为什么做“从招投标看真实AI应用落地”
如果你想知道，在你的行业里，别人到底把 AI 用在了哪些项目里，项目中又具体建了什么，AI 怎么落地的，那你可以看看我这个栏目。
从这一期开始，我会做一个新栏目——从招投标看真实 AI 应用落地。
每期选择一个行业，从真实采购附件分析：AI项目为什么建、AI 负责哪一步、需要哪些功能。
第一期看医疗。后续还会继续整理教育、农业、自然资源等行业。
本周收集到 10 个医疗 AI 招投标项目，时间范围为 2026 年 7 月 13 日至 19 日。我进一步查阅了其中 7 份公开采购文件，归纳出 5 类较有参考价值的应用：病历质控、智能审核、导诊和报告解读、产科超声智能检测、慢病管理和健康助手。
如果你在做医疗软件、负责医院信息化，或者正在准备医疗 AI 项目，可以用这五类场景对照自己的业务：相似的问题是否也存在，现有数据是否够用，流程中有没有明确的人工确认人。
| 场景 | 典型项目 | AI 具体处理什么 | 最终由谁确认 |
|---|---|---|---|
| 病历质控 | 天津北辰、衢州 | 检查病历缺项、逻辑矛盾和诊疗过程问题 | 医生、病历质控人员 |
| 智能审核 | 成都、连云港 | 识别票据和病历材料，匹配医保目录或药品待遇规则 | 医保经办人员 |
| 导诊和报告解读 | 山东千佛山医院 | 报告解读、科室推荐、预问诊和就医提醒 | 患者、接诊医生 |
| 产科超声智能检测 | 佛山市妇幼保健院 | 标准切面识别、参数测量、报告生成和过程质控 | 超声医生、质控人员 |
| 慢病管理和健康助手 | 海南州、绍兴越城 | 高危筛查、风险分层、健康计划、随访和异常提醒 | 家庭医生、专科医生、营养师 |
这里要先说明：项目进入采购阶段，只能证明需求和预算已经公开，不代表系统已经上线，更不能把采购指标当成实际效果。本文讨论的是“准备建设什么”，不是替项目做效果背书。
病历质控
天津北辰：先调查 1200 份病历，再决定系统做什么
天津市北辰医院采购的是大模型门诊病历质控系统，中标价 227.98 万元。这个案例值得展开，不只是因为它列出了功能，还因为采购需求把项目为什么要建写得很具体。
医院在 2025 年第三季度做了两个月专项调研，覆盖 12 个临床门诊科室，抽查了当年 1 至 6 月的 1200 份门诊病历。调研发现四类问题：部分病历缺少既往史等内容；医生过度依赖模板，甚至出现性别和就诊时间错误；一些病历形式完整，但诊断依据不足、诊疗逻辑不连贯；人工质控平均检查一份病历需要 15 分钟，只能覆盖约 35%，而且通常是在病历完成后补查。
图：天津北辰医院采购需求书中的前期调研和项目背景。
这段背景决定了项目不是购买一个“病历问答大模型”，而是把原来的事后抽查改造成三层质控：医生自查、大模型实时检查、质控人员人工复核。
从采购需求看，系统主要建设七类软件模块。
第一层是数据和接口。系统要对接 HIS、电子病历、LIS 和 PACS，读取患者基本信息、病历正文、医嘱处方、检验结果和影像报告。没有这些数据，AI 只能检查文字是否缺项，无法判断诊断与检查结果是否矛盾。
第二层是大模型引擎。采购内容包括模型部署和适配、质控点管理、病历分析、问题解释、模型问答和质控管理。这里的“质控点”不只是表单必填项，还包括病历内容是否前后一致、诊疗过程是否合理、书写是否规范、客观数据之间是否存在逻辑冲突。
第三层是医生端。医生保存病历时，系统要在 1 秒内给出提醒，显示病历评分、缺陷位置和风险等级，并提供修改建议。医生认为 AI 判断不正确时，可以发起申诉，而不是被系统直接拦截。
第四层是审核端。质控人员可以按时间、科室、医生、评分、病历等级和单项否决问题筛选病历，创建抽查任务，并查看病历、处方、检验和影像资料。AI 找到的问题可以被人工确认、修改或撤销，质控人员也能重新标记缺陷位置，再把结果反馈给医生。
第五层是任务闭环。采购需求把流程写到了“质控任务—机器检查—人工审核—评价下发—科室接收—医生确认—任务关闭”。这意味着系统不能只生成一份问题清单，还要记录问题由谁发现、谁修改、医生是否确认以及最后怎样关闭。
