北京范本：一座超大城市的医疗AI底座，是怎么长出来的

北京大三甲的诊室里，医生打开工作站，跨院一键调出患者就诊记录、检查报告、用药历史等信息；实验室里，科研人员不用大海捞针寻找临床试验受试者，海量脱敏数据智能筛选，受试者也不用担心找不到合适的医院与入组的项目，临床试验招募匹配率近90%；城市决策中心，管理者通过智能“驾驶舱”实时掌握北京市医疗、医保、医药动态数据，精准把握卫生健康领域运行脉搏，城市治理效率大幅提升；公共卫生领域，多源数据构建的预警系统，正为城市健康安全筑起“防火墙”。

北京市正悄然搭建一个“三医协同”、城市数据治理的样本。

而上述这些场景，正是医渡科技构建的城市数据底座在实践场景中日常的一幕。

它不是替代HIS系统的新系统，而是在复杂旧系统，多接口系统下搭建的“底座”——在各家医院历史采购的异构系统之间，搭了一座桥，修了条“高速公路”，让数据流动起来，让AI渗透进去。

5月，北京市委书记尹力现场调研医渡科技，听的就是这套东西。

这一方向亦获得国家级层面的关注。近日，国家数据局局长刘烈宏带队在北京市开展数据市场建设专题调研，实地走访医渡科技，重点了解医疗健康数据资源开发利用、行业高质量数据集建设及人工智能应用落地等情况。

连续调研释放出同一信号：北京在医疗数据治理与AI应用上的探索，正被视为行业高质量数据集建设和数据要素价值释放的重要样本。

调研之后发生了什么，外界知之甚少。直到我们专访了医渡科技联合创始人、首席执行官徐济铭，才拼凑出一个更完整的图景：这不是一家AI医疗公司的产品故事，而是一座超级城市试图用数据和智能重新组织医疗资源、赋能超大型城市国际科技创新中心建设、打造现代化医药健康产业高地贡献智慧和力量的系统工程。

通过拆解智能数据底座赋能下的北京样本，我们试图解答一个更根本的问题：当一座城市决定用数据和智能重新组织医疗资源，它可以得到什么？

北京不是一个“好做”的市场，但恰恰是最值得做的样本

最难落地的地方，往往最能验证系统性解法的价值。北京与医渡科技，是彼此“互选”的结果。

在外界看来，北京不是一个“好做”的市场，一家企业优先选择北京，也不是一个常规选择。

最终破局，源于对北京医疗及环境的深度了解，理解北京的“难”与北京的“好”。

北京这座城市的“难”源于城市治理的“复杂性”，表现于其多层级、多主体的管理格局：部属、市属、大学属、军队属四套医院体系交织，系统对接与数据共享都需要跨越“行政归属和不同技术标准”的双重鸿沟；同时，医疗信息的特殊性，要求监管工作必须统筹保障生命安全与维护数据安全，实现两者有机统一。

更深层的压力来自人口结构——全市2180万常住人口中，60岁及以上老人已超过528万，老龄化正以远超供给速度的节奏推开医保支付的非线性张力，而培养一名成熟医生的长周期，根本追不上爆发式的诊疗需求。

此外，北京作为国家首都与政策创新高地，要求合作方不仅具备技术能力，更需深刻理解医疗体制改革逻辑，以及考量合作方在“三医”协同发展目标上的一致性。

但也恰恰因为身处这样的境地，北京的“好”才显得格外清晰。

北京聚集着全国最密集的顶尖医院、部委机构和政策研究力量，既有制定规则的站位优势，又有打磨技术的最好临床场景。更关键的是，政府层面展现出打破壁垒的强烈决心，市领导将数据底座作为“非常重要的事情”推动，协调部属、大学、军队医院，打破数据壁垒，每一步都在为医疗创新探路。

出于敬畏，面对北京这座城市，医渡科技并未打无准备之仗。

“如果只是为了探索而探索、为了创新而创新，这个项目做不成。”徐济铭介绍，在系统打造北京数据底座前，医渡科技已在全国数十家头部医院、多个国家级临床研究中心以及医科大学体系内积累了大量成熟合作案例。医渡科技助力医疗机构打造的专病库覆盖90多个重大疾病领域，还联合头部专家、主委及院士共同出版了20余本疾病数据集，并在相关医院与研究中心完成了标准化建设。

“先验证、后推广”的路径，为北京这一高要求城市提供了可直接嫁接的能力基础。

但市面供应商众多，医渡科技“赢”的基本素质在哪里？

“长期主义”，徐济铭说，既然选择医疗领域，不是“政策风口来了建个军团，风口过了撤掉”，城市需要的不是“项目承包商”，是“长期共生伙伴”：数据底座不是一两年的事，需要团队“长期聚焦、同频共振”。

长达12年深度聚焦医疗健康领域，医渡科技在医疗、医药研发、健康管理及商业保险等高价值场景均有深厚业务积累，能够提供“数据底座+智能底座”的融合支撑，这为双方的相互选择打下地基。

