一份四大慢病疑难住院病例需求，将循环系统疾病、恶性肿瘤、慢性呼吸系统疾病和糖尿病患者的多表住院记录，与疑难病例讨论意见关联起来。它提供了一个很好的问题入口：临床 AI 是否真正能整合病程、检查、治疗和专家意见，还是只在出院结论已经出现后复述答案？
本文基于《四大慢病疑难住院病例建设需求》所描述的业务需求进行方法学分析，并结合公开研究提出数据建设与评测建议。附件中的规格、样例和采购安排不代表朗慧已持有相应数据、已完成该规模交付或已验证模型性能；文中不披露患者级信息。
疑难病例考的不是罕见病冷知识
真实临床决策的难处，常常不在于背出一个疾病名称，而在于面对多种共病、信息缺失、检查先后、治疗反应和专业意见时，判断当前证据是否足够，下一步需要补充什么，原有判断是否应调整。疑难住院病例因此可能比单选题更适合评测模型是否能沿着临床时间线构建问题表征、辨别证据强弱、追踪变化并承认不确定性。不过，“病例复杂”也不能等同于“标签权威”；样本必须有清晰的任务、可复核参考标准和独立测试设计。
附件将研究范围划为四类：循环系统疾病相关编码范围、恶性肿瘤、慢性呼吸系统疾病和糖尿病相关编码范围。这样的横跨专科设计有价值，因为它迫使模型处理异质性与共病，而非在单一病种模板中取巧；同时也带来统计和医学治理挑战。心脑血管类别内部有大量疾病，肿瘤包含多种部位与分期，呼吸疾病和糖尿病又各有治疗路径。把它们归成四个大类之后，仍需保留诊断细分、编码体系版本、病情严重度和数据来源差异，不能用类别名称掩盖内部差异。
七张关联表不是七份文件，而是一条住院证据链
需求描述的六类常规住院数据与一张疑难讨论表，依靠同一就诊流水号连接一次住院；患者编号用于区分同一患者的多次住院。这个设计有助于保留病案首页、诊疗文书、检查检验、医嘱和讨论意见之间的结构关系。若文件虽然齐全但就诊号映射错误，模型就可能把另一住院的检查或处置挂到当前病例上；如果一次住院多条病程被拍扁成一段文本，模型则失去事件顺序和文书来源。
数据模型应把患者、住院事件、文书、检查、药物医嘱和疑难讨论作为不同实体，并分别保存记录时间与事件时间。可以将病例组织为住院事件图：节点记录原始数据和出处，边表示发生顺序、关联检查、用药、讨论和出院。模型输入按任务时间点截断，测试结果只允许读取此时之前生成的资料；未来的讨论结论或出院诊断应作为目标或评估证据，而不是提前放进输入。这样才能检验临床推理，而不是从最终答案反向猜回去。
四类疾病要按临床结构而不只是 ICD 大类分层
需求以 ICD-10 范围划定候选疾病池，是便于项目筛选的操作口径。它不是完整的临床分层方案，也不意味着每个编码下的病例临床难度相同。数据集建设还应记录主诊断和共病、编码版本及生效时间、病情严重程度代理变量、是否接受手术或重要治疗、急诊/择期状态、住院科室和关键检查可用性。编码映射需保留原始代码及其文本，避免不同版本的编码被静默合并。
每个病种组都要避免由少数典型病例主导。肿瘤可按器官系统、诊断阶段和病理证据分层；循环系统可结合心血管和脑血管亚类及关键检查；慢性呼吸病需区分不同临床路径与急性加重背景；糖尿病要注意并发症和代谢相关共病。这里的分类方案应由对应专科专家、统计和算法人员共同制定，不宜直接从抽样表中推断患病率。对数据覆盖不足的亚组，要如实标注未充分评价，而非把总队列分数解释为所有病种都可迁移。
疑难病例讨论记录是珍贵证据，但不是自动生成的“金答案”
附件要求疑难讨论有实质内容，能对诊断、鉴别诊断或治疗方案给出具体意见，且排除只写模板性同意语句的情况。这个要求抓住了一个关键质量点：病历里有一张“讨论表”并不代表模型拿到了有价值的推理参考。讨论内容需要区分讨论问题、参与专科、现有证据、意见分歧、建议方案、责任人和执行后的实际变化；模板化文字虽非空值，却可能没有任何可用于模型训练或评测的信息。
