目的：提出并实现一种基于多模态感知与多智能体协同的护理操作评估系统，提升护理操作考核的客观性、一致性与评估效率。方法：以临床护理操作视频为输入，构建多智能体协同评估体系，将评估标准转化为可执行任务；通过双通路推理智能体分别解析操作视频与语音核查信息，再由融合决策智能体完成评分计算与报告生成，并引入核验机制，确保结果可靠可用。结果：在多类标准护理操作场景下，系统可稳定实现自动化评估，在流程完整性、操作规范性等方面与专家评估一致性较高，显著降低了人工考核的时间成本。结论：将多模态模型以智能体协同方式组织应用，可为护理技能评估提供一条可扩展、可解释且具备实际应用价值的技术路径。

目的：解决临床医生因工作负荷过高而在转诊机构选择上面临的效率瓶颈，设计并验证一种基于多智能体协同的双塔 - 大语言模型转诊机构推荐系统。方法：采用多智能体协同架构，将系统功能封装为感知与预处理、双塔检索、深度推理、资源调控 4 个智能体。系统核心融合了双塔模型的高效向量检索能力与DeepSeek-V3 大语言模型的深度语义推理能力，实现候选机构的“先粗排、后精排”协同推荐。利用某三甲医院 13 245 条患者数据，经严格筛选后，共纳入 1  155 例具有明确“医嘱转院”记录的真实世界病例进行训练与验证。采用 Hit@K、MRR 及 NDCG 等指标评估推荐性能，并进行了响应时间测试与鲁棒性分析。结果：在包含 10 家医联体机构的测试集上，系统推荐的Hit@1、Hit@3、Hit@5 分别为 62.9%、85.3% 和 93. 1%，MRR 和NDCG@3 分别达到 0.714 和 0.653。系统全流程平均响应时间为 53.2 ms。在缺失 30% 结构化检验指标或长文本字段的情况下，Hit@3 性能仅分别下降 0.9 和 2.9 个百分点，表现出良好的鲁棒性。结论：本研究提出的系统能在毫秒级响应内实现高精度、可解释的转诊机构推荐，有效缩小了医生的决策搜索范围，为减轻临床转诊工作负担提供了可行技术方案。

目的：构建基于大语言模型的鼻咽癌 TNM 分期智能体，实现临床分期任务的自动化处理，提高分期准确性和一致性，解决传统人工分期工作量大、主观性强的问题。方法：设计多阶段推理框架，包括信息提取、特征标准化和指南映射 3 个核心步骤。采用工具过滤和自适应上下文压缩技术优化推理效率，构建可扩展的工具库支持分期决策。智能体通过“思考―行动―观察”循环机制，实现可追溯的推理过程。结果：在 192 例鼻咽癌临床报告测试中，鼻咽癌 TNM 分期智能体在 T、N、M 分期的准确率分别达到 92%、74%、95%。Token调用量在工具数量为 10、30 和 50 时，分别降低 34.2%、55.4% 和 63.8%，平均降低 51. 1%。该智能体提供了完整的推理链条和可解释性，便于临床医师理解和验证分期结果。结论：基于大语言模型的 TNM 分期智能体为临床分期自动化提供了有效的技术方案，在准确性和效率方面表现良好，但需进一步验证其在多中心、多癌种场景下的适用性，为医疗智能体在临床实践中的广泛应用奠定基础。

医院信息系统（HIS）中的资源调度问题具有多约束、多目标的 NP-hard 复杂性特征，传统调度方法难以满足实时性与优化性要求。针对经典蚁群算法收敛速度慢、易陷入局部最优等局限性，设计了基于自适应信息素管理机制的改进蚁群算法。该算法引入资源利用率驱动的动态挥发系数调整策略，构建多目标导向的帕累托最优搜索机制，融合医院业务特征的多维启发式信息，并基于分布式架构实现工程化部署，与 HIS 完成标准化集成。实验结果表明，改进蚁群算法相比传统方法收敛速度提升了 37.9%，资源利用率提高了 20.5%，患者等待时间减少了 33.6%，验证了算法的有效性与实用性。

目的：构建基于信息化技术的智能导引平台，提升医院体检业务的服务效率和质量，推动智慧医疗服务体系建设。方法：采用分布式微服务架构和国产数据库等技术组件，结合多属性决策算法的智能导引模块，建设体检智能导引平台。结果：成功实现平台的部署与上线运行，通过多模态信息发布功能，为用户提供实时、精准的体检路径智能导引，显著提升了体检中心运营效率，用户平均体检时间缩短了 25%。结论：体检智能导引平台有效促进了体检业务的精细化管理，其成功实践为智慧门诊服务的智能化建设提供了可复制的参考模型，具有推广应用价值。

