CGP | 人工智能赋能基层医疗卫生服务：进展与挑战

深度解析医学证据，DeepEvidence为你支撑决策

基层医疗卫生机构是我国卫生体系的重要基石。然而，受诊疗能力相对薄弱等因素制约，其服务效能仍有较大提升空间。人工智能技术的引入，为赋能基层医疗服务提供了新的可能。本文深入梳理人工智能在基层医疗卫生系统的应用进展，发现其可以辅助诊疗，助力数智化健康管理和健康教育、公共医疗服务数智化管理，同时有助于优化医疗卫生资源配置。但人工智能的应用仍面临数据质量、数据安全、伦理规范等多重挑战。展望未来，建议在国家层面集聚专家资源推进技术研发与成果转化，加快人工智能在基层医疗卫生服务中的落地应用，补齐人工智能领域立法和监管"短板"，进而助力健康中国建设。

01 人工智能在基层医疗卫生服务中应用的进展

1.1 辅助诊疗，提升效率和准确性

人工智能辅助诊断系统可为基层医生提供科学的诊断建议与优化治疗方案，增强其对常见疾病的诊疗能力。该系统有助于缩短非临床工作时间，提高诊断效率和准确率，形成"人工智能+专家"的双重保障机制。

1.1.1 病史收集，提出诊疗建议

人工智能语音识别与自然语言处理技术能够自动识别并理解人类语言，并将其转换为文本或指令，目前已广泛应用于电子病历和健康档案的自动录入。例如，科大讯飞基于深度全序列卷积神经网络开发的语音识别系统，识别准确率高达98%；搜狗语音识别技术则可实现每秒400字的高速听写。基于此类技术的智能病历采集系统已在多地基层医疗卫生机构投入使用，显著提升了病历书写效率。人工智能辅助诊断系统从医疗数据输入到高效检索和汇总医疗信息，生成包含患者病史、潜在诊断及可行治疗方案在内的综合摘要，有效缓解了基层医务人员数量不足、临床经验有限的现实压力。

在疾病诊断方面，人工智能的表现已达到甚至超过了医生的平均水平，尤其在眼底疾病（如糖尿病视网膜病变、青光眼、黄斑病变）、肺部疾病（肺结节、慢性阻塞性肺疾病）、恶性肿瘤（乳腺癌、卵巢癌）的筛查中表现突出。在准确率方面，CHRISTIANSEN等在2025年验证了基于人工智能神经网络模型用于诊断卵巢病变的效果，结果显示，该模型的Kappa值为0.718，诊断表现优于人工检查。同年，斯坦福大学研发的人工智能诊断工具Machine Learning for Immunological Diagnosis（Mal-ID），通过筛选血液样本中的免疫细胞（B淋巴细胞和T淋巴细胞）基因序列，可实现对感染与健康状况的高通量诊断。在对542名同时拥有B淋巴细胞和T淋巴细胞数据的参与者样本分析中，该工具在一个指标中得分高达0.986（满分为1分），展现出极高的判别能力。在灵敏度和特异度方面，2024年，WANG等提出了适用于中国人群的肺结节风险分层模型，该模型灵敏度为79.9%，提示其更适合中国人群肺结节的风险分层。KALMADY等利用ResNet算法构建的心电图辅助诊断模型，可预测15种常见心血管疾病，在12种疾病中的受试者工作特征曲线下面积均>80%，提示该模型在常见心血管疾病诊断中具备良好至优秀的预测性能。

1.1.2 医学影像诊断

医学影像是人工智能技术在医疗卫生领域中应用较早、覆盖较广的方向之一。借助计算机视觉技术，能够实现病灶识别与标注、靶区自动勾画与自适应放疗、影像三维重建等功能，辅助医生快速、精准定位病变区域，进而提升诊断效率与准确率。目前，基于深度学习的大语言模型技术已逐步应用于心血管、肺部、乳腺等典型疾病的影像诊断。例如，在心血管影像分析中，人工智能能够对心脏MRI图像进行快速、自动的分割与定位，精确识别心脏结构与组织，并结合多模态影像与临床信息，实现对心脏疾病的早期筛查与诊疗支持。还有研究表明，乳腺超声诊断的准确率约为80%，依赖于操作者的经验和技术水平。引入人工智能技术后，乳腺超声诊断准确率可提升至90%以上。除了准确率外，医学人工智能应用于影像学诊断等领域时，通过DICE系数和Jaccard系数来评估影像学图像分割结果的准确性。2025年，SAHAYA等提出了一种针对乳腺病变的增强分割方法，该方法的DICE系数和Jaccard系数分别达到94.68%和89.90%，显示出优异的分割能力与临床适用潜力。