即便讨论意见完整，它也不必然是最终正确答案。讨论可能发生在信息不全时，专家观点可能存在合理分歧，病程也可能随后改变。应把讨论意见作为带时间戳和来源的临床推理证据，与后续处置、最终诊断、检查结果和可观察结局分别存储。评测参考标准可以由多名相关专科专家基于预先冻结的病例信息进行独立评审，再结合权威指南、必要的检查或随访证据仲裁。模型回答应按照证据充分性、时间正确性、关键发现覆盖、推理连贯和安全性评价，不应只与一段讨论原文做字面匹配。
建立多阶段任务，测模型是否能随着新证据更新判断
一套有临床逻辑的评测不应只问“出院诊断是什么”。第一阶段可以给定入院信息，要求模型整理问题表征和已知的不确定点；第二阶段逐步开放实验室、影像、病理或其他资料，评估它是否能识别哪些证据改变了当前判断；第三阶段提供病程变化和疑难讨论，测试模型能否更新鉴别假设而不是固守最初答案；最后再对出院诊断与治疗计划作证据回顾。每阶段保留模型看到的信息快照，保证相同任务输入可被复现。
评分指标可分为结构与内容两组。结构任务关注诊断编码与名称一致、关键证据抽取、时间关系正确、报告和医嘱关联以及必要字段覆盖；推理任务关注鉴别范围合理性、支持与反对证据、检查选择的相关性、结论与证据一致度、对冲突信息的处理和无依据断言。治疗方案相关内容应由相应临床专家根据预先确定的评价标准审查，而不是对所有患者生成统一治疗模板。对于无法判断的材料，合理的模型行为是指出缺少的证据或请求人工复核；该行为应得到明确评分。
病例原文、缺失值与生成内容必须严格分开
附件明确要求缺失内容留空并在缺失清单中说明原因，不得补写、改写、拼接或用模型生成内容。这不是单纯的格式要求，而是医疗 AI 数据可信度的底线。若用生成模型补齐未记录的病程、讨论意见、诊断依据或处置时间，后续模型可能学到虚构的临床关联，并在测试时被这些“合理化”文本误导。数据流水线应保留原文、标准化副本、修订记录和缺失类型，不允许生成内容覆盖源数据。
去重也要比“住院流水号不重复”做得更深入。同一患者多次住院要按项目协议限制或分组；同一病历可能经不同导出方式形成内容近似的副本；病程模板也会造成大量近似记录。应通过映射后的患者标识、就诊号、文档哈希、文本近重复检测和人工审核共同发现重复。若同一患者跨训练和测试，其相似语句或疾病史可能造成泄漏。统计报告要说明患者级去重范围、重复率估计和近重复审查策略。
用时间与机构外测试检验临床迁移
随机切分可以回答“在相似分布里模型是否可复现”，却无法证明它能适应新医院、不同诊疗习惯或更新后的电子病历。合理的切分方案优先在患者层隔离，再预留时间外或机构外测试；同时注意病种构成和机构差异。若外部中心的授权与数据治理条件尚未具备，可以先把外部验证列为后续阶段，不应把内部留出测试称为“跨院验证”。对于宽范围疾病组，报告应按病种、共病、就诊流程和主要数据来源分层，给出不确定区间。
临床数据的标签存在选择偏倚：有些患者完成了进一步检查，有些没有；更复杂的患者可能更容易获得讨论记录；病情严重度与记录详尽程度也可能相关。仅分析“资料完整且有讨论记录”的子群，可能偏离所有住院患者。数据卡要说明纳入流程和缺失机制，模型评估应对关键字段缺失、病例构成和不同机构影响做敏感性分析。没有可靠结局时，结论只能限于资料整理或专家一致性评测，不能推断模型改善患者结局。
朗慧观点：让疑难病例成为可复核的算法训练和评测资源
这类病例的专业价值，是同时提供临床问题、客观检查、治疗过程、专家讨论和最终记录等多个证据层。朗慧可将它转化为经过授权的结构化数据产品：建立患者与就诊关联、保留原始病历时间线、形成讨论意见的质量标签、由临床专家共同审定任务和参考答案，并通过患者级隔离与隐藏测试避免泄漏。算法团队据此可以开发病例摘要、时间线抽取、证据检索和多阶段推理任务；医疗机构则能看到数据的来源、适用范围、质量限制和验证路径。
