基层医疗怎么用 AI？县域医共体、辅助诊疗与安全上线清单

直接答案：基层医疗使用 AI，最稳妥的起点不是“让模型替医生诊断”，而是从病历完整性检查、处方规则提醒、慢病随访分层、远程影像/心电协同和知识检索等可人工复核、可追溯、可回退的任务开始。涉及诊断、用药、急症识别和转诊的建议，必须写清预期用途，在本地患者与现有流程中验证，由有资质的医务人员批准，并保留上转、停用和断网降级路径。

医疗提示：本文面向县域医共体、乡镇卫生院、社区卫生服务中心的管理、临床、信息与采购人员，用于解释部署和治理方法，不提供个人诊断、处方或治疗建议。本文资料复核日期为 2026 年 7 月 19 日；产品注册状态、预期用途、指南知识和政策可能变化，采购与临床使用前应查询所在地监管数据库、产品说明书和现行制度。

先纠正旧稿：没有证据支持“基层诊断准确率升至 95%”

本页旧版本把“95% 准确率”写进标题，并声称某些基层机构初诊准确率、死亡率、致残率、转诊率和成本发生了精确变化，却没有提供研究名称、任务定义、样本、对照组、时间范围或可核验来源。旧稿还描述了一个名为“MedBrain-Base”的系统和匿名医院案例。本站无法证明这些数字和案例真实存在，因此全部撤回。

如果要判断某个具体医疗 AI 产品的敏感度、特异度、监管授权与临床证据，应阅读AI 医疗诊断的临床验证与医院上线清单。本页只回答另一个问题：基层机构如何把一个合格工具嵌入县域服务流程。

政策支持哪些基层场景？支持应用不等于允许自动决策

国家卫生健康委等部门发布的“人工智能+医疗卫生”实施意见提出加强县域医共体智能应用，建设基层医生辅助诊疗，并覆盖处方审核、随访管理、慢病管理、影像辅助和公共卫生等场景。卫生健康行业人工智能应用场景参考指引也单列“基层全科医生智能辅助决策”，强调结合主诉、病史、体格检查和辅助检查，为医生提供诊断、鉴别诊断、检查、用药和转诊建议。

这些文件描述的是发展方向和参考场景，不是对任意聊天模型、任意疾病或任意自动化动作的临床许可。“辅助”意味着输出进入专业人员的判断链；如果软件输出用于疾病诊断或治疗决策，还要核对其是否属于医疗器械、注册证、适用机构、适用人群、输入设备、禁忌与说明书，而不能用政策愿景替代产品证据。

第一步：按错误后果给任务分级

基层资源有限，更不能同时上线一组边界模糊的“AI 全科医生”功能。先把候选功能拆成单一任务，再按错误是否会直接改变患者处置分级。任务越靠近诊断、处方和转诊，越需要严格证据与即时人工干预。

WHO 的医疗 AI 监管考虑强调预期用途、外部验证、数据质量、人类干预、生命周期文档和网络安全。对于生成式或多模态大模型，WHO 的大模型医疗治理指南还要求任务定义、相关利益方参与、发布后审计与影响评估。流畅回答不是临床适用性证据。

第二步：先画县域服务闭环，再谈模型架构

医疗卫生强基工程实施方案强调基层与二、三级机构的电子病历、健康档案、处方和检查检验互通，并探索常见病、多发病和慢性病决策支持。国家卫生健康委关于基层检验的建议答复进一步说明县域检验、影像、心电和病理共享中心以及“基层检查、上级诊断”的协作方向。

闭环设计要先回答“谁在何时看到什么信息、谁能批准、失败后联系谁”。若模型发现疑似急症，但系统无法把患者送入人工处置队列；或上级诊断回传后基层没有随访责任人，再高的离线指标也不能证明系统有临床价值。

第三步：把数据和接口准备好，避免模型替数据缺口背锅

基层数据常来自不同厂商的 HIS、电子病历、健康档案、公卫、检验、影像和药房系统。上线前先完成字段、编码、时间、单位、患者匹配和缺失值审计。不要让模型猜测单位，不要用“未知”填充为“正常”，也不要把不同患者、不同就诊或不同版本指南混在同一上下文。