1.1.3 护理

在基层医院护理工作中，人工智能技术已逐步应用于状态监测、风险预警与护理决策支持等环节，有助于提升护理质量与效率，减少人为操作失误，降低医疗安全风险。人工智能可通过实时分析可穿戴设备、传感器等采集的生理参数，持续监测患者心率、血压、体温等关键生命体征，一旦出现异常即主动预警，提示护士及时干预。同时，人工智能系统能够基于患者病情、诊疗方案等信息，自动生成个性化护理计划，并为护理人员提供有针对性地操作建议与指引。此外，在护理风险评估与预测方面，人工智能可整合分析患者历史数据、既往病史、用药记录等信息，借助算法模型识别潜在风险因素，提前发出预警，辅助护士采取针对性预防措施，从而有效规避相关医疗风险。

1.2 智能化健康管理和健康教育，提供精准个性化健康管理和情感支持

人工智能技术凭借其强大的医学知识整合能力，能够基于用户的年龄、性别及健康状况等个体信息，为用户提供个性化健康指导，为推进人群层面的健康管理与教育提供了新的可行路径。在健康管理全流程中，人工智能可辅助完成体检预约、套餐选择、多项辅助检查跟踪等环节，协助建立电子健康档案并实时同步至智能平台。结合医疗传感器，系统能够远程监测居民健康状况，实现生活方式促进、健康状态跟踪、风险预警与干预、服药提醒、诊疗建议、术后康复指导、营养与心理健康管理以及社区健康促进等全方位健康管理服务。在精准化行为健康管理方面，可穿戴人工智能设备发挥着关键作用。这类设备用于监测个人健康数据，如温度、血压、血糖、呼吸、心电图、睡眠质量，甚至震颤和肢体活动。例如，基于Gemini可穿戴健康监测设备采集的数据，谷歌团队开发出个人健康大模型和个人健康洞察智能助手，赋能糖尿病、心血管疾病、癫痫等慢性病的临床管理，有效减轻基层医生与患者的负担。此外，人工智能健康管理软件还可以通过分析基因、代谢等多维数据，为居民提供科学的膳食搭配建议与日常锻炼规划，从而帮助其主动规避疾病风险，提升整体健康水平。

当前，我国慢性病高发与基层医疗资源不足的矛盾日益突出，人工智能技术为慢性病的全周期管理提供了重要支撑。近年来，人工智能在慢性病管理领域已取得显著成效。以平安健康医疗科技有限公司为例，其推出的人工智能健康管理师、疾病风险辅助评估及智能运动方案等应用，使用户慢性病管理效率提升5倍，改善率达到90%，有效提升了用户管理的依从性与效果。大语言模型在慢性病风险管理中展现出巨大潜力。该技术可借助智能语音识别提取病史、家族史及日常行为数据，结合计算机自动抓取的检验、影像与病理信息，通过深度学习持续优化，构建疾病筛查与风险评估模型，实现对用户疾病风险的早期预警与预防指导。例如，2025年，LI等借助健康体检报告，利用大语言模型估算个体整体衰老和器官特异性衰老，并在超过1 000万名参与者的6个人群队列中验证了该方法的有效性和可靠性。大语言模型预测的整体年龄在全因死亡率方面的一致性指数达到0.757，显著优于端粒长度、衰弱指数、8个表观遗传年龄和4个机器学习模型等其他衰老替代指标的预测效果。整体年龄差距与多种衰老相关表型和健康结果密切相关，全因死亡率的危险比为1.055。对于器官特异性衰老，大语言模型预测的年龄和年龄差距也与多种衰老相关表型和健康结果显著相关，表明该方法在评估个体衰老方面具有潜力。因此，基于大语言模型的衰老评估框架为估算整体和器官特异性衰老提供了一种精确、可靠且经济高效的方法，在大规模人群个性化衰老评估和健康管理中具有应用潜力。此外，有研究采用650万例患者的电子健康档案数据进行预训练，开发出基于转换器生成式人工智能模型（TransformEHR），旨在利用患者历史就诊记录预测未来就诊时的疾病风险或临床结局。TransformEHR可通过微调实现单一疾病或临床结局的预测，相较于传统人工智能模型，TransformEHR在疾病与临床结局预测方面的性能均有所提升，其中在胰腺癌与创伤后应激障碍患者故意自残风险预测方面，精确率-召回率曲线下面积分别提升2%和24%，彰显出人工智能大语言模型在疾病风险预测中的巨大潜力。此外，人工智能还可以通过远程监测患者的生理参数、用药反应与健康数据，提供日常健康指导和护理计划，辅助医生开展患者管理工作。2024年，GRIEFAHN等评估了大语言模型medico系统缓解肌肉骨骼疾病患者疼痛的应用效果，结果显示该系统所提供的运动建议与医生治疗方案高度一致，可为患者提供安全、有效的康复指导。

