冯敏：借助AI Coding，推动医院信息科工作系统化管理

医院信息中心长期处在“事情多、来源杂、节奏快、难沉淀”的状态，各类信息散落在聊天记录、个人文档、纸质台账和临时表格中，由此带来三个问题：工作不可追踪、知识不可复用、管理不可解释。医院信息中心需要一种能把日常工作变成组织能力的系统。

近期，笔者借助AI Coding，设计、研发了一款医院信息中心内部管理系统，有助于将零散工作逐步整理为可辅助决策的数字化闭环，在此分享一下实践经验和心得体会。

医院信息中心不缺工具，但缺闭环

医院信息中心并不缺乏工具，但这些工具多数只能解决单点问题，很难自然形成管理闭环。临床反馈的问题是否受理、由谁处理、怎么解决、经验是否沉淀、是否转化为项目或需求，这些问题如果没有统一入口和统一数据结构进行支撑，就很难被持续管理。

笔者设计的这款医院信息中心内部管理系统，出发点不是“做一个大平台”，而是把信息中心每天都在做的事情放进同一套可追踪的工作流中（图1）。它先解决“记录问题”，其后解决“提醒问题”，再解决“统计和沉淀问题”，最后让AI能在真实数据基础上辅助分析。

系统能力与核心功能

如表1所示，这套系统的能力可以分为四层：核心工作层、协同知识层、分析智能层和系统管理层。

表1  系统能力地图

为便于直观理解系统功能，下面通过系统截图介绍几个核心模块，截图数据均为脱敏后的演示值。

1.首页工作台：把待办和风险集中到一屏

首页工作台承担“每日入口”角色（图2），把亟需处理的事情放在首页，减少遗漏和延误。信息中心人员登录后，可以先看到待处理工作、项目风险、知识沉淀、学习完成和近期趋势。

2.工作记录：把处理过程变成可追踪证据

“工作记录”模块（图3）记录问题来源、发生科室、涉及系统、处理人、处理过程、附件截图、完成状态和后续沉淀。

这里特别强调“过程记录”的价值：一条记录如果只有标题和结果，就很难复用；如果保留了关键截图、排查路径和最终处理方式，下一次遇到类似问题就可以快速定位，并可进一步转化为知识库或SOP。

3.临床呼声：让临床反馈有入口、有响应、有结果

临床科室的反馈如果只停留在电话、微信或口头沟通中，信息中心很容易陷入被动响应。“临床呼声”模块（图4）的设计，为临床部门提供一个简单入口，可以提交问题、需求和建议，并能看到问题是否被接收、由谁处理、进度如何。信息中心在后台受理、分类、分派和反馈，有助于将临床呼声转化为可管理事项。

4.AI 工作副驾驶：让知识和记录被重新利用

“AI工作副驾驶”（图5）的作用是让系统已经沉淀的工作记录、知识库、SOP等资料能够被重新检索和解释。比如管理者可以询问“本月高频问题是什么”“某系统最近有哪些风险”“如何形成月度工作分析”；工作人员可以询问“类似故障以前怎么处理”“这份政策文件对当前项目有什么影响”。

5.管理驾驶舱：让管理者看到态势，而不是看到流水账

“管理驾驶舱”（图6）面向医院信息部门分管领导和管理人员，强调态势、风险、趋势和建议。管理者关注的不是记录细节，而是本月工作是否稳定、哪些系统风险较高、哪些项目需要协调、哪些问题重复出现、哪些经验已经沉淀。

几点思考

在借助 AI Coding 开发、打磨这套系统的过程中，笔者形成三方面思考感悟。

1.最有价值的不是页面，而是数据之间的关系

信息中心的管理难点往往不在于“有没有记录”，而在于记录之间是否能产生关系。一个临床反馈可能变成一次故障处理，也可能变成一个系统优化需求；一次典型故障处理完成后，如果不进入知识库和SOP，下一次仍然只能靠人脑记忆检索。

因此，系统设计应当尽量减少信息孤岛。如表2所示，工作记录要能关联知识，需求要能关联项目，学习要能关联制度，临床呼声要能关联处理结果。只有这些关系被记录下来，统计才不是简单计数，AI分析才不是空泛总结，管理驾驶舱才不是装饰性大屏。

表2

2.AI Coding的新方向：从“写代码”到“共建系统”