知识库建设可以参考AI 知识管理与 RAG 验收指南，但临床知识检索还要增加指南适用范围、版本、证据等级和医疗责任。检索命中一段文字不表示它适用于当前患者。

第四步：用本地基线和静默模式验证，不要只看厂商准确率

基层人群、疾病谱、设备、记录习惯和转诊资源都可能与开发数据不同。应先冻结模型和规则版本，在不影响真实处置的“静默模式”中运行，把输出与现有流程、最终结论和专家复核进行比较。DECIDE-AI指出，临床早期评估不仅要报告算法表现，也要观察人机交互、工作流和安全；FUTURE-AI则把公平、通用性、可用性、稳健性、可解释性和可追溯性作为可部署系统的重要维度。

两篇基层临床决策支持综述分别总结了当前临床实施和更广泛的机会、障碍与需求：基层 AI-CDSS 临床实施范围综述、基层医疗 AI 实施系统综述。另一篇基层疾病检测决策支持实施综述提醒，技术之外的专业角色、接受度、工作环境和卫生系统安排会决定工具是否真正使用。本文据此把“医生是否采纳”和“失败是否进入正确处置”作为验收对象，而不是假设安装即有效。

第五步：设计 90 天小范围试点，而不是一次性全县铺开

下面的时间与样本安排是兰塞 AI 编辑部的项目规划建议，不是国家统一标准，也不保证任何收益。机构应根据风险、病例量、伦理/监管要求和自身能力调整。高风险诊疗工具可能需要更长的研究、审批和临床评价。

第六步：把人工复核设计成工作，而不是一句免责声明

“仅供参考”不能自动消除风险。系统必须把建议呈现给正确角色，显示依据、缺失数据和不确定性，允许拒绝，并把最终动作写入审计日志。若告警太多、优先级不清或拒绝操作复杂，使用者会形成告警疲劳或机械接受。

对生成式模型输出，还要专门防范编造来源、把指南摘要当患者结论、遗漏禁忌和工具状态误报。可参考AI 安全威胁模型与AI 内容人工审核流程，但医疗场景不能只做文字事实校对，必须把临床人员、病历记录和处置结果纳入闭环。

第七步：医疗数据不能直接上传到未批准的通用 AI

《个人信息保护法》把医疗健康信息列为敏感个人信息，要求特定目的、充分必要和严格保护；处理敏感个人信息通常还涉及单独同意等要求。法律原文不能被“已经去掉姓名”简单替代，因为病史、时间、地点、影像和罕见特征组合仍可能重新识别个人。

医疗卫生机构网络安全管理办法要求机构落实网络和数据安全主体责任、等级保护、全生命周期安全、第三方管理和应急处置；电子病历信息使用管理通知要求专有身份、按岗位授权、外部服务商保密与授权协议，以及操作和数据流向可追溯。

更通用的数据清单、权限、审计和事件响应方法见企业 AI 数据合规指南。医疗机构仍需依据自身性质、处理活动、所在地要求和法律意见执行，本文不构成法律意见。

患者告知与可及性：不能把不会用智能设备的人排除在服务外

基层服务对象中可能有老年人、儿童监护人、残障人士、识字或普通话交流困难者，也可能有人没有智能手机或稳定网络。AI 功能不能成为获得基本医疗服务的强制入口。机构应说明 AI 在哪个环节参与、由谁作最终决定、患者发现信息错误后如何更正，并保留线下、电话或人工窗口等替代渠道。需要处理敏感个人信息时，还应依据具体处理活动完成必要告知、同意或其他合法性安排，而不是把一份笼统隐私政策视为全部授权。

可及性也属于安全：如果界面字体、颜色、语音、方言或告警设计让使用者误解建议，就会改变真实临床表现。试点应邀请一线医务人员和代表性服务对象参与可用性检查，并记录哪些人无法顺利完成流程，不能只统计平均完成率。

