医疗AI实验室把病历质控选作首批实验场景。相比影像辅助诊断，病历缺陷更分散、更依赖上下文：规则引擎能拦住格式缺失，却难判断主诉、现病史与诊断之间是否真的自洽。
方法上采用三段式流程：先按章节切分文书并抽取结构化字段，再把同一患者跨文书、跨时间点的要素做对齐，最后由模型只对"对不齐"的片段给出缺陷类型与依据原文，避免整篇重写带来的不可追溯。
进展：初步在脱敏门诊病历集上验证，重点覆盖前后矛盾、要素缺失、时间线错乱、诊断与用药不符四类问题，模型提示中有相当比例需要人工确认，说明当前定位应是"筛出候选"而非"直接判定"。
下一步计划：一是把范围从门诊病历扩展到入院记录与出院小结，检验跨文书对齐是否仍成立；二是把质控结果与医师端反馈打通，形成"提示—修改—复核"的闭环数据，用于后续迭代而非一次性评估。医疗场景的容错空间小，我们更倾向于慢一点，把可解释性和撤回机制先做扎实。
评论