第六层是统计和规则维护。管理端要分析不同科室、医生和缺陷类型的分布，查看质量变化；质控人员还要能维护质控点和规则，而不是每次规则变化都让厂商重新开发。
第七层是运行环境。项目除软件和接口服务外，还列了两台业务一体机和一台 AI 算力一体机，用于私有化部署和系统运行。
图：采购需求书列出的医生端、审核端、统计分析、质控点维护和系统管理模块。
这个项目的验收要求也比较明确：医生端提醒不超过 1 秒，单份病历审核时间从 15 分钟压缩到 2 分钟以内，质控覆盖率达到 100%，隐性缺陷识别率不低于 95%。需求书还提出质控准确率达到 98% 以上。
这些数字目前仍是采购目标。到了验收阶段，医院还需要准备经过专家标注的测试病历，明确什么叫“隐性缺陷”，怎样计算误报和漏报。否则，系统完全可以通过反复提示低风险问题得到一个好看的发现率，却让医生每天处理大量无效提醒。
同一周的衢州 AI 病历质控项目预算 836.0041 万元，建设范围更大：市级平台预算 605.0041 万元，衢江区系统 90 万元，龙游县系统 120 万元，另有监理和安全服务。公开页面没有提供完整采购需求，因此不推测具体功能；但从分包方式能看出，它要解决的不只是单院质控，还包括多机构接入、规则协同和统一安全管理。
智能审核
成都医保零星报销和连云港国谈药待遇审核，检查的材料不同，但属于同一类建设逻辑：先把纸质或图片材料转成结构化数据，再用目录、规则和知识库辅助判断，最后交给经办人员确认。
成都：从票据识别做到报销工单闭环
成都项目公告预算 148.34 万元，采购文件最高限价 144.02 万元。项目目标是缩短零星报销办理时间，并识别重复报销、限制性用药和异常费用。它要处理的材料包括受理单、发票、出院证明和费用清单。
系统首先完成受理和票据电子化。工作人员可以直接调用高速或平板扫描仪，生成报销材料影像；系统再提取入院日期、出院日期、医院、诊断、项目名称、单价、数量和金额等字段。同时还要在线验证发票，三年内提供不少于 50 万张发票的验真服务。
更棘手的是费用明细。采购文件专门考虑了多页清单、没有表头、扫描倾斜、金额为负数、明细错行等现实问题。系统需要把原图和识别结果放在同一页面，点击一条费用时自动定位到票据中的原始位置。经办人员可以旋转图片、框选识别区域、手工定位表头、修改或补录字段。人工改过的数据用不同颜色标记，方便复审人员识别。
完成结构化后，系统把药品、诊疗项目和耗材与本地医保目录自动匹配，再检查交叉就诊、重复报销、重点监管药品、限制性药品、门特病种、大额费用和不合理金额。匹配错误可以人工改正，改正后的对应关系经过审核后进入匹配库，供后续工单使用。
图：成都医保零星报销项目采购文件中的票据识别与人工勘误要求。
最后才是工单流转。系统支持初审、复审和抽查。复审人员能看到初审人员修改了哪些字段，可以批注、驳回；复审通过后，结果提交医保系统，后续发现问题还可以退回重审。
采购清单一共列出 46 个一级模块、67 个二级模块。OCR 结构化识别准确率要求不低于 95%，系统要支持不少于 80 名经办人员和 40 台高速扫描仪同时工作。项目建设完成后，还要经过功能、性能、安全和兼容性第三方测评，再进入一个月试运行和三年运维。
医保智能审核的主要工作量不一定在“让大模型判断能不能报”，而在票据扫描、纠错、目录匹配、工单流转和结果回传。AI 只有进入这条链路，才可能缩短经办时间。
连云港：审核结论必须带规则和材料证据
连云港项目预算 40 万元，审核的是国谈药“双通道”待遇申请。采购需求写得很直接：国谈药数量和申请量持续增加，工作人员要逐份查看病理报告、检验单和 CT 影像，提取信息后再核对药品待遇条件。传统方式耗时长，还要求经办人员具备较强的医药知识。
为此，系统要与当地双通道药品管理信息系统对接，取得申请人信息、药品编码、提交时间、电子病历、检查检验单和 CT 图片。申请进入后，依次完成五件事：
- OCR 识别病历和病理报告，提取患者信息、送检部位和病理诊断；
- 根据药品属性，从材料中提炼本次审核需要的核心信息；
