医疗AI，一直是大模型最受关注、最难落地的行业之一。
一边是迅速增加的医疗问答、报告生成、影像识别和辅助诊断产品，另一边，真正走进医院诊室、影响医生决策的大模型仍然不多。
其中的原因并不复杂，普通大模型答错一道题，用户或许只需要重新提问，医疗大模型如果判断错一个病例，面对的却可能是患者安全和医疗责任。
模型能不能回答医学问题，只是医疗AI进入临床的起点，真正的问题是：
它能否理解复杂病例，能否说明判断依据，能否在临床使用中持续更新？
在WAIC 2026期间，我们看到了首都医科大学附属北京安贞医院高血压中心与中国电子云联合打造的高血压诊疗大模型。
从高血压专病大模型起步，如今北京安贞医院高血压中心已经逐渐搭建起覆盖门诊、住院、院外监测、随访和转诊的全病程管理平台。
这套名为Idiom Hypertension的中西医结合高血压诊疗大模型并不满足于做一个医学问答工具，而是包括高质量数据集、专病模型、智能体和专家知识库在内的一套专病服务系统。
就在大模型热潮来袭的第五年，在北京安贞医院高血压中心，医疗AI开始走出聊天框进入到了临床服务的核心流程。
01 高血压，为何成了医疗AI第一个临床考场？
医疗AI经常面对一个看似矛盾的要求，医院希望基于它提高效率，却又不能因为追求效率牺牲诊疗质量，希望它学习专家经验，却又不能让模型变成无法解释的黑箱，希望它不断迭代，却又需要同时必须确保敏感医疗数据的安全。
首都医科大学附属北京安贞医院高血压中心主任程文立将临床对AI的要求概括为五点：安全性、有效性、可解释性、合规性，以及长期可持续的更新和迭代。
这五点意味着，医疗大模型很难完全照搬通用大模型的发展路径。
通用大模型可以先上线，再通过用户反馈不断修正，医疗大模型在进入真实诊疗之前，就必须经过更严格的验证。
这也是为什么，安贞医院与中国电子云首先选择了高血压。
相关统计数据显示，我国18岁及以上居民高血压患病率为27.5%，患者约2.45亿人，与此同时，高血压也是导致冠心病、脑卒中等心血管疾病和死亡的主要原因之一。
程文立教授告诉我们，我国高血压患者的知晓率51.6%和治疗率为45.8%，控制率只有16.8%，这意味着，患者数量庞大与规范诊疗能力不足同时存在。
这样的压力，最终会传导到医院和医生身上。
据程文立教授介绍，安贞医院高血压中心的诊疗技术水平较高、深得患者信赖，日门诊负荷也比较大，医生需要在有限时间内完成评估、诊断和治疗。
如果能把高血压诊治的规范与临床经验与AI结合形成智能化的大模型，减轻医生负荷，又能辅助提高基层医生诊疗能力，将有助于改善高血压疾病的临床诊治。
高血压恰好为医疗AI提供了一块足够真实的试验场，患者规模大，基层需求强，诊疗指南和风险分层相对清晰，又需要长期随访和持续管理。
正因如此，2025年9月，安贞医院与中国电子云组建联合团队，开始推进高血压专病诊疗大模型的研发。
在这个特殊的联合团队中，一半是临床专家和医生，一半是算法工程师，临床团队提出诊疗需求，解释指南、共识和病例，算法团队不断学习医学知识，并把原始数据治理成模型可以训练的语料。
在这个过程中，不是某个算法参数，而是医学知识和AI技术之间的“翻译”问题。
算法工程师知道怎样训练模型，却不能独立判断模型给出的医学答案是否正确，医生能够判断对错，却不了解怎样调整模型，因而双方往往需要围绕同一个病例不断往返：模型哪里错了，正确答案是什么，应该增加哪些样本，下一轮又该怎样验证。
在此基础上，这一项目将100多个国内外指南和共识纳入到了高血压专病诊疗大模型中，模型面对一个病例时，不只会给出结论，还会解释依据。
例如，一位患者的血压是180/100mmHg，这样的血压属于哪一级、处于什么危险程度，是否需要进行继发性高血压筛查，是否需要立即干预，长期治疗又有哪些方案，针对这些问题，模型需要依照指南给出推荐，并把第一、第二、第三选择及其理由呈现给医生。
据程文立教授介绍，在现阶段验证过程中，基层医生借助模型形成的诊疗结果，与安贞医院高血压中心专家意见的符合率达到96%，用时约6秒。
