南方医院肾内科的谢迪医生记得一个24岁的女孩。女孩因为系统性红斑狼疮住院，血检指标却指向另一种更凶险的罕见病，非典型溶血性尿毒症综合征。发病时微血栓会堵住全身的小血管，肾脏首当其冲。急性期死亡率达25%。
这种病的有效干预窗口只有24到48小时。7天之内确诊并启动治疗，预后远远好于7天之后。
难处不在治疗，在识别。患者往往要在好几个科室之间辗转。等肾内科和血液科被召集起来会诊，等资料整合完毕，黄金窗口已经过去。最懂疾病逻辑的人，脑子里有整套排查路径，手里却没有一个能用的AI工具。
不少医生告诉雷峰网，他们的很多想法，总是碍于这样那样的原因，在提出来之前就被放弃了。
这堵墙很厚。
今年4月，南方医院与华为签署协议。基于华为DCS AI解决方案的HAIP平台正式落地。核心组件是Nexent智能体平台。零代码，可视化操作。医生不用编程，只用自然语言描述临床逻辑，就能生成智能体原型。
把需求说清楚，就能造出AI工具
创造工具的门槛变了。过去看会不会写代码，现在看能不能把需求说清楚。
谢迪打听过传统开发的行情。光是做一个高危筛查的临床决策支持系统，第一步就要付出不菲的外包费用。更麻烦的是沟通。
两边说的是两种语言。做数据采集的不懂AI编程，做AI的不懂业务流。医生脑子里的诊疗决策节点很细微，工程师要花很长时间才能理解。等双方终于对齐，排期又要以月计。最后交付的东西，常常和医生想要的差得很远。
产科是另一种沉默。产后出血这类急症发病快，很考验团队协作。临床上却并不常见，规培医生遇到的次数很少。
传统模拟教学里，做一份像样的病例要老师手工整理四五十分钟。训练开始后，老师还要同时观察和记录。复盘全靠课后回忆。
现场很难纠偏。学生哪里做得好，哪里漏了，很难当场给出精准反馈。
回到南方医院这套平台，医生们做的事其实很朴素。他们把诊室里反复出现的困境，翻译成一段段可运行的智能体逻辑。
案例一：把八九个科室的线索串起来
文章开头提到的罕见病，病因相对明确。患者体内的补体系统本该抵御细菌，却在不该激活的时候过度激活。它向内攻击血管内皮细胞，导致全身性微血栓形成。
这种病只要能诊断出来，就有针对性的药。麻烦在早期症状没有特异性。患者可能因为贫血和血小板下降出现在血液科，也可能因为肌酐升高被推到肾内科。每个科室看到的都只是碎片。
诊断本身还是排他性的。医生要先确认患者属于血栓性微血管病，再逐一排除血栓性血小板减少性紫癜、恶性高血压和药物诱发等多种可能。中间牵扯八九个专科的交叉判断。谢迪还遇到过一个孕妇病例。患者终止妊娠后保住了生命，却留下不可逆的肾功能不全。
问题不在医学判断，在信息整合的速度。
这才是真正的卡点。
谢迪团队把这套临床思维拆成了几个智能体。数据感知智能体负责从医院信息系统抓取血常规和破碎红细胞等关键指标。分层推理智能体负责识别和确诊，再逐一排除别的疾病。多学科协同智能体则模拟八个专科医生的交叉质询。
更关键的是分歧处理。他们专门加了一个仲裁智能体。当不同专科的智能体给出方向不同的建议时，系统分四级处置。先回溯证据查缺补漏。再结合证据等级和患者实际情况做结构化评估。然后把各专科意见和主要分歧透明地摆给真人医生，由医生拍板。最后把争议点和结论完整记录，沉淀成可追溯的案例库。
谢迪特别提到两个她认为有价值的设计。一是AI对话。通用大模型给完答案就结束了，这套系统允许医生在发现判断有误时直接点击修正。修正后的内容进入知识迭代流程，经专家审核和版本管理后更新知识库。二是记忆飞轮。线下多学科会诊的汇总结果会持续反哺系统。真实病例越积越多，新病例进来时，系统能调出相似的历史病例和处置结局。
谢迪是零基础入门。参加讲座培训之后开始自己搭建。她的说法是知识库直接上传就行，不需要AI编程，平台会自动拆解。调试时她先粗略说要什么，平台生成框架，她再根据临床需求逐步修正。
从零基础到完成初赛原型，她和团队只用了十天。
十天。下一步她们想把系统嵌进医院的病历系统。通过南向接口抓取诊疗数据，北向接口回输意见，让分散在各科室的信息实时汇总。
案例二：不会编程的产科医生，做出了训练系统
产后出血的救治抢的同样是时间。霍智锋医生带教时遇到的难题很具体。传统训练很难还原真实抢救中的时间压力。轻松环境下学生表现不错，真到高压场景，判断力会明显下降。