- 调用可维护、可追踪版本的药品政策和审核规则知识库；
- 逐项比较材料与待遇条件，生成辅助审核意见；
- 经办人员确认后，把结果回填原系统并保存审核日志。
采购文件特别强调，AI 不能只返回“通过”或“不通过”。审核页面至少要同时显示命中的规则、知识库依据、材料中的证据位置、缺少的材料和异常风险点。原始材料、OCR 文本、结构化字段、AI 意见和人工操作区要集中展示，减少经办人员反复切换页面。
图：连云港项目明确要求 AI 结论可解释，并由授权审核人员最终确认。
这也是该项目与普通规则系统的区别：采购需求提出“知识库＋信息抽取＋RAG 检索增强＋大模型推理＋可解释输出”的路线，同时要求政策依据引用、幻觉控制、模型异常降级和审核结论追溯。AI 模型识别准确度目标为 90% 以上，最终结论仍由授权人员确认。
成都和连云港都叫智能审核，但采购重点并不相同。成都面对大量格式复杂的费用票据，核心是 OCR、目录匹配和工单处理；连云港面对的是带有医学语义的申请材料，核心是知识库、待遇条件、证据定位和解释。做同类项目时，不能先选一个通用“智能审核产品”，再让所有业务迁就它。
导诊和报告解读
山东第一医科大学第一附属医院，也就是山东省千佛山医院，采购的 AI 智能导诊及报告解读项目预算 60 万元。
采购文件把背景概括为两个患者端问题：“看不懂报告”和“咨询难”。但最终建设范围并不只是把检验报告翻译成通俗语言，而是覆盖报告解读、就医引导、智能分诊、预问诊和数据统计，并与 HIS、LIS、PACS 等核心系统对接。
第一部分是报告解读和就医引导。患者通过医院公众号、支付宝小程序或互联网医院查看检查检验进度，报告生成后收到提醒。系统读取报告内容，给出通俗解释和健康建议；患者也可以上传外院报告。就诊当天，手机端还要提供签到、候诊、检查、缴费和取药等提醒。
第二部分是智能分诊。患者输入症状、病史、伴随症状和检查结果后，系统结合医院实际科室设置推荐就诊科室，并给出排序。推荐结果可以直接跳转预约挂号，也可以进入预问诊，不是停在一个孤立的聊天页面。
第三部分是预问诊。系统根据患者回答继续追问，采集主诉、现病史、既往史、过敏史、家族史和用药情况，支持上传外院病历和检查报告。问诊结束后，一方面生成患者能看懂的健康总结，另一方面生成符合门诊病历规范的结构化预问诊病历。
图：采购文件列出的科室推荐、业务跳转、预问诊采集和病历输出要求。
这份病历不能直接成为医生的正式记录。采购需求明确要求支持医生审核、修订，再导入医生工作站。医生接诊前可以先看预问诊结论，减少重复询问，但仍要对病史和诊疗判断负责。
第四部分是后台管理。系统要按科室、医生和挂号时间检索预问诊记录，并统计进入预问诊的人数、完成沟通的人数、生成报告数以及发送到医生端的报告数。这些指标比“生成了多少条 AI 回答”更接近业务效果：患者是否真的使用，内容是否真的到达医生，医生是否愿意接收。
项目建设期为 180 个自然日，验收后提供两年免费维保，第三方接口费用包含在总报价中。这个案例给导诊类产品划了一条很清楚的边界：价值不在于回答几句医学常识，而在于能否接上挂号、排队、检验、报告和医生工作站，把一次就医过程中原本分散的信息串起来。
产科超声智能检测
佛山市妇幼保健院产科超声 AI 项目预算 330 万元，最高限价 292 万元。医院本部现有 86 个超声工作站，三水院区约 20 个。项目采购 10 套产前超声智能检测系统、1 套超声全流程质控系统，同时升级现有工作站。
医院希望改造的是从采图到随访的整套超声工作流，而不是在检查结束后再让 AI 看一遍图片。
检查开始时，系统根据孕周和检查类型生成本次需要采集的标准切面列表。医生采图过程中，AI 实时识别当前切面，判断标准程度并给出评分。缺少切面时继续提醒；同一切面有多张图像时，可以保留质量较高的图片。
采集完成后，系统自动测量双顶径、头围、腹围、股骨长等参数，并生成报告内容。医生可以调整 AI 画出的测量线和数值。多胎检查时要区分不同胎儿；同时打开多名患者或多份报告时，修改其中一份不能影响其他任务。
图：佛山产科超声项目采购文件中的智能检测和实时质控要求。