02 从6秒诊疗到全病程管理，医疗AI嵌入全服务流程
如果项目只追求一次诊断的速度和符合率，它依然只是一个更专业的辅助诊断工具。
但高血压是一种需要长期管理的慢性病，患者走出诊室后，还涉及按时服药、院外血压监测、生活方式干预、复诊、并发症风险识别和上下级医院转诊。
一次正确的诊断，并不等于完成了疾病管理，这也是这个项目会从高血压诊疗大模型走向全病程管理平台的原因。
程文立教授介绍，Idiom平台集合了AI引擎、本体引擎、数据引擎、业务引擎、科研引擎和运维引擎，具体落到医院中，对应的是门诊诊疗、病房治疗、出院随访、院外血压监测、风险回流、数据沉淀和模型迭代整体服务链路。
患者在中心医院完成诊疗后，回到基层医院接受长期管理，基层医生发现高风险或复杂病例，可以向上转诊，患者病情稳定后，又可以回到基层继续随访，模型在这个过程中提供知识和决策支持，平台则把不同层级的医院、医生和患者连接起来。
这一步改变了医疗大模型的产品形态。
过去的很多医疗AI应用集中在某个点上，识别一张影像、生成一份报告、回答一个问题。
全病程管理面对的则是一条时间跨度更长的服务链，它不仅要理解患者此刻发生了什么，还要记录患者此前接受过哪些治疗，接下来需要做什么，以及风险出现时应该回到哪一级医院。
安贞医院高血压中心积累的诊疗标准、专家经验和科研能力，也因此有了另一种输出方式。
过去，基层医生想学习顶级专家的经验，通常需要到中心医院进修，或者在具体病例中获得指导，这种方式效果直接，但受制于专家数量、培训时间和地域距离。
大模型带来的是一种新可能，把指南、共识和专家经验固化为可调用的能力，再通过全病程平台下沉到基层，专家不需要亲自参与每一次普通病例诊疗，却能够让更多基层医生按照相对统一的规范进行评估和治疗。
这正是医疗AI与其他行业大模型不同的地方，医疗领域真正稀缺的并不是答案，而是经过验证、能够追溯并且可以持续更新的专业能力。
据程文立教授透露，这一项目目前已经在浙江湖州等地开展临床验证，在基层医生使用平台后，诊疗水平能够得到明显改善。
此外，这一平台还被用于三级转诊、双向转诊、临床队列建设、科研数据共享和前瞻性队列研究。
由此来看，这一平台承载的已经不只是一个模型，而是医院的一部分医疗服务流程。
医疗大模型落地，还有几道门槛？
尽管现在中国电子云与安贞医院联合打造的高血压专病诊疗大模型的准确率已经达到了96%，不过，程文立教授告诉我们，他们的目标是将这一数据进一步提升到99%。
3个百分点看起来不多，但越是接近目标，剩下的问题可能越复杂。
程文立教授告诉我们，此前，模型准确率从80%提高到96%，整个过程大约只用了三四个月，前期的问题可能来自知识不足、数据治理和常见病例覆盖不够，但到了后期，模型需要面对的往往是更加少见、复杂或存在多种合并症的病例。
最后3个百分点的问题究竟来自哪里，现在还没有一个简单答案。
这也对双方组建的联合项目团队提出了更高的要求，中国电子云高级副总裁黄锋告诉我们，这要求联合团队在湖州、邯郸等医院的真实临床环境中继续验证，医生发现模型判断存在偏差后，要指出问题和正确答案，算法团队再把这些反馈整理成新的训练样本，对模型进行调优。
黄锋指出，随着更多医生使用，模型能够获得更多正负样本，逐渐形成“使用—反馈—训练—再使用”的数据飞轮，从而将模型的准确率进一步提升。
不过，要想真正让这样的医疗大模型在各大医院普及开来，不容忽视的还有标准和认证问题。
程文立教授告诉我们，通用大模型一般是需要在网信部门备案，但医疗大模型通过临床验证规模化应用前，仍需要拿到医疗器械认证。
目前双方团队已经在筹备医疗器械认证的工作，但这仍然需要一定的时间。
不难发现，高血压专病诊断大模型为医疗AI领域提供了一条清晰的落地路径，从一个需求明确的专病切入，由医学专家和算法工程师共同训练，在真实环境中持续验证，再把模型嵌入门诊、住院、随访和转诊流程，最终将一家中心医院的专业能力输出到更多基层机构。
当AI走到这一步，决定其价值的就不再是它掌握了多少医学知识，而是它能不能让医生少一点负担，让基层诊疗多一点规范，为患者提供更好的医疗服务。