目的：针对多中心中西医结合场景下病历文本普遍存在的语义省略、语言结构复杂及术语表达差异等问题，构建一种基于DeepSeek 的自动规范化框架，以高效应对大规模异构数据处理及其中复杂语言现象。方法：采用 DeepSeek 大语言模型，通过调用 API 接口并结合模块化提示工程，对原始异构病历文本执行关键语义成分显式补全、歧义消解与句式重构及多中心临床术语对齐等核心任务，实现其向语义明确、格式统一、标注友好的规范化数据转化；并协同医学专家通过靶向内容验证，对模型处理结果进行抽样复核与准确性评价。结果： DeepSeek-R1 在零样本条件下对三家医院 KOA 电子病历的规范化平均准确率达 86%。该框架结合“LLM 主导 -人工抽样评估”协同范式显著降低了人工成本，提升了处理效率与数据质量，充分验证大语言模型在复杂医学文本处理中的强大语义理解、推理与生成能力。结论：本框架输出的高质量规范化数据为后续结构化数据标注、知识抽取等任务奠定坚实基础，有力支撑高精度中西医结合专病知识图谱的构建。

目的：构建一个基于知识图谱的 DRG 全流程管理系统，以应对 DRG 付费改革对医疗机构精细化管理提出的挑战。方法：通过整合临床路径与 DRG 信息，利用知识图谱技术构建多维度医疗知识图谱，并构建包含入院前智能决策支持、诊疗中实时监控与干预以及出院后闭环反馈优化等模块的系统，实现 DRG 全流程管理。结果：系统实施后，临床路径入径率提升 24.07%，路径版本优化率提升 17.55%，路径变异率下降 6.49%， DRG 结余率上升 8.03%，平均住院日缩短 1.02 d。这些成果表明系统有效整合了医疗资源，规范了诊疗流程，提高了医疗效率和质量，降低了医疗成本。结论：基于知识图谱的 DRG 全流程管理系统在提升医疗效率、质量和经济效益方面具有显著效果，为医院在 DRG 支付改革中的精细化管理提供了有力支持，具有良好的推广价值。

目的：优化“军字一号”门诊系统的功能，减轻医务人员负担，缩短患者等候时间，提高门诊系统工作效率。方法：剖析现有门诊流程，定位可优化环节，基于Web 服务技术，对门诊系统进行升级改造和流程优化。结果：以最小化代码侵入性方式，实现门诊系统升级和流程优化，使重复操作批量化、人工操作自动化，实现了数据高效流转，提高了门诊的工作效率。结论：利用 Web 服务技术的低耦合特性，功能独立开发、独立维护、独立部署，体现了良好的扩展性和可维护性。本研究体现了 Web 服务技术在医院门诊系统工作中的重要作用，为医院数字化、智能化和高质量发展提供了技术支撑。

目的：基于人工智能（Artificial Intelligence, AI）与影像组学构建低剂量 CT 肺癌筛查模型，并对该模型进行验证。方法：收集 2020 年 1 月至 2025 年 6 月鄂州市中心医院 460 例肺结节患者资料，按照 7:3 的比例分为训练集（322 例）、验证集（138 例）。322 例训练集患者根据病理结果分为良性组（217 例良性结节）和恶性组（105 例恶性结节），比较两组临床资料，LASSO 回归筛选影像组学特征，多因素 Logistic 回归分析肺癌的影响因素，构建训练集、验证集逻辑回归（Logistic Regression, LR）模型、支持向量机（Support Vector Machine, SVM）模型、极端梯度提升（eXtreme Gradient Boosting, XGBoost）模型、k 最近邻（k-Nearest Neighbors, KNN）模型，采用受试者工作特征曲线（Receiver Operating Characteristic Curve, ROC）评估模型效能。结果：恶性组与良性组胸膜凹陷征、血管集束征、支气管征、毛刺征、细胞角蛋白 19 片段抗原 21-1 （Cytokeratin 19 Fragment Antigen 21-1，CYFRA21-1）、癌胚抗原（Carcinoembryonic Antigen, CEA）比较，差异具有统计学意义（P ＜ 0.05）；LASSO 回归筛选出 7 个影像组学特征，构建影像组学评分；胸膜凹陷征（OR=4.843,95%CI：2.685 ～ 8.737）、血管集束征（OR=7.586，95%CI：3.658 ～ 15.732）、支气管征（OR=4.007， 95%CI：2.257 ～ 7.115）、毛刺征（OR=3.014，95%CI：1.659 ～ 5.477）、CYFRA21-1（OR=1.480，95%CI： 1.136 ～ 1.927）、CEA（OR=1.399，95% CI：1.237 ～ 1.582）及影像组学评分（OR=2.076，95% CI：1.584 ～2.721）均是肺癌的影响因素（P ＜ 0.05）；训练集、验证集结果显示，XGBoost 模型的 AUC 值最大，明显大于 LR、 SVM、KNN 模型。结论：肺癌的影响因素较多，基于上述因素构建的肺癌筛查模型中 XGBoost 模型具有良好的诊断效能。