必须区分需求和已完成工作。文件中出现的采购规模、年份范围和分批安排，是需求方提出的项目条件，不代表朗慧当前持有这批数据、已完成合规审查、已向模型交付或证明了某种临床效果。合适的商业推进方式是先做授权与字段映射核验，再评估代表性样本能否满足任务，随后试标和冻结任务协议，最终由独立测试验证。通过明确阶段、职责与验收证据，采购方可以降低一次性规模采购的不确定性，研发团队可以减少反复整理和重做标签，临床专家也能将有限时间集中在疑难样本和标准仲裁上。
评测病例时要把信息按临床顺序逐层开放
算法评测可把一次住院拆成若干“决策时点快照”，而非把完整病历一次性全部投给模型。第一个快照只包含入院当时可获得的主诉、既往史和初步检查；后续阶段再按真实发生顺序提供检验、影像、病程、会诊和疑难讨论。模型在每一阶段需重新整理证据、说明新信息是否改变判断，并指出尚缺什么。评测人员可以分别检查信息读取、推理更新和结论稳定性，而不是只看终末阶段答案。
逐步开放还可识别模型常见的认知偏差：一旦先猜中某个诊断便拒绝更新、把后验信息倒灌进早期判断、将治疗方案当作诊断证据，或把后来确认的事实说成当时已知。为了不让“显式推理文本”成为唯一评分对象，任务可以重点衡量可观察的中间产物，如证据清单、时间顺序、鉴别项及其支持或反对依据、澄清问题和安全升级决策。只要模型输出能被定位到病例记录与时间，评价就有更稳定的证据锚点。
讨论意见有效性需要临床与语言质量共同把关
自动筛选可利用意见长度、常见模板词和关键术语发现疑似空洞讨论，但不能由规则或语言模型单独判定临床价值。临床评审需判断意见是否回应了具体问题、是否指出病例证据、是否提出鉴别或下一步诊疗考虑，以及是否反映当时可见的信息。文字质量评审则检查是否存在模板复制、严重截断、引用不清和主体混乱。对同一讨论意见，至少保留原始文本、结构化要素、评审结果、评审人员类别和仲裁理由。
数据建设还要避免把某位资深医生的表达风格当成唯一的“正确推理语言”。不同专科和医院可能采用不同术语与论证顺序，但只要事实依据和临床逻辑符合预设标准，就应允许多种合理表述。专家手册可以对证据覆盖与安全边界定义最低要求，而不是规定唯一句式。由此构建的评分标准，既能确保一致性，也能尊重临床实践的合理异质性。可将高分歧病例独立列为专家挑战集，用来评估模型是否能够恰当表达不确定和多种可能解释。
需求转化应遵循可行性、风险与成本三个阶段门
在商业执行上，不宜仅凭目标样本规模直接启动全量采购。第一道阶段门是数据可得性：抽查授权证明、表结构、字段完整度、影像与检验是否能回连，以及四类疾病的实际分布；第二道阶段门是临床可标注性：试标病例并评估参考标准、讨论记录实质性、专家工时和争议率；第三道阶段门是算法效用：用小型独立基准比较简单基线和目标模型，确定真正需要扩建的数据任务。阶段门通过后再扩大批次，可降低返工和沉没成本。
采购、标注和算法评测可以拆成不同价格与责任单元：基础清洗和表间关联、专家复核与仲裁、复杂案例加权、隐藏测试集管理、模型评测报告和后续版本维护。质量指标既决定结算，也需要避免将一个“整体合格率”用于覆盖隐私或数据伪造等严重问题。商务文件应把验收阈值、抽检方式、整改时限、数据再利用权限和额外服务边界写清楚。朗慧由此可以把专业数据服务从一次性文件交付转为阶段性数据产品，客户则更容易将预算投入到已验证的质量瓶颈上。
研究参考与延伸
Nature Communications 于2025年发表的 MedR-Bench 基于真实病例报告建立结构化病例评测，并覆盖检查推荐、诊断决策和治疗规划等不同阶段，尝试评价最终答案之外的推理质量。它为多阶段任务设计提供了参考，但其病例来源、样本构成和研究设计与院内住院病历不同，不能直接替代本地验证。2026年 European Heart Journal 关于临床 AI 外部验证的研究强调，真正有说服力的外部验证应在独立机构、时间或人群上冻结模型进行，并评估校准、亚组差异、阈值与临床工作流，而不是只报告 AUROC。对四大慢病疑难住院任务，这些方法提示我们先定义临床问题和时间点，再设计数据切分和评测指标。