过去谈及AI Coding，很多人想到的是代码补全和自动生成函数。现在更值得关注的方向，是AI进入包括梳理需求、识别边界、持续迭代在内的软件开发全生命周期，成为可以连续参与设计、开发、测试、上线和运维的“工程伙伴”。Kimi K3、智普GLM-5.2等工具的发展都体现出类似趋势：AI正在从单次问答，走向多任务、可执行、可验证的Agent工作流。

这意味着，业务负责人不再只是把需求交给开发人员等待实现，而是可以在AI的协助下更直接地参与系统建设：把真实痛点讲清楚，让AI协助拆分功能；发现页面不合理，直接描述问题并快速调整；上线前要求备份、构建、健康检查和回滚；上线后根据临床反馈继续修正。这样的协作方式，不是“AI取代程序员”，而是让懂业务的人和懂工程的工具之间形成更短链路。

3.AI不能替代管理判断，但可以提高管理密度

医院信息中心的工作涉及临床安全、数据安全、供应商协作、资源安排和责任边界，关键判断仍然必须由人负责。AI更适合承担三类辅助工作：一是从大量记录中快速找到相似案例和历史处理办法；二是把月度工作、项目风险、系统高频问题整理成可读分析；三是帮助将分散经验转化为知识库、SOP和复盘材料。

这里的关键是数据质量。没有规范的工作记录、系统字段、处理结果和附件证据，AI就只能做表面总结；有了结构化记录和可追溯证据，AI才能成为真正的工作副驾驶。也就是说，AI应用的上限并不只由模型决定，还由组织的数据质量水平决定。

因此，系统在设计AI能力时要坚持三个边界：第一，AI可以给出分析和建议，但不能直接替代最终管理判断；第二，AI的回答要尽量基于系统内可访问的记录和文档，而不是脱离事实自由发挥；第三，AI分析结论要保留人工复核空间，特别是涉及人员评价、项目风险和管理决策时，不能把模型输出直接当成正式结论。

经验与建议

这套医院信息中心管理系统的落地，体现了AI时代的全新软件建设方式：以真实需求为导向，以实用为要求，以解决问题为根本，在边干、边想、边修正中实现创新。为此，笔者总结了以下经验。

第一，坚持小步快跑。内部管理系统的需求很难一次想完整，真正的问题往往是在使用中暴露的。在系统建设中，很多功能都是从一个具体问题开始；逐一修复每个小问题后，系统就更接近真实工作。

第二，重视数据保护。系统上线后，承载着日常工作记录、附件、制度文件、临床反馈等真实业务数据，因此任何更新都要先确认业务数据目录、备份数据、保留配置文件，再替换代码和重启服务。AI编程可以提高开发速度，但绝不能因为追求速度，将业务数据置于安全风险之中。

第三，把权限设计放在功能设计之前。信息中心内部既需要共享信息，也需要设置严格的权限边界。权限设计如果后补，很容易造成使用混乱。

第四，让系统有温度。一个系统如果只记录任务，很容易变成压力工具；如果能同时帮助团队沉淀经验、展示贡献、看见成长，则更容易被大家接受。未来的软件系统会进入“千人千面”的阶段。不同单位、不同科室、不同管理者面对的问题并不完全相同，真正有生命力的系统，应该能够围绕不同用户的业务节奏快速演进。

对于想借助AI Coding构建类似系统的同仁，笔者有如下建议：

第一，从最真实、最高频的工作入口做起。一开始不要追求大而全，先让故障、需求、项目、知识沉淀这些基础事务进入统一系统。

第二，所有核心模块都要有负责人、状态、时间、来源和结果。没有这些字段，后续统计和 AI分析都难以成立。

第三，权限设计要从实际组织关系出发，既要让团队共享信息，也要保护敏感内容和编辑边界。

第四，上线必须坚持备份、构建、健康检查和回滚准备，避免因为一次更新破坏已有数据。第五，AI编程要有工程纪律。每次迭代都应形成可回顾的提交、验证日志和上线记录，坚守测试、审核和生产安全意识。特别是医院内部系统，越是快速迭代，越要守住数据不丢、权限不乱、功能可回滚的底线。

不同阶段的推荐做法和应避免的问题如表3所示。

表3

AI Coding正在改变医院信息部门的工作方式。建议大家先借助AI把事情做起来，再在真实使用中暴露问题、理解问题、修复问题，并把每一次修复都变成新的系统能力。

【作者简介】

冯敏，南充市中医医院信息管理中心主任。