这种需求，只有长期站在一线的人才能意识到。
别人想不到。
他把临床经验转化成了一套病例生成与智能复盘系统。老师上传脱敏后的病例资料，告诉系统教学目标和难度。平台在后台生成结构化的病历草案，老师审核确认后发布演练。
学生在演练中只看到一个初始场景和倒计时。系统不会主动给信息。真实抢救里也没有老师时刻提示。学生要求监测生命体征，系统才反馈血压和心率。
病情会随着时间往前演进。
它不讲情面。学生处理正确，系统反馈病情改善。学生没能及时干预，病情自动恶化。出血量从数百毫升升到上千毫升，还会伴随脸色苍白和烦躁。
支撑这套演进的是一个确定性状态机引擎。霍智锋说得很清楚，规则不是AI生成的，是医生基于十几年临床和教学经验定下来的。什么情况下病情该推进，推进到什么程度，都经过反复验证。
复盘环节的变化最直观。以前老师拿着表慢慢对照整理，大概要15到20分钟。现在系统约4秒就能生成初稿。它记录学生在什么时间做了什么，并给出针对性的改进建议。他还做了升级版，加入语音识别之后，智能体能区分不同参与者的声音，团队协作的训练更细。
霍智锋没有编程经验。他说这套东西让他体会到什么叫技术平权。编程他不会，现在也不需要他会。他只需要提需求，不满意就让系统改。
这套系统还在往外流。他认为这类智能体在基层医院的价值，可能比大医院更高。大医院病人多，学生见得多。基层医院可能几年碰不到一次严重产后出血，一旦遇上就是加倍的凶险。他甚至收到急诊和重症科室同事的消息，问能不能把智能体开放给他们。接下来这套系统会往子痫和重症场景迁移，还在探索加图像识别甚至VR。
案例三：让专家从会议室里解放出来
肝癌有一个值得琢磨的数字。
差距不小。中国和日本的五年生存率差距明显。刘红艳团队长期关注这件事。她们认为差距不在手术技术，而在全程管理。日本把早发现和早诊断做得好，国内很多病人一发现就是晚期，后面还缺持续的随访。
肝癌多学科会诊她们做了十五年。疲惫感来自组织成本。
一场会诊像一场会议。每一次会诊都像组织一场会议。主管医生整理海量资料，制作演示文稿。专家要固定时间地点到场。能服务的病人非常有限。更麻烦的是，会诊结束往往就是终点。病人有没有按方案治疗，复查结果如何，随访完全断裂。
十年前她们就想做线上会诊。2016年还试过一款专用系统，最后因为技术门槛和运营成本太高，没能活下来。这个构想搁置了整整十年。
十年。
今年4月的这次合作，让她们一个多月就建成了演示版本。她们把预警和质检、专科分身与随访监测这些环节串起来，做成了一个11个子智能体的协同闭环。会诊前，系统自动抓取病史资料并完成质检。会诊中，各专科助手并行输出基于指南的建议，首席助手汇总成结论。会诊后，系统自动生成个性化随访计划。患者没按时复诊时触发分级预警，先提醒病人和家属，再通知主管医生与护士。
对医生来说，这相当于每个专家都多了一个24小时不休息的助手。它把指南推荐的意见整理出来，医生只需审核和补充，不用一切从零开始想。
原来发起一次会诊，要花几个小时整理资料。
现在不用了。现在上传之后十分钟就能自动生成。团队每周有两场会诊，可以让智能体和真实会诊同步跑，在实战里继续训练。她们的计划是让系统持续积累真实病例，慢慢理解那些指南里没写明的隐性经验。
变的不只是工具
回到这三个案例，变化指向同一件事。医疗AI的生产关系被重新设计了。
过去，定义问题和解决问题的人是脱节的。工程师主导工具设计，医生有需求只能写需求单、排队等排期。等IT部门答复，交付的东西可能和预期差得很远，时间上也不允许返工。
现在医生直接参与应用层的设计，把临床经验变成系统规则。技术厂商退到底座层，负责算力和模型，也负责安全与治理。分工不再是一买一卖的甲乙方关系。
医疗的容错率极低。南方医院的医生们在开发过程中，对严谨性抓得很紧。罕见病智能体的知识库只检索权威文献，还要多智能体交叉验证和医生终审。产科的规则由带教医生制定，所有病情演进都经过临床验证。肝癌的每个子智能体都基于最新指南，结论最终由真人专家确认。
AI可以整理资料，可以生成草案。
底线不能交出去。医学逻辑的底线必须建立在指南和专家共识之上，还要建立在不断更新的真实病例之上。最终决策权始终留在医生手里。
当医生获得造工具的能力，医疗创新的起点就从技术能做什么，转向临床需要什么。