项目还建设一套全流程质控系统，记录叫号、检查开始、检查结束、报告提交等操作。检查时间异常、长时间未叫号、切面不完整或图像报告评分异常时，系统形成事件。医生可以申诉，再由有权限的人员进行一级或多级审核。
这套质控并不止于图像。系统还要关联患者后续的病理、手术、住院、放射和检验结果，用于病例随访和诊断符合性评价；管理端则统计工作量、异常事件、图像与报告质量、科室评分和随访结果。
技术接入也比文本类系统更重。采购文件要求兼容 GE、飞利浦、迈瑞、开立等主流超声设备，通过 DICOM 3.0 实时取得图像和视频，并与 PACS、HIS、LIS、EMR 双向同步。第三方接口、数据迁移、配套算力和国产化适配都包含在项目报价里。
验收前，供应商要提供医疗器械注册或备案证明；10 项关键功能要求现场使用真实系统演示，录屏或 PPT 不计分。系统与数据对接完成后还要稳定运行一个月，并提交需求、数据库、部署、接口、用户和运维等文档。
这个案例说明，医院里的 AI 并不都以大模型为中心。越靠近实时影像采集和临床测量，项目越依赖专用算法、医疗设备集成、医生修订和产品合规。把这类项目简单归为“大模型应用”，反而会忽略实际的建设难点。
慢病管理和健康助手
本周有两个需求较完整的项目。海南州建设的是区域慢病筛查和管理系统，绍兴越城区建设的是 AI 总检、减重与慢病健康助手。两者都处理长期健康管理，但规模和入口不同。
海南州：从筛查高风险人群开始，接到随访和异常处置
海南州人工智能慢病筛查管理系统预算 177 万元。采购需求编号排到第 137 项，范围从数据接入一直延伸到居民端、医生端和区域管理端。
第一步是把数据接进来。系统需要适配各级医疗机构的 HIS、LIS、PACS，并与区域全民健康信息平台、基本公共卫生服务、家庭医生签约和“两病”管理系统互通。门诊、住院、检查、检验、处方、体检、健康问卷和动态监测数据经过清洗、去重、编码映射后，归到同一名居民的健康档案中。
第二步是筛查和分层。系统根据疾病标签规则读取就诊记录和体检报告，再结合慢病风险预测模型找出高风险人群。被判定为高风险的对象可以自动进入相应慢病管理组，医生再按病种和风险等级处理。
第三步是配置管理路径。家庭医生可以为不同病种和风险等级设置随访周期，把短信、问卷、健康宣教、复诊提醒和指标采集放进路径。患者按计划在手机端填写问卷、记录用药和健康指标；血压计、血糖仪、手环等设备产生的数据也可以进入平台。
第四步是异常处置。指标越过阈值后，医生工作台生成待办。医生查看患者档案、风险分层和变化趋势，决定是否联系患者、调整计划或建议转诊。区域管理端统计筛查覆盖率、高危检出率、纳管率、随访完成率和异常处置情况。
第五步是知识库和模型。项目列出疾病、健康宣教、膳食、运动、健康处方和专项问卷等知识库，还建设慢病筛查、慢病评估、数据质控、报告生成和健康分析等模型或智能体。这些能力分别服务于筛查、风险评估、数据治理、报告输出和区域分析，不是用一个聊天机器人包办全部工作。
图：海南州项目要求现场演示慢病风险筛查、风险分层、自动入组和健康画像。
采购文件给出的运行规模是百万级居民健康档案，核心查询和风险筛查响应不超过 3 秒，并发用户不少于 500 人。系统要求本地化部署，模型根据区域数据和业务变化持续更新，更新周期不超过 12 个月。评审中还要求现场演示风险筛查、自动入组、健康画像和自动随访路径。
对区域慢病平台来说，AI 生成了多少份报告并不是最重要的。更值得追踪的是：筛出的高风险人群有多少经过医生确认，多少真正纳入管理，异常提醒有多少被处理，随访是否按期完成。
绍兴越城：AI 先生成，总检医生和健康管理团队再接手
绍兴越城区大模型健康助手二期中标价 158.9 万元。项目包括两套主要应用：基于大模型的 AI 总检管理平台，以及主动式减重和慢病管理平台。
AI 总检读取临床检验、影像检查、病史记录等数据，汇总本次体检的异常和风险因素，再按主要、一般和其他健康风险排序。每条风险建议要能展开查看依据、就诊建议和科普内容，历史检验指标还要显示趋势。
