醫(yī)眾案例

該Agent案例由醫(yī)眾投遞并參與金猿組委會×數據猿×上海大數據聯盟共同推出的《2025中國大數據產業(yè)年度Data Agent創(chuàng)新應用》榜單/獎項評選。

在“健康中國 2030”規(guī)劃綱要與國家數字經濟發(fā)展戰(zhàn)略指引下，以大型語言模型為代表的人工智能技術正深度融入醫(yī)療健康領域，顯著提升疾病診斷、治療方案制定及醫(yī)學研究的效率與質量。然而，AI性能的充分發(fā)揮依賴于對多模態(tài)、跨機構醫(yī)療數據的深度學習與優(yōu)化，而我國《數據安全法》《個人信息保護法》及國際HIPAA法規(guī)所確立的“數據不出院、不出境”原則，在保障患者隱私與數據安全的同時，也帶來了數據共享與隱私保護之間的根本矛盾。

當前，盡管業(yè)界已提出“可信數據空間”“聯邦學習”等技術路徑，但在應對異構醫(yī)療數據時，仍難以支撐新一代醫(yī)療大模型對數據深度融合與精細化調優(yōu)的需求。此外，傳統(tǒng)開發(fā)模式高度依賴人工編碼與系統(tǒng)搭建，開發(fā)人員不得不耗費大量精力構建基礎架構，導致研發(fā)效率低下，且受制于個體技術能力。

在此模式下，技術迭代難以匹配醫(yī)院快速變化的需求，開發(fā)進程常受限于技術瓶頸。醫(yī)院業(yè)務場景復雜多樣，個性化需求頻繁涌現，傳統(tǒng)模式難以敏捷響應，往往僅能提供標準化解決方案，無法精準適配臨床、管理、科研等多維場景，導致所構建系統(tǒng)與實際業(yè)務需求之間存在顯著差距。

為應對以上困境，本項目創(chuàng)新融合自主研發(fā)的“數據科學模型”與“數據編織”的創(chuàng)新管理理念，構建面向真實臨床場景的醫(yī)療大模型優(yōu)化機制。該機制在確保數據物理位置不變、全程加密的基礎上，通過密碼學協議構建安全可計算的虛擬數據網絡，實現“數據不動算法動，數據可用不可見”，同時開放給開發(fā)者和數據高階使用者以AI原生的方式調用DataAI的能力，靈活生成適用于各類個性化場景的Data Agent，為醫(yī)療大模型的合規(guī)應用與數據價值釋放開辟創(chuàng)新路徑。

時間周期：

開始時間：2025年9月

中間重要時間節(jié)點：2025年11月

完結時間：2026年12月（預計）

Data Agent 應用需求

1.客戶“Data Agent”需求

希望通過“數據+AI”賦能臨床與科研，需要一個系統(tǒng)性破解當前醫(yī)療數據困境的智能解決方案——具備自主性、合規(guī)性與協同性的“Data Agent”生態(tài)系統(tǒng)：

?安全數據價值釋放：能在《數據安全法》、《個人信息保護法》及HIPAA等嚴苛法規(guī)框架下，不移動原始數據而實現跨機構、多模態(tài)醫(yī)療數據價值融合與計算。實現“數據可用不可見，數據不動算法動”，從根本上解決數據利用與隱私保護的矛盾。

?系統(tǒng)集成與治理協調：面對院內數據質量差、孤島林立、系統(tǒng)異構及成本高昂的現狀，具備強大的連接與治理能力，能夠跨越多樣化、老舊化的系統(tǒng)（如HIS, EMR, PACS, LIS），實現數據的自動標準化、對齊與質量提升。

?臨床場景賦能：能理解復雜臨床語境、并能執(zhí)行端到端任務?？朔斍搬t(yī)療大模型的“知識幻覺”與場景適應性不足的缺陷，通過自主感知、決策與多任務協同，直接輔助或完成如輔助診斷、治療方案推薦、科研數據提取等復雜臨床決策任務。

?自主可控的智能模型：支持基于模型生成個性化、場景化的數據智能體Data Agent，構建自主可控的智能數據模型體系，使用戶能夠根據實際業(yè)務需求靈活生成并部署執(zhí)行各類數據任務的智能體，實現數據能力的閉環(huán)建設與持續(xù)進化。

