宝软数字 · 行业解决方案系列 · 2025-06-14
一个病人走进三甲医院的门诊大厅，他的病历分散在四个互不相通的系统中：HIS系统里记录着历次就诊的基本信息和收费记录；LIS系统中保存着血常规、生化等检验报告；PACS系统里存储着CT、MRI的影像数据；电子病历系统中记载着住院期间的病程记录和手术情况。理论上，这些数据都属于同一个病人。但实际上，它们像被锁在不同保险箱里的碎片，没有一个系统能提供这个病人完整的健康画像。
这就是中国绝大多数医院面临的"数据孤岛"困境。造成这个问题的原因不是技术落后——恰恰相反，过去二十年医院信息化建设投入巨大，部署了数十个业务系统，但每个系统都是为解决某个单一业务需求而独立建设的。HIS管挂号收费，LIS管检验，PACS管影像，电子病历管文书——它们各自高效运转，但彼此之间缺乏有效的数据互通机制。最终的结果是：最需要数据的人——临床医生——无法在一个界面上看到患者的完整信息。
数据孤岛带来的后果不仅仅是效率低下，更是潜在的医疗安全隐患。一位内科医生在开药时，看不到皮肤科同事开的外用药，可能导致药物相互作用。一位急诊医生在接诊昏迷患者时，无法快速获取患者的过敏史和既往病史，每一秒的延误都可能危及生命。一位需要进行复杂手术的外科医生，需要手动从四五个系统中搜集患者的各项检查结果，这个过程中任何一个信息的遗漏都可能影响手术决策。在医疗领域，信息不完整不是效率问题，而是安全问题。
医院拥有了所有数据，却在最需要它们的关键时刻"看不见"——这不是技术的问题，是集成的问题。
解决问题的第一步，是让所有关于一个患者的数据汇聚到一个地方。EIOS的全域患者画像Agent做的正是这件事——但它不是简单的数据复制和展示，而是在数据汇聚的基础上进行结构化重组和智能解读。它将来自HIS、LIS、PACS、电子病历、手麻系统、心电系统等多个源的原始数据，按照临床思维重新组织成医生真正需要的患者视图。
这个患者视图的逻辑结构围绕着几个核心问题展开：这个患者是谁（基本信息、过敏史、家族史、既往病史）？这次为什么来看病（主诉、现病史、查体发现）？做过哪些检查和结果如何（检验结果按时间线排列，异常值自动高亮；影像报告附关键图像缩略图）？用过什么治疗方案效果如何（用药史、手术史、治疗效果轨迹）？现在需要注意什么（当前用药冲突警示、未完成的检查提醒、需要随访的项目清单）？
更重要的是，患者画像Agent不只是展示历史数据，还基于历史数据进行风险预测和临床辅助。例如，对于一位糖尿病患者，Agent会根据历次血糖检查结果的趋势、用药调整记录和并发症筛查结果，自动计算出患者的血糖控制稳定性评分，并在血糖趋势恶化前向主管医生发出预警。对于一位术后患者，Agent会根据手术类型、患者年龄和基础疾病情况，自动推荐术后随访的时间节点和检查项目，减少医生在常规事务上的精力消耗。
全域患者画像的本质，是让医生在最短的时间内获得最完整的决策信息——把时间还给患者，把计算交给AI。
医院的排班问题表面上看起来像是"安排谁什么时候上班"，但深入下去，它是一个多目标、多约束的复杂优化问题。需要考虑的因素包括：医生的专业资质和可执行的手术/操作范围、各科室的历史门诊量和季节性波动趋势、手术室和检查设备的可用时段、医生的连续工作时长上限和法定休息要求、急诊和突发手术的预留容量、教学任务和科研时间的安排等等。
传统的人工排班方式由各科室的排班员手工编制，通常需要3到5天时间来完成一轮排班，而且排出来的结果往往只能勉强满足最基本的约束条件——确保每个班次都有人值守。至于排班是否高效、医生的工作负荷是否均衡、患者的等待时间是否最短，这些"优化目标"在人工排班中几乎不可能被系统性地考虑。
EIOS的智能排班Agent将这一问题转化为约束满足与多目标优化的数学模型。它首先将所有硬约束（如资质要求、最大工作时长、法定休息）编码为必须满足的条件；然后将软优化目标（如最小化患者等待时间、均衡医生工作负荷、减少超时加班）编码为需要最大化的目标函数。在每天的运行中，Agent根据最新的门诊预约量、住院患者数量、手术排程和医生可用性，动态生成最优排班方案。某三甲医院在试点应用后，排班编制时间从3天缩短到2小时，医生人均周加班时长减少了4.2小时，门诊患者的平均候诊时间缩短了17分钟。