但采购文件没有把大模型输出直接当成正式总检结论。总检医生可以编辑建议、调整排序、合并诊断词条，患者数据发生变化时，系统还要提醒医生重新生成和审核报告。也就是说，AI 做的是材料汇总和初稿，医生负责最后判断。
减重和慢病平台分为患者端、医生端和管理端。患者建立健康档案，记录体重、BMI、体脂、血压和血糖，接收健康目标与每日任务；医生查看患者列表、健康风险、最近随访时间和计划完成进度；管理端统计用户、计划、打卡和健康指标变化。
其中两项人工边界写得很明确。AI 可以根据患者档案和院内临床数据生成健康计划，但必须由医生审核确认；向患者推送的医疗健康知识也必须经过医生审核，医生可以修改或驳回。系统还支持把任务分配给营养师或专科医生，处理患者反馈和计划调整。
图：绍兴项目中的健康计划审核、知识审核和患者管理要求。
这个项目还要完成越城区 17 家基层医院的 HIS 对接。由于 17 家医院使用同一套区域 HIS，供应商只需对接一套系统，但接口费用仍包含在项目报价中。
海南州和绍兴越城放在一起看，可以看到慢病管理项目的共同结构：先汇集长期数据，再筛查和分层，生成计划，持续触达患者，最后由医生处理异常和调整方案。AI 可以提高筛查和内容生成效率，但慢病管理能否产生价值，最终取决于后面有没有人员持续运营。
五类场景，对应三种建设逻辑
把以上案例放在一起，可以归纳为三类项目。
第一类是文本和规则型，包括病历质控、智能审核、导诊和报告解读。它们处理病历、票据、报告和政策规则，通常需要组合 OCR、知识库、规则引擎和大模型。采购重点不是聊天是否流畅，而是证据能否定位、规则能否更新、结果能否复核、操作能否追溯。
第二类是影像和设备型，代表项目是产科超声智能检测。它的核心是专用影像算法、实时测量、医疗器械合规和设备集成，验收重点是切面识别、测量误差、实时性、工作站兼容和医生调整功能。
第三类是平台和运营型，包括慢病管理和健康助手。它们处理连续健康数据和长期随访，建设重点是区域数据治理、风险模型、患者触达、医生工作台和运营统计。系统上线只是开始，筛查后有没有纳管、提醒后有没有处置，才决定项目是否有效。
这些案例还可以得出四个更重要的结论。
第一，医院真正采购的不是一个模型，而是一段可以缩短、扩大或规范的业务流程。 天津北辰要把 35% 的事后抽查变成全量实时质控；成都要把票据扫描、目录匹配和多级审核连起来；海南州要把高风险人群从筛查送到随访。项目价值都能落到一段具体工作上。
第二，项目越接近真实业务，模型在整体建设中的占比反而越容易被高估。 数据接入、规则维护、人工工作台、原系统回写、安全审计和运维，往往比调用一次模型更复杂。只有模型、没有这些模块，通常只能做演示。
第三，AI 越靠近临床判断，人工边界越要写清楚。 病历缺陷需要质控人员确认，预问诊病历需要医生修订，超声测量允许医生调整，健康计划和知识内容要经过医生审核。采购文件里保留人工入口，不是系统“不够智能”，而是医疗责任必须有明确承担者。
第四，验收不能只看准确率。 准确率必须有固定测试集、专家标注和误报漏报定义；同时还要看系统是否真的被使用。医生是否采纳、经办人员是否节省时间、异常是否完成处置、随访是否按期完成，这些指标更接近实际价值。
如果医院或软件公司准备设计一个 AI 项目，可以按下面的顺序梳理需求：
- 先用现有数据说明问题，例如每份业务耗时、当前覆盖率、错误率和积压量；
- 再确定一个具体岗位和一段业务流程，不要从“建设统一大模型平台”开始；
- 把输入材料、AI 处理步骤、人工确认人和结果回写系统写清楚；
- 分开列出数据接口、算法能力、业务模块和安全运维，避免把所有内容笼统写成“AI 能力”；
- 采购前准备一批真实、脱敏、经专家标注的测试样本，同时定义误报、漏报、人工改动和业务效果的统计方法。
免责声明：本文由 AI 辅助整理和撰写，内容基于公开招投标资料，不保证信息完全准确或持续有效，仅供参考。涉及项目金额、技术要求、采购状态等信息，请以采购网原文及最新公告为准；引用或用于决策前，建议自行核验。
以上就是这次的侦察。
如果对你有用，顺手点个赞 +「♥️」。
想第一时间收到前线情报，关注「硅基斥候S01」。我们，下次侦察见。