2.需求拆解

我公司從根源性問題出發(fā)，進行深入剖析：客戶的需求并非單一技術點，而是一個貫穿數據、模型、應用與治理全鏈路的生態(tài)：在保障數據安全隱私前提下，實現跨機構醫(yī)療數據的有效利用與融合，以提升醫(yī)療大模型性能?；诖耍瑢⑿枨蟛鸾鉃槿齻€關鍵層面：

?基礎層面：安全可信的數據協作網絡

目標：打破數據孤島，實現跨域數據融合。需解決異構數據源對接、全周期隱私保護、以及融合過程中的性能與可信驗證問題。

?核心層面：臨床導向的模型優(yōu)化與任務執(zhí)行

目標：提升AI的準確性與可靠性。需攻克數據質量不佳導致的模型訓練難題、以及大模型的“知識幻覺”和復雜場景適應性問題。將多源業(yè)務數據高效訓練為專用模型，并支持模型的持續(xù)動態(tài)更新，安全、可靠地服務于各類實時業(yè)務數據需求場景。

?保障層面：可量化評估的治理與合規(guī)體系

目標：構建數據治理與合規(guī)閉環(huán)體系：通過元數據血緣圖譜實現全鏈路分鐘級快速追溯；利用全鏈路安全審計日志自動生成不可篡改的合規(guī)證據鏈；基于血緣與審計數據建立量化評估體系，實現治理成效與合規(guī)狀態(tài)的動態(tài)可視化管理。

3.解決方案

針對上述需求，我公司提供完整的數據智能服務解決方案：

?數據編織：將“數據編織”與全同態(tài)加密深度耦合，應用于高敏感度醫(yī)療數據領域。構建動態(tài)緊密耦合的數據協作新范式，支持不同來源數據特征在密文域內進行豐富代數與邏輯運算，生成統(tǒng)一“加密數據體”。引入零知識證明機制，實現去中心化可信驗證，保證數據融合過程安全合規(guī)。

?數據科學模型（DataScience）：構建臨床導向的多智能體自適應優(yōu)化算法，將醫(yī)療模型解構為多個面向特定臨床子任務的功能模塊Data AI。設計知識與數據雙輪驅動算法，融合臨床知識圖譜與加密編織數據；引入多任務協同優(yōu)化機制，通過智能體間協同與博弈實現多臨床子目標動態(tài)權衡優(yōu)化，可智能理解數據需求，自動編排并執(zhí)行數據任務。

?開放平臺：構建靈活的能力開放平臺，提供標準化的API接口和開發(fā)工具包，支持醫(yī)療機構的二次開發(fā)和集成。平臺提供完整的開發(fā)者文檔、測試環(huán)境和運維支持，確保各類應用場景的快速落地和持續(xù)優(yōu)化。

面臨挑戰(zhàn)

1.數據層面挑戰(zhàn)

?數據質量參差不齊：醫(yī)療數據源自HIS、EMR、PACS、LIS等多個異構系統(tǒng)，缺乏統(tǒng)一標準與清洗流程，加之手工錄入錯誤與接口傳輸問題，導致數據一致性差、錯誤率高，整體質量難以保障。

?數據孤島現象嚴重：各業(yè)務系統(tǒng)由不同廠商建設，數據庫獨立、格式不一，缺乏有效的共享機制與互通標準，致使數據整合與無縫流轉困難。

?系統(tǒng)改造成本高昂：平臺建設需投入大量資金，而醫(yī)院內部老舊系統(tǒng)占比較高，接口開發(fā)復雜，導致初始集成與長期運維成本居高不下，制約了數字化升級進程。

2.模型應用挑戰(zhàn)

?臨床場景復雜多變：醫(yī)療大模型需要處理復雜多變的臨床場景和數據模式，要求模型具備強大架構與算法以適應多樣數據模式。

?模型幻覺與適應性不足：醫(yī)療大模型易產生“知識幻覺”，生成看似合理實則錯誤的內容，誤導臨床判斷。此外，模型對復雜現實場景的適應性仍顯不足，難以靈活應對臨床不確定性與個體差異。

3.法規(guī)合規(guī)挑戰(zhàn)