除赋能慢性病健康管理外，人工智能还可围绕开放主题开展自由形式对话，为人们提供具有说服力的情感支持。2025年，SALVI等在受控环境中考察了人工智能驱动的说服力，结果表明，个性化GPT-4在64.4%的场景下具有说服力，辩论后获得更高同意的概率相对提升81.2%。基于对居民健康数据的智能分析，大语言模型可在发现异常时主动发起电话问询，开展关怀式健康需求评估。例如，大语言模型会询问居民："我上次建议您采取的措施，您尝试过吗？有改善吗？"人工智能还可通过提供个性化的压力管理与心理调适指导，帮助用户提升心理健康水平，改善生活质量。

1.3 强化智能管理，推进基层医疗卫生服务体系的现代化升级

1.3.1 医院智能随访系统

基于人工智能语音识别与自然语言处理等技术，医院智能随访系统已实现人机交互、数据自动统计等功能，全面覆盖健康宣教、满意度调查、危急值提醒等随访任务，有效助力医疗机构降本增效。例如，科大讯飞研发的人工智能辅助诊疗系统，可依据家庭医生制订的随访方案，自动对患者及社区居民进行跟踪随访，辅助医生进行病情监测与健康管理，并同步完善居民电子健康档案，持续丰富医疗大数据资源。微医推出的"全科辅助诊疗系统"兼具标准化诊疗辅助能力与系统化医学知识库，可为基层医生提供有力的临床决策支持。"HM慢性病管理协助系统""ZYZL智能语音系统"等慢性病管理协助系统，已在北京市方庄社区卫生服务中心和安徽"四县一区"社区卫生服务中心上线，展现出良好的落地效果与应用潜力。

1.3.2 公共卫生服务

人工智能技术在公共卫生服务领域展现出广泛的应用潜力，尤其在传染病防控、孕产妇风险评估及疫苗管理等场景中发挥着重要作用。通过智能识别家庭医生签约服务需求，赋能居民健康风险管理，有助于优化基本公共卫生服务经费的使用效益，进而提升基层卫生服务的整体质量。

在传染病防控方面，人工智能能够实现对传播趋势的实时监测，早期识别潜在暴发风险，并支持群防群控策略的有效实施。在新型冠状病毒感染（COVID-19）疫情防控中，基层医疗卫生机构与医院、疾病预防控制中心协同，依托智能语音识别、人脸识别及社区定位等技术，在疫情筛查、分诊和患者管理中发挥了关键作用。天堰科技开发的"一体式移动测温消毒通道"，结合红外热成像与生物识别技术，实现了公共场所的非接触式体温检测及自动化消毒。中科汇联推出的智能防控情感机器人，可应用于社区、学校等场景的排查与宣教工作，通过人机对话提供疫情查询和防护知识普及服务，辅助完成重点人群筛查与防控任务。大语言模型还可以预测正在暴发传染病的短期传播范围。DU等基于多模态大语言模型构建了PandemicLLM框架，将疫情预测问题重新定义为文本推理任务，利用大语言模型的强大文本处理能力，整合多模态数据（包括空间数据、流行病学时间序列数据、公共卫生政策数据及基因组监测数据）进行实时预测。该研究以美国50个州的COVID-19疫情为研究对象，训练了PandemicLLM模型，并在19个月的时间内完成测试，且无需重新训练。结果表明，基于不同时间段数据训练和验证的3个版本PandemicLLM模型，在住院趋势预测方面表现优异，显著优于现有疾病预防控制中心（CDC）集成模型。

人工智能还广泛应用于孕产妇风险评估和疫苗接种工作。孕产妇风险预警模型通过对早产、妊娠糖尿病、产后抑郁等母体风险，以及新生儿疼痛、败血症等指标进行预测，实现个体化风险分级，有助于全面提升孕期健康管理效能。人工智能技术能够为免疫接种工作赋能，从疫苗库存管理、接种预约到不良反应监测，实现全流程的精准化与高效化。例如，2025年一项整群随机对照试验研究，创新性采用面向家长沟通的人工智能聊天机器人干预模式，评估其在提升中国城乡地区初中女生HPV疫苗接种率中的干预效果，结果显示，在2 671名12~15岁女生家长中，干预组HPV疫苗接种率（7.1%比1.8%）及医护人员咨询比例（49.1%比17.6%）均显著高于对照组，且农村地区干预效果尤为突出（接种率为对照组的8.81倍）。进一步分析发现，高频使用聊天机器人的家长接种意愿更强，且采用"护士"角色设定的交互模式效果优于"专家"角色设定。