药品库存管理在医院运营中占据着特殊的位置。与普通商品不同，药品的短缺可能直接危及患者生命，而过量储备又会造成巨大的资金占用和效期过期损失。医院药库管理的难度在于：药品种类繁多（大型医院常备药品可达2000种以上），每种药品的需求波动大（季节性流行病、突发公共卫生事件、新技术新疗法的引入都会改变需求结构），存储条件各异（常温、阴凉、冷藏、特殊管制药品需要分别管理），且受到严格的政策管控——集采药品、国谈药品、急抢救药品等各有不同的供应保障要求。
传统的药品库存管理依赖药库管理员的经验参照历史消耗数据手动制定采购计划。这种方式在面对需求波动时显得力不从心。2025年初新冠疫情暴发时，全国几乎所有医院都经历了防护物资和急救药品的严重短缺——不是因为全国缺货，而是因为需求预测系统完全没有应对突发公共卫生事件的能力，等到人工发现问题时，供应链已经断裂。
EIOS的药品库存优化Agent采用了多维度需求感知的方法。它不只依赖历史消耗数据，而是同时接入四大类实时信号：临床信号（当前住院患者数量、手术排程、各科室用药申请趋势）、流行病学信号（区域传染病监测数据、门急诊发热患者比例、呼吸道症状就诊量变化）、供应链信号（供应商库存状态、物流时效、替代药品可用性）、政策信号（集采周期、医保目录调整、短缺药品预警）。基于这些信号，Agent每天自动计算每种药品的未来需求预测和最优库存水位，并在库存逼近安全线之前自动发起采购建议。
某区域医疗中心在部署药品库存优化Agent后，急救药品的缺货率从5.2%降至0.8%，同时药品库存总金额下降了18%，过期报损金额减少了约60%。
在医疗行业，库存管理的终极目标不是成本最低，而是在任何时候、任何情况下，都能确保"有药用、用对药、用好药"。
患者画像、智能排班、药品库存——这三个Agent各自解决了一个领域的问题，但医院运营的真正挑战在于这些领域之间错综复杂的耦合关系。例如，当冬季流感高峰来临时，不只是门诊量和住院量上升的问题——它同时意味着呼吸科医生需要增加排班（排班Agent需要响应），抗病毒药物和退热药品需要提前备货（库存Agent需要调整），高危患者（老年人、慢性病患者）需要被主动识别和优先关注（患者画像Agent需要标记）。
EIOS在医院部署的是一种"联邦式"的多Agent架构。每个Agent在自己的领域内自主运行，但通过共享的事件总线进行协同。当患者画像Agent识别到流感样病例就诊量在过去24小时内上升了35%时，它会向事件总线发布一条"流感预警"事件。排班Agent订阅了这条事件，自动建议在未来48小时内增加呼吸科门诊班次。药品库存Agent也订阅了这条事件，自动检查奥司他韦等抗病毒药物的库存水位并生成加急补货建议。这不是三个独立的决策，而是一次基于同一信号的多领域协同响应。
医疗行业对AI的态度一直存在两极分化：一边是对AI诊断、AI手术的过度炒作，另一边是对AI安全性、合规性的过度担忧。EIOS在医疗领域的实践表明：最有价值的医疗AI应用，不是替代医生的诊断或决策，而是消除医生在信息获取、资源协调和行政事务上的障碍，让他们把时间和精力集中到最需要人类专业判断的环节。
实施路径上，EIOS遵循"三步走"策略：第一步实现数据贯通——对接医院现有的HIS、LIS、PACS、电子病历等核心系统，构建统一的数据中台，这一阶段不改变任何临床工作流程。第二步实现单点智能化——选择医院最迫切的一个场景（通常是患者画像或排班）部署Agent，以辅助建议的方式运行，不替代任何人的决策。第三步实现全面协同——在多Agent协同运行的基础上，逐步将Agent的建议纳入临床和管理工作流程，并在严格的监管和伦理框架下持续优化。
在某三甲医院的试点中，从启动数据中台建设到患者画像Agent上线仅用了8周时间，到多Agent协同运行共用时16周。关键成功因素是：不是推倒重来建一套新系统，而是在医院现有的信息化基础上叠加一层智能层，让老系统的数据焕发新的价值。
医疗AI的真正价值不在于炫技，而在于润物无声——让医生不再在系统之间"跑数据"，让每一秒都用在患者身上。
