

这个场景折射出医疗AI正从概念走向实际应用。

当技术公司与公立医院深度协同，它们试图解决的已不再是简单的挂号难，而是医疗服务体系中更深层的连续性断裂。

痛点位移

十多年前，温医大附一院曾以“流程再造”闻名业内，其推行的预约诊疗和诊间结算一度成为行业标杆。但随着医疗服务需求升级，单纯依靠管理流程优化的边际效应正在递减。

尽管医院智慧门诊体系累计服务量已突破910万人次，管理层却敏锐地意识到，患者体验的痛点正在发生位移。

温州医科大学副校长、温医大附一院党委书记沈贤将此概括为，过去主要解决看病烦，现在要面对看病断。

这个断，指的是医疗服务在时空上的割裂。不少患者出院后陷入失访境地，尤其是需要长期管理的慢病与营养风险人群，院外康复质量直接决定了最终治疗效果，而这恰恰是传统医疗模式的短板。

要缝合这种断裂，临床营养成为了一个极佳的切入点。它贯穿疾病治疗始终，却又是院外最易脱节的一环。

AI做大脑，供应链做手脚的全病程闭环

传统认知中，营养支持虽重要，却常因缺乏标准化工具而难以规模化。

过去营养筛查依赖医生主观判断与纸质问卷，不仅耗时且易漏诊，导致营养科常沦为边缘科室。温医大附一院选择利用AI重塑这一痛点，依托京东健康京医千询大模型，构建了覆盖筛查、评估、诊断、治疗、控管和宣教的全病程闭环系统。

该系统注入了超百万篇专业文献和数十万真实病例数据，在医生接诊前即可自动完成病史采集和风险筛查。

从被动问诊到“主动全覆盖筛查”的转变带来了实质性改变，营养师从繁杂的基础问诊中解放，精力得以集中于关键决策。

据沈贤介绍，经历了本轮AI重塑之后，全院营养风险筛查率接近100%，大量过去被忽视的隐性营养不良患者被AI精准找出。

找出风险仅是第一步，医疗AI真正的考验在于院外。传统模式下患者出院往往意味着服务终止，营养方案断档与无人随访是常态。

合作过程中，京东健康不仅充当技术提供商，更扮演了履约方角色。

当AI生成个性化营养方案，医生完成审核决策后，处方一键流转至京东物流，特医食品按需送达；同时AI系统在出院后持续跟踪指标变化并提醒复诊。

在这里AI是做决策的大脑，供应链和物流是执行的手脚。

这种技术与供应链互补的模式，直击医疗落地的核心难题，即依从性。当医生建议能一键变为餐桌上的营养餐，当居家数据能实时回传，医疗服务的连续性才真正从概念变为现实。

从被动接诊到主动干预的理念升维

除了院内诊疗与院外履约，双方合作还将触角延伸至治未病。

在该院体重管理中心，一款名为“NICE”的综合干预新模式正在运行，AI悄然改变医疗服务的底层逻辑。

45岁的李先生就是这一模式的受益者。在最近的年度体检中，他的各项常规指标均处于临界值以内，并未达到需药物治疗的程度。

若按传统模式，他只会收到注意饮食的口头医嘱。然而AI系统在比对历次门诊与体检数据时敏锐捕捉到了危机，他的腰围增速与胰岛素抵抗趋势符合代谢综合征的高危特征，属于典型的隐性肥胖。

系统自动将预警推送给体重管理中心，李先生随之被纳入NICE项目管理。AI不仅为他定制了精细化干预方案，还通过持续的体征监测防止其演变为真正的糖尿病患者。

这种从“等患者来”到“找患者去”的转变，让AI扮演了健康哨点的角色，通过早期干预降低疾病发生率，与国家层面的“以治病为中心”向“以健康为中心”的战略转变不谋而合。

跨越最后一公里的现实考量

温医大附一院的实践展示了医疗AI深度落地的可能性，但要将这一模式从样本推广为行业标准，横亘在前的最大壁垒并非算法精度，而是数据安全与合规。

医疗数据高度敏感，当海量临床数据需要汇总并与外部商业物流链条打通时，隐私泄露的风险呈指数级上升。

温医大附一院选择了一条最彻底但也最沉重的道路：自建AI超算中心。

据沈贤介绍，温医大附一院已在院区内部自建超算中心，耗资数千万元，核心就是提供算力与保障数据的绝对安全和专业，“确保所有患者数据不出院门，大模型在本地完成训练与推理”。

这种做法为数据安全上了一道最牢固的锁，却也引发了更深层的思考。

年营收逾百亿的大型三甲医院，其数千万级的私有化部署投入具备行业领先性性。

但在全国约3000家三级医院中，年收入破百亿的仅占极少数，绝大多数医院的信息化投入占年度营收比例不足1%，既无力承担重资产私有化部署，也缺乏持续运维所需的技术团队与预算空间。

这种财力与资源的结构性落差，决定了医疗AI的规模化渗透不可能依赖"统一标准"的复制逻辑，而必须依托分层供给体系：头部医院以深度共建模式承担科研攻关与标准沉淀，将临床验证后的知识资产向下游输出；腰部医院通过SaaS租赁或轻量化本地化部署，以数十万到百万级的年付成本接入核心能力，将资本性支出转化为可控的运营支出；基层医疗机构则依托区域医疗平台与医联体共享中心，以"中心化建设、分布式使用"的模式间接享用AI能力，自身几乎无需承担边际成本。

如何在数据安全与AI效率之间寻找更优解？

业内正在探索的隐私计算技术，或可提供一条更为灵活的中间路线。例如，采用联邦学习架构，医院将原始数据保留在本地，仅与云端大模型交换加密后的梯度参数，从而实现“数据可用不可见”。另一种思路是借助可信计算环境，在云端划分出经过严格审计的加密“飞地”，供医院在受控条件下调用外部算力。

结语

医疗AI的终局，不是在屏幕上给出一个冰冷的建议，而是通过技术加履约完成真实世界的干预。

温医大附一院样本的意义，在于提供了一条可行性路径。

但要让这一模式惠及更广泛的大众，快速在横向、纵向形成全国范围内的可复制通道，仍需跨越重重山丘，这不仅是技术与供应链的功课，更是整个医疗体系需要共同作答的考卷。