1.4 合理优化医疗卫生资源，填补边远贫困地区医疗服务空白

人工智能诊疗平台能够依据患者病情实现智能转诊与分级上报，践行"危重病上医院、小病下基层"的分级诊疗原则。必要时，系统还可指导完成初步急救后再进行安全转诊，从而优化医疗资源配置，减少因资源协调不畅导致的病情延误。此外，人工智能通过整合不同地区的医疗资源，能够推动服务质量均质化。借助远程交互机制和高水平医疗资源的后台支持，可对部署于基层的人工智能终端进行质量监督并提供实时反馈，确保诊疗服务的规范性与准确性。

更为重要的是，人工智能技术有助于扩大远程医疗的应用范围，提高其使用频率，为偏远和贫困地区居民提供全天候、高质量的便捷医疗服务。当前，我国偏远贫困地区仍面临医疗经费不足、设施设备落后、专业人才匮乏等问题，医疗卫生事业发展水平与发达地区存在显著差距。国家卫生健康委员会医政司于2020年印发《<医疗联合体管理办法（试行）>解读》，强调要依托区域全民健康信息平台，以委属（管）医院、高校附属医院、省直属医院等为牵头力量，着力构建覆盖边远贫困地区的远程医疗协作网。人工智能技术的融入，有望打破地域壁垒、缩小服务差距，有效填补偏远贫困地区基层医疗服务的空白，助力实现医疗资源的公平可及。

02 人工智能在基层医疗卫生服务中的挑战

2.1 人工智能技术自身存在的局限性

人工智能技术在医疗健康领域应用时，其输出的可靠性与准确性仍面临显著挑战。在处理复杂医学信息或执行特定临床任务时，人工智能系统可能生成不准确、偏离实际甚至完全虚构的结果，此类现象被定义为"幻觉问题"，在自然语言处理和生成式模型等场景中尤为突出。具体而言，幻觉问题可分为两类：一是事实性幻觉，即生成内容与可验证的真实信息存在偏差，包括与已知事实不符或凭空捏造信息；二是忠实性幻觉，指输出结果未能忠实于用户指令或输入上下文，或存在内部逻辑矛盾，具体表现为指令不一致、上下文冲突或逻辑无法自洽。幻觉问题潜藏高风险隐患，严重制约了其在健康医疗领域的应用落地。人工智能系统的训练依赖于大量高质量、标准化的个案数据，包括患者既往史、症状、体征、检查结果、诊断及治疗方案等。然而，我国医疗数据普遍存在样本规模有限、标准不统一，知识源缺乏全面性和权威性，内容更新滞后等问题；疾病的诊断建议仅依据患者主诉，导致人工智能诊断结果准确率不高，甚至可能传播不实医疗信息，对患者健康构成威胁。此外，基层医疗卫生机构信息化基础相对薄弱，进一步限制了人工智能系统的精度。以心脏MRI图像分析为例，图像质量不佳、噪声干扰以及缺乏高质量标注数据集等因素，均会影响模型的识别性能。因此，在当前阶段，人工智能并不能完全代替医疗专业人员的专业知识、临床经验和判断能力。

人工智能在语音识别方面存在障碍。人工智能支持的语言数量有限，智能终端需要准确理解用户指令才能有效执行，如果理解错误，可能会导致误诊和提出不适宜的医疗建议。正因公众担心误诊误治，对这种新型服务模式的接受程度普遍偏低。

人工智能的应用缺乏医患间的有效互动。在医疗决策中，人工智能虽能帮助患者追求治疗效益最大化，但常忽略患者对人文关怀的需求，且在模型的创建和使用过程中，还可能出现与人类价值观的偏差。

2.2 伦理与责任问题

人工智能技术的研发、生产、测试及部署均需大量资金投入，由此带来的高昂成本可能推高医疗费用，限制其在基层医疗卫生机构的普及，甚至加剧医疗资源分配的不公平性。同时，人工智能模型依赖特定数据集进行训练与分析，当前数据多来源于互联网，其中可能包含的偏见信息会被算法学习并放大，进而可能加剧健康服务中的不平等现象。

