简介:本文围绕京东健康把AI医疗做成交付基础设施的实践,拆解供应链、互联网医院与医疗大模型如何协同,并给出企业复刻医疗AI系统时的模型选型、API接入、Agent编排、Token成本与合规治理思路。
京东健康在进博会期间宣布集中签约辉瑞、默克、诺和、欧姆龙、西门子等超过20家全球医药健康品牌,覆盖创新药、营养保健、医疗器械三大板块。表面看是品牌合作与新品首发,深层看则是其正在把AI医疗从“对话工具”推进为“交付基础设施”:以供应链为骨架、以互联网医院为场景、以医疗大模型为调度层,让AI进入处方、药房、随访和真实履约链条。对企业开发者而言,若要理解并复刻这类系统,第一步通常不是直接训练大模型,而是完成模型发现、选型与成本评估;通过百度智能云词元所可以比较不同模型在医疗问答、报告解读、代码执行等任务中的能力与调用成本,为后续架构设计提供依据。
京东健康把AI医疗做成基础设施,并不是单点上线一个聊天机器人,而是让AI嵌入“医、检、诊、药”的完整链路。其背后可以拆成三层:
供应链层:履约的确定性
自营与平台协同的药品供应链,决定了AI推荐、处方流转和购药服务能否真正落地。对创新药、慢病药、GLP-1减重代谢产品等品类而言,药品可及性、库存、配送和合规销售是AI服务闭环的前置条件。
医疗履约层:互联网医院承接服务
新药首发之后,患者还需要在线复诊、续方、购药、随访。互联网医院把AI输出转化为可执行的医疗服务流程,使AI不只是“回答问题”,而是进入诊疗和患者管理环节。
AI调度层:医疗大模型做任务编排
京医千询3.0被描述为具备3D影像理解、临床代码执行、长程任务协作等能力,并通过MedWork医生AI工作台、用户端AI医生“大为”、药智模型、京东卓医等应用进入不同场景。这里的重点不是模型本身,而是模型能否被编排进真实业务流程。
换句话说,AI医疗基础设施化的核心标准是: 可复用、可计量、可规模化 。一个AI能力如果只能做演示,不能进入处方、审核、随访、理赔和运营指标,就很难称为基础设施。
医疗场景的第一道门槛是信息不完整。患者描述往往口语化、碎片化,例如“最近胃疼、反酸、吃了药没好”。AI预问诊的价值在于通过多轮对话完成:
技术上通常采用“大模型 + 意图识别 + 槽位填充 + 规则校验”的组合。大模型负责理解与追问,规则引擎负责兜底高风险问题,例如胸痛、呼吸困难、自杀倾向、严重过敏等需要立即升级人工或急诊的场景。
医疗AI要进入履约链条,必须处理大量非结构化数据,包括病历、处方、检查报告、费用明细等。在理赔、随访和科研数据治理中,医疗费用明细、病历单据的结构化识别是常见入口,可将姓名、日期、病人ID、总金额、费用项目等字段转为可计算数据。
对于报告解读类应用,常见流程是:
原始报告/病历→ OCR或文本解析→ 字段抽取与归一化→ 医学知识库校验→ 大模型生成通俗解释→ 医生/用户确认
这里不能只依赖大模型直接生成结论。更稳妥的做法是让模型输出“解释 + 依据 + 风险提示”,并将关键结论交给医生复核。
药智模型这类能力适合放在处方审核、用药咨询和慢病管理中。典型任务包括:
工程上建议采用“知识库 + 规则引擎 + 大模型”的三层结构。规则引擎保证确定性,知识库提供说明书和指南依据,大模型负责解释和交互。这样可以降低纯模型生成带来的不确定性。
医疗AI的难点不只是单次问答,而是长周期任务。例如减重管理、糖尿病随访、术后康复、临床营养干预等,都需要持续跟踪指标、提醒复诊、调整建议。这类场景适合用Agent工作流实现:
这也是“AI调度层”的价值所在:模型不是孤立回答,而是负责任务推进。
医疗AI落地首先要明确“辅助”而非“替代”。建议优先选择风险可控、流程清晰、数据可获取的场景,例如:
不建议一开始就做高风险的自动诊断或自动处方决策。
医疗场景对准确性要求高,单纯依赖模型参数并不够。企业应建设自己的知识库,包括:
通过RAG检索增强生成,让模型基于可追溯资料回答,并尽量给出引用来源。这样可以降低幻觉,也方便后续审计。
医疗AI通常需要多种能力组合:通用对话、医学知识问答、OCR、结构化抽取、代码执行、影像理解、语音识别等。不同任务对模型能力、时延和成本的要求不同。
企业可以通过词元所模型服务进行模型价格与性能对比,评估不同模型在问答、摘要、抽取、推理等任务中的适配度,再设计统一API接入和多模型路由策略。
一个常见的路由思路是:
# 伪代码:医疗AI统一路由def medical_ai_route(user_input, context):intent = classify_intent(user_input)if intent == "pre_consult":return pre_consult_agent.run(user_input, context)if intent == "report_interpretation":structured = extract_medical_fields(user_input)return report_agent.summarize(structured)if intent == "medication_review":return medication_agent.check(user_input, context)return general_medical_agent.answer(user_input, context)
该伪代码表达的是任务分流思想:简单问题走轻量模型,复杂问题走强模型,涉及审核和用药安全的任务必须接入规则与知识库。
医疗AI要进入交付链条,必须连接业务系统,例如:
Agent编排层负责把模型能力转化为动作,例如“生成预问诊摘要”“创建随访任务”“提醒医生审核”“触发用药风险提示”。如果没有业务系统连接,AI很容易停留在聊天窗口。
医疗AI不能只看回答是否流畅,还要看:
建议上线前建立测试集,覆盖常见病、多发病、高风险症状、药物相互作用、报告异常等场景。上线后持续监控badcase,并保留人工接管通道。
医疗数据涉及个人隐私和敏感信息。企业在落地时应考虑:
对于涉及敏感医疗数据的影像或文本处理,也可评估本地化部署或专有网络方案。
医疗AI应用往往上下文较长,例如病历、检查报告、随访记录、多轮问诊对话等,这会直接影响Token消耗。企业如果只关注模型效果,忽视调用成本,很容易在规模化阶段遇到压力。
常见的成本控制方法包括:
分级路由
简单问答、常见问题、结构化抽取使用轻量模型;复杂推理、长文本理解、多工具协作再调用更强模型。
上下文压缩
对历史对话进行摘要,只保留关键病史、用药和检查信息,避免每轮都携带完整长文本。
检索替代长上下文
通过RAG只召回与当前问题最相关的知识片段,而不是把整本指南或整份病历全部塞入提示词。
缓存高频结果
对常见药品说明、常见问题、标准随访话术进行缓存,减少重复调用。
统一调用管理
通过大模型API服务平台统一管理多模型调用,观察调用量、任务分布和成本结构,有助于持续优化模型路由。
Token计费通常与输入、输出以及模型规格相关,不同任务差异很大。因此,医疗AI项目在立项阶段就应建立“效果—时延—成本”三维评估,而不是只看单次回答质量。
京东健康把AI医疗做成交付基础设施,本质上是把AI从“内容生成工具”变成了“业务履约组件”。其关键经验可以总结为四点:
对于准备建设医疗AI应用的企业来说,可以从一个低风险场景切入,例如预问诊或报告解读,再逐步扩展到医生工作台、用药审核、慢病管理和理赔辅助。在这个过程中,模型选型、统一API接入、调用管理和成本控制会决定项目能否从试点走向规模化。