?國內外《數據安全法》《個人信息保護法》及HIPAA等法規(guī)均嚴格限定醫(yī)療數據“不出院、不出境”，旨在保護患者隱私。然而，醫(yī)療AI的發(fā)展恰恰依賴于跨機構、多模態(tài)數據的深度學習和流通，這與法規(guī)要求形成根本矛盾。如何在合法合規(guī)的前提下，安全地整合與利用分散數據，是當前面臨的核心合規(guī)瓶頸。

?安全與性能難以兼顧：醫(yī)療數據高度敏感，加密技術雖提升安全性，但也增加處理復雜度與計算開銷；匿名化與脫敏在保護隱私的同時，常會損失數據信息量，影響分析準確性。

戰(zhàn)略目標

1.數據整合：全域數據集成與治理

通過數據編織技術，在不移動原始數據的前提下，邏輯聯結各院區(qū)異構數據源，實現全域元數據的統(tǒng)一采集與整合，并進行語義智能化分析與理解，自動構建數據血緣關系與醫(yī)學知識圖譜，形成標準化、可檢索的統(tǒng)一數據資產目錄，為后續(xù)分析提供高質量數據基礎。

2.數據加密與脫敏：確?！皵祿捎貌豢梢?/strong>

集成隱私增強計算技術，對需聯合計算的數據進行加密，支持在密文狀態(tài)下直接完成數學運算，確保計算結果與明文一致。通過統(tǒng)一服務接口實現跨數據源安全訪問，并支持行列級數據訪問控制，結合AI動態(tài)定義與執(zhí)行數據安全策略。

3.數據分析：驅動智能決策與科研

基于前述環(huán)節(jié)形成的高質量、高安全性數據環(huán)境，訓練具備醫(yī)學專業(yè)知識、能深度理解臨床語境的大語言模型。支持各院區(qū)在本地進行模型訓練，僅聚合加密的模型參數，確保原始數據永不出域。

4.數據智能體開發(fā)：動態(tài)自然語義交互與Data Agent開發(fā)

通過自然語言人機交互，調用數據科學模型生成Data Agent，可實現在高維向量層智能解析復雜數據需求，并自動編排、執(zhí)行端到端的數據任務，最終將數據價值直接轉化為臨床洞察與行動。

實施與部署過程

1.Data Agent的職能角色

數據科學模型是一個客觀的動態(tài)參數模型，它向下封裝并協調了復雜的數據技術棧，向上以最自然的方式響應業(yè)務需求，將靜態(tài)的數據資產轉化為動態(tài)的、可流動的智能生產力。通過數據科學模型，本項目成功地將“數據可用不可見”的技術原則，兌現為“洞察可見、行動可控”的業(yè)務現實，最終賦能醫(yī)院在保障安全與合規(guī)的前提下，實現臨床、科研與管理能力的全面智能化升級。

為確保項目成功交付與持續(xù)運營，我們設立了跨職能的協同團隊，涵蓋交付、產研與售后三大板塊：

?交付團隊：是項目交付階段的總負責人，是客戶與公司內部之間的核心橋梁，確保項目在預定時間、預算內，達到預期的業(yè)務目標。

?產研團隊：是核心技術的構建者，負責將客戶需求轉化為穩(wěn)定、可擴展的產品與解決方案。

?售后團隊：是項目上線后的價值保障與拓展中心，確保系統(tǒng)穩(wěn)定、高效運行，并通過持續(xù)運營挖掘數據的長期價值。

?項目管理團隊：負責整合規(guī)劃、進度控制、風險管理和資源協調，確保各團隊目標一致、節(jié)奏協同、交付順暢。

2.系統(tǒng)架構

采用分布式數據管理架構，分為三層：

?數據源層：全域異構數據的統(tǒng)一管理

全面覆蓋結構化、非結構化、半結構化數據，無縫對接關系型數據庫、數據湖、數據倉庫、數據中臺等各類異構數據源，實現數據源的統(tǒng)一管理，為上層提供豐富的“數據原料”

