台南奇美医院上线急诊AI摘要：30秒生成一页病历，全程院内运行不连外网

急诊医生少花的那8分钟：台南奇美把病历摘要压进30秒，且坚持不联网

事实报道 · 医院信息化与临床医生 ｜ 产品发布

台南奇美医学中心（Chi Mei Medical Center）上线了一套急诊AI系统，可在约30秒内生成一页患者病历摘要，帮助急诊医生快速掌握关键信息。此前，医生需要登录多个系统、花费5到10分钟收集和整理病历。这套系统由医院与台湾数位发展部（Ministry of Digital Affairs）及工业技术研究院（Industrial Technology Research Institute）合作开发，完全运行于医院内部电脑，不要求接入外部互联网。

产品卡片：30秒、一页纸、不联网

• 是什么：一套面向急诊科的病历AI摘要系统，名为智慧急诊病历摘要系统，汇总患者近期治疗、用药与病史，生成一页式摘要供医生快速浏览
• 关键参数：约30秒生成一页摘要；对照此前5到10分钟的人工整理耗时；完全运行于院内电脑，不连外部互联网
• 技术底座：地端医疗专用大语言模型（Large Language Model, LLM）加边缘运算，模型与算力都放在院内
• 给谁用：急诊科接诊医生，尤其是面对不熟悉患者、需要快速建立病情全貌的场景
• 开发方：台南奇美医学中心与工业技术研究院、台湾数位发展部数位产业署合作开发
• 触发方式：患者在急诊科挂号时系统即开始收集相关记录，医生接诊时一键即可获得摘要

这张卡片里最值得注意的不是30秒，而是最后一行：不联网。在一个几乎所有医疗AI都在谈云、谈大模型、谈算力池的年份，一所医院选择把模型关在自己的机房里。

省下的时间账：从5到10分钟到一键可得

急诊的效率账要按人次算。此前，医生为了了解一位患者的既往情况，需要分别登录多个系统，把不同科室、不同日期产生的记录逐一调出再自行归纳，这个过程耗时5到10分钟。

现在，信息收集从医生接诊那一刻前移到了患者挂号那一刻。系统在患者于急诊科挂号时即开始收集相关记录，医生接诊时一键即可获得一页摘要。

能力的边界也值得拆开看。系统不只是做静态归纳，医生还可以就患者病史向系统提出具体问题；系统能够检索不同日期或不同科室生成的记录，减少逐条翻阅的需要。这意味着它实际上承担了一部分跨系统检索与跨时间线对齐的工作，而这恰恰是医院信息系统长期最难打通的部分。

按急诊科的接诊量估算，单个患者节省出来的时间若能稳定兑现，累积效应远大于纸面上的几分钟。更关键的是时点：急诊医生的注意力最稀缺的恰恰是接诊最初的那几分钟，把整理病历的负担前移到挂号环节，等于把医生的注意力还给患者本人。

这一点也是院方自己强调的。奇美医院院长林宏荣在发表会上表示，相较过去医师要登入多个系统逐一查询、再花5至10分钟人工汇整，这套系统可有效缩短搜寻与整理时间，让医师更快掌握病人资讯、投入临床评估。

追问功能：从浓缩成一页到回答具体问题

设计这套系统的人一直在急诊一线。奇美医院急诊医学部急救医学科主任张敬弘表示，系统是从急诊医师实际看诊需求出发的：病人挂号后即开始整理相关病历资料，约30秒就可生成一页式摘要，医师看诊前一键开启，即可先掌握重要病史与近期医疗资讯。

他同时点出了急诊场景里一个很具体的痛点：医师在临床工作中经常突然需要确认特定病历细节，但答案可能分散在不同时间、不同科别或不同医疗纪录中。系统的追问功能让医师可以直接用问题查询，减少逐笔搜寻与切换系统的负担。

用他的话说，这套系统不只是把病历浓缩成一页，而是能在医师有疑问时，进一步协助找出所需资讯。这个定位把系统从摘要工具推向了检索工具，也解释了为什么它要接入多科室、跨时间线的病历数据——只有数据打通，追问才有意义。

为什么坚持离线：院内运行这条底线的代价与收益

系统完全运行于医院内部电脑，不要求接入外部互联网。张敬弘强调，系统导入的是地端边缘运算方案，不需与外部网路连结，借此确保敏感医疗资讯留在院内、强化资安防护，在最新AI科技与医疗隐私之间取得平衡。

代价同样清楚。不联网意味着模型能力受限于院内可部署的算力与模型规模，难以调用云端最新一代大模型的通用能力；模型升级、知识更新与运维都要由医院或合作方在本地完成，迭代速度慢于云端产品。

但对医院而言，这笔账算的是风险而不是性能。病历数据一旦出网，医院要同时面对数据合规、患者隐私与责任归属三重压力；而把计算留在院内，数据的控制权和责任边界都留在自己手里。

在AI能力每年都在跃迁的背景下，主动放弃一部分能力换取确定性，本身就是一种工程判断。

边界设定：信息助理不等于决策工具

院方对该系统的定位表述得非常克制：它是信息助理，而非医疗决策工具。系统承担检索与汇总等重复性任务，医生仍负责解读信息并决定治疗方案。

这个边界设定不是修辞。它直接决定了系统在医院内部的审批路径、责任归属与使用场景。做助理，出问题由医生兜底，系统只要不误导即可；做决策工具，则需要独立的临床验证、监管审批与责任划分，门槛高出好几个数量级。

院方同时给出了扩展方向：该系统未来还可能辅助会诊、检查规划、病情说明与医患沟通。这四项仍然集中在信息整理与表达环节，没有跨进诊断建议的领域，说明边界是刻意维持的。

横向对照：本地优先路线与云端路线各自解决什么问题

把两条路线摆在一起，分野很清楚。

• 本地优先路线：数据不出院，安全与合规压力最小，责任清晰；代价是模型规模受限、迭代慢、单次部署成本高。适合病历摘要、文书生成、信息检索这类高频低风险任务，也是当前多数医院愿意接受的第一批AI场景
• 云端路线：模型能力强、迭代快、运维轻，适合影像分析、辅助诊断、复杂推理等需要大模型的任务；代价是数据出网带来的合规压力、责任划分难度，以及对网络与供应商可用性的依赖

两条路线并非互相取代，更可能长期并存：高风险、高敏感度的数据处理留在院内，重算力、重模型能力的任务走云端或混合架构。台南奇美的选择，代表前一类场景的当前最优解。

冷静观察：摘要只是入口，真正难的是接进诊疗决策

本地化部署加上明确的功能边界，是当前医院侧AI落地中规避数据与责任风险的通行做法。台南奇美把这两件事同时做对了，所以这套系统能上线，而不是停留在试点。

但要看到它的位置：病历摘要解决的是信息获取效率，属于诊疗流程的最前段。它让医生更快知道患者是谁，却没有介入医生知道之后做什么。真正的难点在更下游——把模型的输出接进检查决策、用药选择与鉴别诊断，那需要的不只是部署方式，而是证据、责任与监管框架的整体配套。

摘要是入口，不是终点。判断这套系统的价值，短期看接诊效率与医生接受度，中期看它能否沿着院方提到的会诊与检查规划方向延伸；至于诊疗决策本身，仍要等待证据与规则的进一步成熟。对医院来说，先把入口跑通，是当下最务实的一步。

原文链接：中央社

---

千方医数集编辑部 出品