人工智能不具备法律主体资格，使用人工智能的医务人员及医疗机构需对其应用后果承担最终责任。然而，在发生医疗损害时，患者、医生/医院与人工智能系统之间的责任界定模糊，难以清晰划分法律义务。部分人工智能系统的输出存在误导性或潜在风险，若因医生采纳错误的人工智能建议而对其施加处罚，可能导致医生为规避责任，仅将技术用于佐证自身判断，限制其辅助潜力的充分发挥；反之，若医生合理使用人工智能不会受罚，则有助于促使其在临床决策中参考甚至挑战既有判断，提升诊疗质量。

2.3 数据安全和个人隐私泄露问题

人工智能系统难以彻底清除个人信息痕迹，隐私泄露风险持续存在。我国公众对数据安全与隐私保护的意识尚显薄弱，现有法律与监管体系亦难以完全适应科技创新带来的新型数据安全挑战。技术使用过程中的隐私泄露行为常更为隐蔽，难以追溯与追责。此外，部分企业对用户隐私保护重视不足或能力有限，进一步加剧技术失控可能引发的数据安全隐患。在当前环境下，针对人工智能系统的恶意攻击、内部人员故意窃取集成信息以及使用环节的无意泄露等问题，仍难以彻底防范。

2.4 医工交叉人才短缺

人工智能在基层医疗的深度应用，面临医工交叉复合型人才短缺这一关键"短板"。医工交叉人才的匮乏，不仅制约了技术从研发到集成的创新链条，更直接影响人工智能解决方案与基层实际场景的有效契合。

03 人工智能应用于基层医疗卫生服务的展望

人工智能技术在我国基层医疗卫生领域展现出广阔的应用前景。2024年11月，国家卫生健康委、国家中医药管理局、国家疾病预防控制局联合发布《卫生健康行业人工智能应用场景参考指引》，提出涵盖医疗服务管理、基层公共卫生服务、健康产业发展、医学教学科研在内的84个应用场景，为人工智能技术在医疗健康领域的应用提供了指引。

然而，人工智能在基层医疗健康领域的应用仍面临数据质量、数据安全、隐私保护等多方面的问题。当前，我国缺乏高质量、标准化的健康医疗大数据资源，多源数据融合存在技术与管理层面的壁垒。以深度学习为代表的大模型多呈"黑箱"运行状态，其预测逻辑可解释性不足。医学人工智能建模需使用大量个人敏感信息，存在隐私泄露风险，同时还面临算法偏见、责任认定不清、监管框架缺失等伦理与法律问题。

2025年世界卫生组织发布可信赖且可部署的医疗健康人工智能国际共识指南，为医疗健康人工智能的开发和部署提供了从研发到实际落地应用的全流程指引。为充分发挥人工智能技术的潜能，建议我国推进高质量数据集的构建与共享，制订符合我国国情的研究指南与报告规范，加快人工智能成果在基层医疗场景的转化应用。针对中低收入国家，斯坦福大学还出台了适用于这些国家的医疗生成式人工智能指南。我国可借鉴这一指南，努力提升数据的质量和泛化能力，保障训练数据质量、优化模型设计与持续验证。针对幻觉问题，应提升训练语料质量，加强医疗数据治理；采用双向自回归学习等方法减轻曝光偏差，增强模型学习效果；引入以三元组、本体等结构化医学知识为先验的采样算法，确保文本生成过程符合医学事实。同时，需将伦理原则嵌入人工智能技术研发与专业标准制定，推动立法与监管体系建设，跟上技术发展步伐，切实保护患者隐私，明确责任归属。例如，随着DeepSeek-R1在我国超700家医院落地部署，有学者就呼吁必须建立我国自主的医疗大模型监管框架，提出三大优先行动建议，即"划红线、设门槛、强监管"。其中，"划红线"指按风险等级实行分类管理，差异化把控管理力度；"设门槛"要求高风险应用参照医疗器械标准严格审批与上市后监管；"强监管"则强调对高风险系统开展全生命周期监控，实行独立部署、专业评测、真实世界评估与持续更新。此外，还应加快建立医疗领域人工智能统一评估体系，理想的评估体系须具备全面性、可重复性、区分性、权威性、时间可扩展性及多维度、多粒度等特点。需注意的是，人工智能技术的使用不应弱化基层医务人员的专业职责，需避免因过度依赖技术而忽视其局限性；应加强基层医生培训与技术应用能力建设，使其能科学运用人工智能，提升服务质量与效率。

未来，需从国家层面整合专家资源推进人工智能技术研发，推动人工智能在基层医疗卫生服务中的落地应用，填补法律制度层面的空白，提升数据精确度和系统可靠性，明确辅助诊疗的权责认定，以人工智能赋能基层医疗，助力健康中国建设。

本文来源：李希,刘珏. 人工智能赋能基层医疗卫生服务：进展与挑战[J]. 中国全科医学, 2026, 29(04): 436-443.