?數據連接層（虛擬化層）：安全的虛擬數據網絡

是整個架構的中樞神經系統(tǒng)，不通過物理移動原始數據，而通過數據虛擬化技術構建了一個邏輯統(tǒng)一的數據訪問層。

?訪問與消費層：靈活開放的DataAI服務

提供標準化的T-SQL、OpenAPI等接口，讓用戶能夠以AI原生的方式，實時、靈活調用數據、生成AI應用（如Data Agent、小程序），進行AI原生應用開發(fā)等，直接驅動業(yè)務決策與創(chuàng)新。

3.核心技術

?元數據管理：快速數據源連接，不通過物理方式抽取，快速實現數據整合，并進行主動元數據探查，對醫(yī)療數據的相關元信息進行全面、精準的采集、存儲、更新與維護。通過AI自動識別元數據并分析血緣關系，形成標準化、可檢索的數據資產目錄，為數據發(fā)現、數據分類、數據檢索等功能提供基礎支撐，為深度分析與價值挖掘奠定基礎。

?隱私增強計算：在加密狀態(tài)下完成數據計算與分析，確保數據“可用不可見”，實現隱私保護下的聯合建模與價值挖掘。為跨機構醫(yī)療數據協作提供安全底座，推動隱私合規(guī)前提下的精準醫(yī)療與科研創(chuàng)新。

?長文本特征提取：運用自然語言處理與機器學習技術，對電子病歷、檢查報告、科研論文等非結構化長文本進行解析與語義理解，提取關鍵醫(yī)療信息（如癥狀、診斷、用藥等），并轉化為結構化數據。該過程釋放文本中潛在的臨床與科研價值，支持數據挖掘、知識圖譜構建與決策分析。支持無監(jiān)督學習的智能模型優(yōu)化，以向量化方式表達文本，并保留語序和上下文信息，經過無監(jiān)督深度學習后，申城高質量、高緯度的向量數據。

?Data Agent以及AI小程序開發(fā)：支持以自然語言交互方式理解用戶復雜需求，自動生成任務流程并動態(tài)執(zhí)行，并動態(tài)調整與優(yōu)化任務執(zhí)行策略，通過深度理解自然語言中的語義信息，結合醫(yī)療領域知識圖譜與規(guī)則引擎，將語義意圖轉化為可執(zhí)行指令，并實時監(jiān)控任務執(zhí)行過程，根據反饋信息動態(tài)調整任務參數與執(zhí)行路徑，確保任務高效、準確完成。此技術顯著提升系統(tǒng)的適應性與靈活性，更好滿足醫(yī)療領域復雜多變的應用需求。

?模型微調和參數擴展：提供高效的模型微調工具與參數擴展服務，支持用戶根據自身業(yè)務場景的私有數據，對基礎模型進行定向優(yōu)化與知識注入。通過引入業(yè)務特征參數，可實現模型能力的快速適配與性能提升，確保其輸出與醫(yī)院的實際診療規(guī)范、數據標準持續(xù)保持一致，實現模型效果的持續(xù)進化與專用化定制。

?AI原生應用開發(fā)：賦能開發(fā)者使用公開的應用程序編程接口（API）和工具構建應用程序和服務，滿足OpenAPI 3.0的協議標準，具備完善的開放文檔，賦能開發(fā)者自行開發(fā)AI+數據的新型應用，并有效減少開發(fā)工作量。

4.核心產品矩陣

?數據編織：是一種智能化的分布式數據管理架構，通過AI、機器學習與語義知識圖譜動態(tài)整合異構數據源，實現跨平臺的虛擬化數據訪問與自動化治理。

數據源管理：可快速連接各類多源異構數據源

元數據管理：通過元數據采集、語義理解、元數據血緣關系分析，完成元數據注釋，構建數據資產目錄

數據虛擬化：統(tǒng)一虛擬化數據訪問層，實現跨庫數據統(tǒng)一查詢和NoETL同步

數據任務管理：自動化編排ETL/流處理等任務，動態(tài)優(yōu)化查詢性能與處理流程

數據權限：支持行級數據訪問控制，可結合AI定義數據訪問規(guī)則

安全審計：慢查詢日志分析，可支持AI風險行為分析

?數據科學模型：是一種基于動態(tài)數據的生成式語言模型，生成的內容取自于經過特征工程治理后的高質量數據。具有很強的科學性：參數來自于自身業(yè)務數據，與業(yè)務持續(xù)保持一致；符號計算：使用圖結構化架構表示復雜知識，求解復雜問題；通過高維向量將模糊的、非標化自然語義描述匹配到標化數據。