第八步：网络差、设备杂时，先设计降级模式

基层 AI 不能假设网络永远在线、接口永远返回、云服务永不变更。每个功能应声明在离线、超时、数据缺失和版本不一致时的行为，并让工作人员看得见当前状态。最安全的失败方式通常是停止建议、保留原始信息、提示转人工，而不是悄悄给出缓存答案。

采购不要问“是不是大模型”，要问能否验证、运维和退出

采购演示容易展示顺利案例，却很少展示拒答、急症漏报、断网、权限撤销和数据删除。RFP 应要求供应商提交任务边界、证据、版本、数据流、接口、运维和退出材料，并允许机构使用本地代表性病例做静默评估。

WHO 的医疗 AI 伦理与治理指南强调保护自主、促进福祉与安全、透明可解释、责任、包容公平和可持续性。基层部署尤其要防止数字工具扩大不会使用智能设备、语言表达困难、网络较差或病例不典型人群的服务差距。

上线后看什么：从“使用量”转向患者路径和失败模式

登录次数、建议生成量和接受率只能描述使用，不能证明诊疗更安全。运行看板应同时展示输入质量、错误、人工动作、转诊完成、患者等待、告警负担、系统可用性和安全事件，并按机构、设备和关键人群分层。指标变化必须结合流程解释，不能把所有改善都归因于 AI。

什么时候必须暂停或退出

常见问题

基层医院可以直接接入通用大模型辅助看病吗？

不能因为模型会回答医学问题就直接用于诊疗。先确认任务是否属于医疗器械或受其他医疗监管约束，再核对数据处理、知识来源、预期用途、本地验证、医生复核、日志和回退。通用模型更适合在受控知识检索、文书草案等低风险环节试点，高风险输出仍需专用证据与治理。

准确率达到多少才能上线？

没有适用于所有基层任务的统一百分比。阈值取决于任务、疾病、患病率、错误后果、人工复核能力和替代流程。急症漏报、处方错误和错误拒绝转诊即使数量少也可能不可接受。应同时评估敏感度、特异度、预测值、校准、亚组、工作流和临床影响。

一定要本地部署吗？

不一定。云、区域平台、本地或混合架构都可能合适，关键是数据合法性、最小化、权限、加密、日志、可用性、延迟、断网回退、分包商、境内存储/跨境要求和退出能力。把服务器放在本地也不能自动解决越权、弱口令和错误配置。

没有很多病例还能验证吗？

可以先缩小任务、延长静默观察并与县级共享中心协同，但不能用小样本证明全面有效。关键少见病或高风险场景不足时，应限制适用范围、保持人工上转，并明确哪些结论尚未建立。

AI 会不会削弱基层医生能力？

如果系统只给结论、长期自动接受或替代训练，确实可能形成依赖。更合理的设计是显示依据和缺失信息、要求主动确认、抽查无 AI 情况、开展病例复盘，并持续训练独立判断和转诊能力。

给负责人可直接使用的上线核对表

如果项目团队连“模型错了由谁发现、怎样上转、如何停用、数据如何拿回”都回答不了，就不应进入真实患者流程。基层医疗 AI 的价值不是把专家包装进一个聊天框，而是让有限资源下的采集、复核、转诊、随访和质量改进变得更一致，同时不削弱医生责任与患者权利。

延伸阅读：评估诊断产品请看AI 医疗诊断临床验证；涉及放疗等高风险治疗流程请看AI 放疗计划上线清单；处理模型与工具安全风险可看AI 滥用与失效防范和AI 安全威胁模型。本站的来源、更新和纠错原则见关于兰塞 AI 与编辑规范。

编辑复核与纠错记录：本文由兰塞 AI 编辑流程于 2026 年 7 月 19 日重写。旧稿无来源的 95% 准确率、基层误诊/死亡/成本数字、`MedBrain-Base` 系统和匿名案例已撤回；新版以国家政策、WHO 治理指南和临床实施研究为基础，改为可执行的任务分级、县域协同、本地验证、数据安全、试点与退出框架。