门诊高峰期，一位医生的问诊时间常被压缩到几分钟。问诊、判断、开方之外，还要完成门诊病历的书写与录入，这部分工作重复而耗时。近一年来，多家三甲医院陆续上线基于大模型的辅助诊疗系统，最先落地的正是病历生成：系统实时收录医患对话，自动抽取主诉、现病史、既往史、检查结果等要素，输出结构化病历草稿，医生审阅修改后签字确认。
从写病历到给建议
病历只是入口。随着模型能力提升、院内数据逐步打通，辅助范围正在扩大：影像与病理的初筛提示、检验指标异常的组合解读、基于院内指南与药品说明书的用药建议、慢病患者的随访提醒。与通用聊天机器人不同，这类系统多采用检索增强的方式，把回答锚定在医院自己的临床指南、诊疗规范和既往病例上，以降低凭空编造的概率。
厂商的产品形态也在调整。有的把模型部署在医院本地机房，数据不出院；有的采用混合方案，敏感数据本地处理，通用能力调用云端。共同点是把“辅助”写进产品定位，即给出参考建议，由医生判断并承担最终责任。
政策与审评同步推进
监管框架正在补齐。用于辅助诊断、辅助决策的软件若属于医疗器械范畴，需要走相应的注册审评路径，提交临床评价资料；各地也在陆续出台医疗人工智能应用规范与数据安全要求。医院采购时更关注三件事：能否顺利接入现有信息系统、输出结果是否可追溯、以及一旦出问题责任如何界定。
真正的难点在责任与数据
- 幻觉风险：即便引入检索增强，模型仍可能给出看似合理却错误的建议，关键结论需要交叉验证与人工复核。
- 责任边界：建议被采纳后若造成不良后果，责任由医生、医院还是厂商承担，目前仍缺乏统一标准与判例。
- 数据质量：院内系统林立、数据格式不统一、历史病历记录参差，直接影响模型输出的可用性。
- 医生采纳：年轻医生接受度较高，资深医生更看重可解释性，也担心额外核对反而增加工作量。
此外，收费与激励也没完全理顺。医院投入算力与授权费用，收益却难以直接体现在诊疗价格上，这使不少项目停留在试点阶段。部分厂商转向按调用量计费或与科室分担成本，试图找到可持续的商业模型。
接下来看什么
短期看，病历生成与质控是最容易量化效率提升的场景，也最可能率先规模化。中期看，能否纳入医院预算或医保支付体系，决定这门生意能否持续。更长远的问题在于：当模型开始参与医学判断，医疗质量的评估方式、医生的培养路径乃至医患沟通的方式，都需要同步调整。技术已经走到门诊门口，接下来要补的是一套与之匹配的规则。