長文本特征提取：依托數據科學模型，自動解析非結構化長文本（如病歷、報告），將其轉化為高質量結構化數據并存儲，賦能深度分析。

模型微調工具和參數擴展：提供工具與服務，支持將特定業(yè)務場景參數快速融入模型并即時生效，實現模型的個性化定制與性能擴展。

?開放平臺：面向開發(fā)者和數據高階使用者，靈活調用醫(yī)眾數據和智能的能力整合平臺，OpenAPI和IDE工具賦予了用戶調用DataAI能力的靈活性，用戶以AI原生的方式使用數據、開發(fā)數據應用、研究分析數據，生產效率倍增。

5.創(chuàng)新思維

?技術創(chuàng)新：

數據安全合規(guī)層：傳統(tǒng)隱私計算與聯邦學習在醫(yī)療數據應用中協作靜態(tài)松散。我們將“數據編織”架構與全同態(tài)加密（FHE）技術深度融合，支持不同醫(yī)療機構異構數據在密文域通過標準化協議融合，生成統(tǒng)一“加密數據體”。

動態(tài)融合性：突破聯邦學習局限，支持密文域內數據特征豐富運算，讓模型學習跨樣本、模態(tài)、機構的深層關聯，為大模型提供更精準全面的數據基礎。

去中心化可信驗證：引入零知識證明（ZKP）機制，生成操作證明供參與方驗證，保證數據融合完整可追溯，規(guī)避傳統(tǒng)中心化架構風險。

數據精度層：當前醫(yī)療大模型存在“知識幻覺”與適應性不足問題。本項目設計基于多智能體強化學習（MARL）的臨床情景感知自適應優(yōu)化機制，將醫(yī)療模型解構為功能模塊并抽象為智能體，協同完成臨床決策。

知識與數據雙驅動：融合臨床知識圖譜（CKG）與加密編織數據，確保模型決策遵循臨床指南與證據鏈，提升準確性、魯棒性與安全性。

多任務協同優(yōu)化：引入協同與博弈機制，使模型在多臨床子目標間動態(tài)權衡，自主學習全局最優(yōu)帕累托前沿，契合臨床決策過程。

智能應用層：針對醫(yī)院個性化業(yè)務需求，用戶戶通過自然語言描述數據需求，數據科學模型，即可智能理解數據需求、自動編排，生成可執(zhí)行的數據智能體。

數據查詢分析的結果來源于科學模型的高質量數據，結果準確，權限可控。

自動生成數據小程序：無需編寫代碼或部署環(huán)境，即開即用，實現“所說即所得”的數據任務構建方式，大幅降低技術門檻。

即時響應與自適應執(zhí)行：生成的智能體具備自主理解、任務分解與執(zhí)行能力，能夠靈活應對各類個性化的臨床數據場景需求。

?技術優(yōu)勢：

更快：24小時連接核心系統(tǒng)數據源，億級別數據計算秒級響應。數據整合計算效率平均提升10倍以上

全面：全量數據邏輯連接，實現一個虛擬庫的準實時數據請求。數據請求節(jié)點減少90%，覆蓋范圍擴大3-5倍。

智能：AI模型理解數據、治理數據、分析數據，直接響應數據需求。數據工作時長減少80%，響應效率增強50倍。

開放：免費提供開放平臺和IDE 工具，賦予用戶數據使用、AI原生開發(fā)的最高權限。數據開發(fā)外包成本降低至“0”。

安全：AI風險分析，動態(tài)參數模型，自主模型微調和權限規(guī)則?！?”模型幻覺，“0”參數污染，“0”數據泄露。

6.團隊配合

以“價值交付”為核心，建立了一套敏捷的協同工作機制。交付團隊作為客戶需求的“傳感器”和項目驅動的“火車頭”，牽引產研團隊進行精準的產品迭代與方案開發(fā)；項目管理團隊擔任協同決策中樞，確保資源調配與節(jié)奏把控；售后團隊則作為“價值延伸器”，將一線反饋和運營洞察回流至產研與交付團隊，形成從交付到反饋，再到優(yōu)化的價值閉環(huán)，確保解決方案的持續(xù)生命力與客戶成功。

