
什么是医疗 AI Agent?
医疗 AI Agent 是一个有明确角色的智能体:它围绕一个具体的临床任务,感知数据、记忆历史、推理判断,再行动——比如发出提醒、生成报告、整理数据。和一个单独的模型相比,Agent 更强调“把一件事做完”,同时在关键环节留出人工复核点。
第一步为什么是写「Agent 任务书」?
很多项目做不下去,是因为一开始没有说清楚要解决什么。任务书要回答五个问题:谁用、在什么场景用、辅助什么决策、现状如何、出错的代价是什么。这一步由医院、PI 和开发团队一起完成。
可行性评估看哪些方面?
- 数据:能不能拿到,质量够不够。
- 合规:伦理审查、脱敏、知情同意等要求,在这一步就梳理清楚。
- 流程:Agent 能否接入现有工作流,比如微信端或院内系统。
数据与知识怎么准备?
一是数据治理:变量筛选、缺失处理、标准统一,把分散的数据整理成可用的数据集。二是知识沉淀:把指南条文和专家经验整理成规则库,让 Agent 的判断有据可依。
原型为什么要“最小可用”?
先定义 Agent 的角色边界、可以调用的工具、需要记住的信息和人工介入点,然后只做一个能跑通的最小闭环。先让医生看到真实效果,比一次性做大做全更稳妥。这也是我们坚持“DEMO 先行,满意再签约”的原因。
怎么验证 Agent 真的有用?
先做离线评测,再做小范围前瞻试用。指标不只看准确率,还要看医生采纳率、节省的时间、误报和漏报的临床代价,以及出问题时的兜底方式。评估可参考 TRIPOD+AI、DECIDE-AI 等规范,项目管理可参考 CRISP-DM。
上线以后还要做什么?
部署后要持续监控效果漂移:人群、设备或流程变了,模型表现也可能变。通过反馈收集、数据回流和版本迭代,让 Agent 持续有效。每个项目都会沉淀数据标准、评测集、规则库和提示词,为下一个项目打底。
常见问题
开发一个医疗 Agent 一定需要大量数据吗?
不一定。关键是数据与任务匹配。很多项目先从数据治理开始,再判断数据量是否足够。
Agent 可以直接给出诊断吗?
不应该。Agent 提供提醒、整理与参考建议,临床判断由医生做出。
哪个阶段最容易被忽视?
临床问题定义和上线后的持续运营。前者决定方向,后者决定 Agent 能否长期有用。
本文由芥舟医学内容团队根据既往项目经验整理,仅供方法交流,不构成医疗建议。