案例解读|基于MatrixOne Intelligence构建IBS智能问诊系统

客户简介

为国内顶尖的一所三甲医院，集医疗、教学、科研于一体，拥有雄厚的技术力量和先进的医疗设备，但目前在功能性胃肠病如肠易激综合征（IBS）的临床诊疗上面临数据资产利用的内在困境与外部压力。

面临的业务挑战

临床诊疗的内在困境
临床诊疗的内在困境。IBS的诊断主要依赖患者的主观描述，客观性较差且难以准确捕捉，这使得误诊率较高。传统的就医流程繁琐复杂，耗费患者大量时间，同时非标准化的问诊也带来了漏诊风险。此外，IBS作为一种慢性病，不仅每个患者的症状各异，需要高度个性化的治疗方案，还需要长期的跟踪与管理来动态调整策略，而现有的诊疗模式难以满足这种精细化的持续管理需求。
院内数据资产利用困难
院内数据资产利用困难。医院内部积累了大量有价值的临床病例数据，但这些数据通常无法直接导出用于分析和模型训练。这种数据孤岛和非标准化问题，导致珍贵的医疗数据难以被有效利用，无法支持大规模的数据驱动研究或AI模型的开发，限制了临床科研与实践的深度融合。
外部资源压力与合规挑战
外部资源压力与合规挑战。庞大的IBS患者群体对有限的专科门诊资源造成了巨大压力，加重了医疗体系的运行负担。同时，该智能问诊系统作为一款医疗器械软件，其开发和应用必须严格遵循监管要求，必须确保产品的安全性和有效性，并通过临床验证，这是获得医疗器械II类软件注册证并推向市场的关键前提，也是评审专家重点关注的环节。

解决方案

为了应对上述挑战，该三甲医院引入了MatrixOne Intelligence，一个面向多模态数据的AI数据智能解决方案，旨在构建一套从数据处理到智能应用的端到端IBS智能问诊系统。

MatrixOne Intelligence平台集成了数据治理、智能解析、多模态搜索和超融合数据底座等功能。它能够通过其核心组件，对PDF、音视频、图片等各类非结构化数据进行智能解析和结构化抽取，并支持针对特定AI模型的需求，构建和生成高质量的训练数据集，从而为AI应用的落地提供坚实的数据基础。

具体实施路径如下：

盘活院内数据资产：
• 利用MatrixOne Intelligence平台的能力，对识别出的非结构化文本进行结构化抽取，按照预设的Schema（如个人信息、主诉、现病史、诊断等）转换成规范化的JSON格式数据。这一步成功地将原本锁定在图片中的"死数据"转化为可供机器分析和利用的"活数据"，为后续AI模型开发奠定了高质量的数据基础。
构建高质量AI训练数据集：
• 基础对话生成： 基于上一步获得的结构化病历数据，利用本地部署的大语言模型（如Qwen2.5-72B）和结合就诊流程设计的Prompt，生成了高度模拟真实诊疗场景的医患对话（QA）数据集。
• 数据扩增与优化： 为解决AI模型在开发初期的回复机械化和"过度确诊"等瓶颈问题，项目采取了先进的数据扩增策略：
• 引入Persona角色： 模拟不同性格、表达方式各异的患者角色，重新生成对话数据，极大地丰富了数据多样性，提升了模型的共情能力和对话自然度。
• 引入负样本： 为了纠正模型将所有对话都诊断为IBS的过拟合倾向，团队引入了10%-20%的非IBS病例或具有迷惑性的对抗样本作为负样本。这有效训练了模型的鉴别诊断能力，使其能更准确地区分IBS与其他病症。
开发IBS智能问诊核心应用：
• 在高质量数据集的基础上，团队成功研发出IBS智能问诊系统。该系统具备四大核心AI辅助功能，深度赋能临床医生：
• 智能回复： 理解医患对话上下文，实时生成专业的回复建议供医生选择，提升沟通效率。
• 智能诊断： 自动提取对话中的关键症状，依据临床指南进行逻辑推理，提供IBS亚型分类等诊断建议。
• 治疗意见： 根据诊断结果和患者情况，推荐包含用药、饮食、生活方式在内的个性化综合治疗方案。
• 病历报告： 一键自动整合问诊全流程信息，生成标准化的电子病历报告。

客户收益

该智能问诊系统的实施为该三甲医院的临床工作、科研及患者服务带来了显著的多维度价值：

• 提升诊疗效率与准确性： 自动化问诊和病历生成功能将医生从重复性工作中解放出来，节省了大量时间。基于AI算法的精准分型辅助，有效降低了因主观判断导致的误诊率。
• 规范诊疗流程与患者管理： 系统确保了数据采集遵循最新的临床指南和专家共识，减少了漏诊风险。同时，系统能够根据患者具体情况生成个性化的循证治疗方案，有助于提升患者的治疗依从性和长期管理效果。
• 优化医疗资源分配与患者体验： 通过在线预问诊可以有效分流轻症患者，缓解消化内科专科门诊的接诊压力。患者也从中获得了更便捷、私密的线上咨询渠道，整体就医体验和信任度得到提升。
• 推动临床科研发展： 该项目成功将医院内沉睡的数据资产转化为宝贵的研究资源。系统积累的大量结构化真实世界数据，为探索IBS发病机制、亚型转换规律等前沿科学研究提供了前所未有的数据支持。
• 可量化的模型性能提升： 通过引入Persona和负样本等数据扩增策略，AI模型的性能得到了客观验证。