合作服務效果

本項目旨在構建一個安全合規(guī)、智能驅動的醫(yī)療數據價值轉化平臺。我們的核心目標是：通過數據編織技術，在不移動原始數據的前提下，安全集成跨院區(qū)異構數據，形成統(tǒng)一、高質量的數據資產視圖；在此基礎上，深度融合隱私增強計算技術，確保全流程“數據可用不可見”，為醫(yī)療大模型訓練與數據分析提供高可信度的數據環(huán)境；最終，賦能各院區(qū)基于本地數據開發(fā)專業(yè)數據科學模型，通過自然語言交互將數據價值直接轉化為精準的臨床決策、高效的科研發(fā)現與智能化的管理行動，全面推動人工智能在醫(yī)療領域的深度應用與創(chuàng)新。

1.從“孤島”到“網絡”，實現安全的數據虛擬整合

建立“邏輯統(tǒng)一、物理分散”的數據版圖，跨院區(qū)快速將客戶分散在各個系統(tǒng)的數據進行了虛擬化統(tǒng)一接入與編目，構建了覆蓋區(qū)域核心業(yè)務數據的虛擬數據網絡。過去需耗時數周的手工數據協調與整合工作，如今通過數據編織平臺，數據就緒時間縮短至分鐘級，效率大幅提升。

2.從“數據合規(guī)負擔”到“業(yè)務創(chuàng)新引擎”

采用本體智能的數據科學模型（Data Sceience）構建理念，將用戶的業(yè)務數據持續(xù)訓練為動態(tài)更新的專有模型，顯著提升數據質量，有效抑制模型幻覺。結合配套的模型微調工具，用戶可自主擴展參數、定義規(guī)則并控制權限，形成安全可控、專屬定制的智能數據科學模型，可穩(wěn)定應用于臨床決策支持、科研分析等實時業(yè)務場景，真正將數據轉化為業(yè)務創(chuàng)新的核心引擎。

3.從“復雜調用”到“自然交互”，實現靈活的智能服務消費

醫(yī)療機構獲得“開箱即用”的數據自服務能力，通過平臺提供的標準化 T-SQL和OpenAPI 接口，獲取跨源數據的開發(fā)調試周期縮短，接口開發(fā)效率提升。通過“數據科學模型”，用戶無需編寫復雜查詢語句，使用自然語言即可完成數據交互，生成AI DataAgent，在短時間內即可自動完成數據協調、查詢與分析，并生成結構化報告。復雜數據洞察任務的交付速度提升了10倍以上。

4.合規(guī)與成本成效：在安全前提下顯著降本增效

得益于虛擬化集成方式，大幅減少了物理數據遷移與復制需求，新業(yè)務接入的數據集成成本降低，長期數據存儲與管理成本也得到有效控制。同時，全流程嚴格遵循“數據不出院”原則，在實現數據價值最大化的同時，確保了100%的合規(guī)安全，為后續(xù)數據要素的深度開發(fā)利用提供了可靠范式。

關于企業(yè)

·長遠佳

北京長遠佳信息科技有限公司（簡稱長遠佳）成立于2015年，是國家高新技術企業(yè)，也是國內數智化醫(yī)療數據服務領域可信服務商。“醫(yī)眾”是北京長遠佳信息科技有限公司持有的醫(yī)療數據服務品牌。為用戶全類型數據提供可持續(xù)的數據整合、治理、共享、智能的“DataAI”服務。

·清華長庚

北京清華長庚醫(yī)院是由清華大學與北京市共建共管的大型綜合性公立醫(yī)院，堅持“醫(yī)療服務以患者為中心，醫(yī)院運營以醫(yī)師為核心，醫(yī)院發(fā)展以員工為重心”，創(chuàng)立并踐行精準醫(yī)療、精誠服務、精益管理的“三精醫(yī)療”理念，構建起覆蓋全生命周期、融合數智化的現代健康醫(yī)療服務體系；堅持公益性本位，實行黨委領導下的院長負責制，建立健全現代醫(yī)院治理體系，醫(yī)療團隊與職業(yè)化行政團隊分工協同治理，致力于塑造醫(yī)教研三位一體的國際化學府型醫(yī)院。