一枚AI大脑守望莎车：Med-Go在县医院门诊拦下一次肾上腺转移漏诊

事实报道 × AI技术供应商/创业者 ｜ 趋势前瞻 × 医院信息化/临床医生 ｜ 行业观察

人民网上海频道2026年10月26日17:15报道（记者董志雯、王芳）：由同济大学及同济大学附属东方医院团队主导研发的国产医学大模型Med-Go，被上海援疆莎车分指挥部作为智慧医疗援疆重点项目引入莎车县人民医院。报道记录了一例门诊复查：肿瘤内科医生穆彪为一名肾上腺恶性肿瘤术后患者复查，将病历信息录入模型后，Med-Go输出「高度警惕肾上腺转移可能」的诊疗辅助提示；医生据此复核各项检查指标，确认患者出现肾上腺转移迹象，当即建议进一步检查或前往上级医院就诊。项目以系统部署、医护培训、临床试运行同步推进的方式落地，先以肿瘤内科试点，再辐射全院并向乡镇卫生院推广。

开场：南疆县医院的一次普通复查，AI先看到了风险

场景很不起眼：莎车县人民医院肿瘤内科门诊，一次术后复查。患者是肾上腺恶性肿瘤术后人群，症状与体征都没有给出明确警报。接诊医生穆彪结合既往手术史和复查资料，把病历信息录入Med-Go医学大模型。模型梳理病史、比对检查数据，随后给出一条诊疗辅助提示——高度警惕肾上腺转移可能。

这条提示的价值不在于它替医生下了结论，而在于它把一个容易被忽略的方向重新摆到台面上。

穆彪的反应是复核而不是照单全收。他结合提示进一步评估患者各项检查指标，最终确认患者出现肾上腺转移迹象，建议患者进一步检查或前往上级医院就诊。报道对结果的措辞是克制的：为患者争取了宝贵治疗时间。而对肿瘤术后人群而言，复查环节的一次疏忽，代价可能就是错过最佳干预时机。

Med-Go怎么进的莎车：援疆项目制引入，部署培训试运行同步

从技术供给方视角看，这次落地的路径与常规采购不同。上海援疆莎车分指挥部在深入调研县域诊疗短板之后坚持靶向施策，把Med-Go作为智慧医疗援疆重点项目引入莎车县人民医院，目标是把上海成熟的AI临床辅助体系移植到县域医院，补齐基层疑难病诊疗短板。

Med-Go由同济大学、同济大学附属东方医院团队主导研发，公开描述的能力集中在两点：疑难病例推理与鉴别诊断。它辅助临床医生梳理病史、提示风险线索，相当于给基层临床配备一名智能诊疗助手，尤其适合基层医院开展术后随访筛查工作。

落地方式是被特意强调的部分：

• 不是简单的设备采购和一次性投放；
• 系统部署、医护培训与临床试运行三项同步完成；
• 目标是推动AI真正进入临床流程，而不是停留在展台和演示里。

这三条对AI供应商其实是同一条经验：县域场景的采购方与日常使用方往往不是同一批人，交付能否被真正用起来，取决于培训与试运行是否被算进项目范围，而不是交付之后再另行计价。

一次预警的完整链条：模型提示、医生评估、确认转移

把这次预警拆成链条看，环节并不复杂：

• 输入：既往手术史与复查资料，由医生录入；
• 模型动作：梳理病史、比对检查数据；
• 输出：风险提示，措辞为「高度警惕肾上腺转移可能」；
• 医生动作：结合提示进一步评估各项检查指标；
• 结论：确认出现肾上腺转移迹象，建议进一步检查或转诊上级医院。

值得留意的正是措辞——模型给的不是诊断，而是风险提示。穆彪对这一角色的定位是：AI不是替代医生，而是临床医生得力的「第二大脑」，帮助基层降低漏诊风险。他给出的理由很具体：肾上腺恶性肿瘤术后转移早期症状十分隐蔽，很容易被忽视；Med-Go帮助团队快速捕捉到容易遗漏的风险线索，拓宽了诊断思路。

患者侧的反馈指向另一件事：地理可及性。「在县人民医院就能够把隐患找出来，不用长途奔波去外地复查」——这句感慨与模型精度无关，却是基层部署最现实的收益。

从一个科室到县乡网络：试点辐射与基层轮训

单点预警之外，报道给出了更完整的推进结构。在莎车县人民医院，AI诊疗终端已试用在门诊日常工作，县域医护逐步建立人机协同的诊疗思维，在真实病例中学会借助模型梳理病史、拓宽诊断思路、识别风险线索。

向外延伸的路径被概括为「试点赋能、人才培育、体系搭建」三位一体：

• 以肿瘤内科标杆试点为核心，辐射全院各临床科室；
• 稳步推进Med-Go项目逐步向各乡镇卫生院推广普及；
• 搭建县、乡两级一体化智慧诊疗网络；
• 同步开展基层医务人员专项轮训，培育本土化、专业化数字医疗人才队伍。

第十二批上海援疆专家、莎车县卫生健康委员会副主任、县人民医院院长陈兴屹把目标说得直接：医疗援疆既要「输血」，更要「造血」；引入医学大模型，是希望用数字技术放大基层医院诊疗能力，帮助本地医生提升疑难病例识别水平，让莎车群众不出县城，就能享受到接近大城市三甲医院的诊疗辅助能力。他同时强调，最终目标不是单一科室出彩，而是全域医疗提质。

从「引入一个AI项目」到「搭建一套县域智慧诊疗体系」，真正的变量不是模型能力，而是县乡两级能否形成同一套使用习惯与转诊规则。

冷静观察：个案叙事之外，基层AI需要可复制的运行指标

边界必须先写清楚。第一，报道呈现的是一例个案，全文未给出敏感性、特异性、调用频次或覆盖科室数量等量化运行数据，一次成功预警不能外推为稳定的漏诊率改善。第二，从提示到确认之间的证据链由医生复核完成，模型提示在最终诊断中的贡献比例，无法从公开信息中拆分出来。

接下来真正值得跟踪的指标大致有三类：

• 使用强度：试点科室月均调用量、覆盖门诊人次占比；
• 结果指标：提示后经复核确认阳性的比例，以及被推翻的比例；
• 下沉进度：乡镇卫生院实际接入数量与轮训人次数。

对医院信息化与临床医生视角而言，更关键的是人机协同能否沉淀为可执行规则：什么情况下必须采纳提示、什么情况下可以搁置、提示被推翻后是否回流为教学案例。这些规则一旦成文，县乡两级网络才谈得上一体化。对供应商而言，莎车案例的价值也许不在这一例预警本身，而在于它给出了一份可复制的交付模板——部署、培训、试运行必须打包，否则模型只会停在演示环节。从援疆项目制引入到常态化运营之间，还隔着预算周期与本地人才留存两道坎，这两件事的进展，比下一例预警更值得跟踪。

原文链接：https://sh.people.com.cn/n2/2026/1026/c134768-41733086.html
千方医数集编辑部 出品