目的：探讨基于改进机器学习模型预测急性缺血性脑卒中（AIS）后自发性出血转化（HT）风险的临床价值，为临床治疗提供参考。方法：采用多中心回顾性研究设计，纳入 2023 年 1 月至 2024 年 12 月 3 家医院收治的 260 例 AIS 患者，通过结构化电子病历提取人口学信息、共病与危险因素及实验室指标、影像学资料等多维数据。数据集按 4: 1 的比例划分为训练集（208 例）与测试集（52 例），通过改进的吸血水蛭优化算法（IBSLO） 同步优化特征子集、基学习器及超参数组合，结合最小绝对收缩与选择算子（LASSO） 回归与夏普利（SHAP）可解释模型验证特征临床合理性。结果：IBSLO 算法在全局寻优性能和收敛效率方面显著优于其他算法。IBSLO 指导的自动机器学习模型（AutoML）在训练集上的受试者工作特征曲线下面积与精确率 - 召回率曲线下面积分别为 0.903 8 和 0.809 1，在测试集分别为 0.877 5 和 0.817 5，显著优于传统机器学习模型。决策曲线分析显示应用 AutoML 预测 HT 发生风险较传统方法可带来更大临床获益。SHAP 分析揭示前 3 位核心预测因子为年龄、房颤、低密度脂蛋白。结论：应用改进机器学习模型分析临床资料，可帮助临床早期预测AIS 后自发性 HT 发生风险，辅助制定治疗方案。

 中青年人群高血压患病率持续攀升，其较低的用药依从性已成为血压控制的关键瓶颈。数字疗法依托智能技术，通过动态监测、个性化干预和远程支持，为解决传统模式的依从中断问题提供了创新路径。然而，数字疗法仍面临患者隐私保护、技术适配性差异及长期干预效果不明确等挑战。未来需要融合人工智能技术，深化个性化干预，并通过规范化监管推动其可持续发展。本研究旨在对数字疗法在中青年高血压患者用药依从性中的研究进展展开综述，以期推动数字疗法在中青年高血压患者中的应用，为提高中青年高血压患者用药依从性探索高效便捷的管理模式提供理论依据。

目的：构建中成药安全用药知识图谱，提高临床合理用药。方法：整合药品说明书、2025 年版《中华人民共和国药典》中成药数据，建立包括中成药、中药材、疾病、功效、用法用量等 10 类信息的数据表，并对提取信息进行预处理。利用 Label Studio 平台进行智能标注示例，调用豆包大模型 API 进行知识抽取，最后借助 Neo4j 图数据库进行知识存储与可视化展示。结果：本研究构建了中成药安全用药知识图谱，共纳入1 702 种中成药，产生了 8 592 个实体节点、46 409 条实体关系，涉及中成药、症状、证候等，可实现信息查询与内容可视化。结论：中成药安全用药知识图谱可为临床医生提供辅助决策支持，提升中成药用药安全性，并为未来构建大规模中成药知识图谱提供参考。

山东省立第三医院部署了基于 IPv6 的医院网络规划与网络安全防护体系。通过对医院信息化系统的业务需求和网络现状的深入分析，设计了标准的三层IPv6 网络架构，合理规划了运营商分配的IPv6 网络地址空间，完成了基于 IPv6 的网络规划和实践，为互联网医院、云胶片、远程会诊、检查检验开单等信息化建设提供了网络环境基础。同时，为防止网络攻击、病毒入侵和钓鱼网站等网络安全威胁，医院从入侵防御、病毒防护、安全防护、Web 防护、威胁情报等方面构建了医院网络安全防护体系。上述举措旨在推动医院信息化的创新发展，提升网络环境的平稳运行能力，实现全方位的网络安全防护。本研究为医疗行业的 IPv6 网络建设、医院信息化建设和安全防护提供了有益参考。

目的：应对医院软件系统复杂度提升带来的代码管理难题，解决传统模式下版本控制缺失、协同开发效率低及代码存储存在安全隐患等问题，构建符合信创要求的医院软件代码管理平台，实现源代码规范化管理。方法：分析医院代码管理现状与信创适配需求，提出以容器化技术为核心的平台架构方案。平台集成代码托管、版本控制、协同开发和安全审计四大功能模块，采用国产化信创生态组件实现软硬件适配，并通过多层次安全防护机制保障代码全生命周期安全。结果：平台在医院实际部署后，代码版本冲突率降低 68%，协同开发效率提升 55%，核心业务系统代码合规率达 100%。安全防护体系成功阻断源代码泄露和篡改的风险，验证了技术可行性与实用性。结论：基于信创环境的医院软件代码管理平台有效解决了医院信息化进程中代码管理的规范性、安全性和协同性问题，为医疗行业提供了自主可控的解决方案。平台不仅显著提升了代码管理效能与信息安全保障能力，也为行业信创转型和可持续发展提供了可复用的实践经验。