医渡科技的北京实践——一条“脏活累活”铺就的城市级链路

对于医渡科技来说，从数据治理到智能应用，从医院到城市，从诊疗到治理，这不是业务板块的堆砌，而是一个有机系统生长过程。

2014年医渡科技医疗数据治理起家，“脏活累活”如今看来却是一个正确起点。

聊起初心，徐济铭说，一家公司要经历“反共识”和“共识”阶段，当同行做挂号平台、影像AI等“快生意”时，医渡科技选择从数据清洗、标注、标准化入手。

早期，医渡科技团队内部对构建真正医疗AI能力做出系统判断：挂号等链接服务虽有价值，但本质是互联网基础设施而非医疗属性；影像识别等局部AI应用虽能快速落地，但极易引发同质化竞争、技术护城河浅、监管周期长、商业化体系复杂，更重要的是，局部数据仅覆盖检查检验这一小环节，无法解决医疗高质量发展的根本性问题。

回归复杂系统本身，徐济铭认为，医疗AI的真正挑战在于两个复杂系统的叠加，一是人体本身——从基因、蛋白、细胞到组织器官，再到生活习惯、菌群、免疫系统的动态演进，疾病机理尚未被完全解析，现有诊疗多为经验驱动的对症治疗；二是医疗体系——诊断、治疗、用药、控费、指南、科研等环节构成的社会管理系统。唯有尽可能全面地采集多维度数据，才能逐步建立对疾病和医疗体系的数字孪生与建模能力，进而实现感知、预测、仿真与干预的闭环。这超越了当前大语言模型的概率预测范式，更接近“世界模型”的愿景——医疗AI的本质不是“医疗+AI”，而是需要全新的AI基础技术来建模生命体本身的动态过程。

这一底层判断，决定了医渡科技过去十二年的发展路径，也使其能够在北京医疗健康数字化建设中，以长期合作伙伴的角色参与其中，持续提供数据治理、智能算法与场景应用支撑。

当然，这一切离不开各部门的重视及大力支持。在北京市卫生健康委的统筹推动下，北京围绕“三医”协同、医疗资源优化配置和城市健康治理，持续推进医疗数据治理与智能化应用建设。医渡科技作为技术服务商，依托长期积累的数据治理、标准化处理、智能建模和医疗AI能力，为相关工作提供底层技术支撑，并在实践中形成一个观察超大城市医疗AI基础设施建设的技术样本。

在AI+临床诊疗方面，医渡科技创新性开发了医生临床助手Copilot，已落地北京协和医院、北京大学肿瘤医院、清华长庚医院等多家重点三甲医院，深度融入诊前、诊中、诊后全流程。围绕北京市推动跨机构数据共享、检查检验结果互认和临床服务效率提升等工作，医渡科技的相关技术能力也支持在医生工作站终端以轻量化方式接入数据共享与智能辅助能力，在不大规模改造医院原有信息系统的前提下，帮助提升医疗数据调阅、病历生成、诊疗信息整合等环节的效率，将头部医院打磨的智能应用通过共享助手向全市推广，形成“头部创新+广域覆盖”的模式。

6月，医渡科技助力北京协和医院打造的专科专病AI智能体矩阵，在国家人工智能应用中试基地阶段性成果发布会上正式亮相。基于Dr.Copilot临床助手平台这一统一底座，双方已落地可溯源病历生成、循证治疗方案推荐等核心智能体，将循证决策能力嵌入诊疗流程。值得一提的是，该平台同时支持整合医院自建及第三方专科智能体，形成“统一底座调度、多智能体协同”的开放临床AI生态，进一步验证了医疗AI从单点工具向系统化平台跃迁的路径。

在AI+临床研究方面，医渡科技围绕临床试验可行性分析、患者智能筛选与招募、研究过程质量控制等场景，向药企、医院和研究机构提供技术与服务支撑。相关能力可帮助研究团队更高效地识别潜在受试者、优化筛选路径、提升质控效率，从而服务于中国药物临床试验效率和质量提升。此前，医渡科技已在拜耳、百济、诺华等生物医药企业相关合作中积累了多项实践经验。

在AI+健康管理方面，在北京市相关部门推动下，居民健康服务正从单一就医服务逐步延伸至连续健康管理。医渡科技的技术能力可支持在政府官方服务入口和健康管理场景中，对居民授权范围内的历史诊疗记录进行结构化整合，并进一步支撑健康分析、慢病管理、风险提示和个性化干预等应用探索，推动医疗服务从“被动诊疗”向“主动健康”延伸。同时，相关能力也可与普惠保险、商业健康险等场景结合，探索医疗数据在健康保障体系中的合规应用价值，医渡科技已连续五年担任“北京普惠健康保”主运营平台。

在AI+城市治理方面，围绕北京市卫生健康治理和“三医”协同需求，医渡科技提供的数据治理、指标体系建设、智能分析和决策支持能力，可服务于医疗资源监测、疾病风险预警、运行态势分析和政策评估等场景。通过对数据质量、数据标准和数据可用性的持续提升，相关技术能力有助于支撑“数据治理—质量提升—场景应用—治理反馈”的闭环建设，为超大城市医疗健康治理提供更加精细化、智能化的技术底座。

在北京，针对“三医”协同越来越多专家正形成一种共识：数据是推进“三医”协同发展和治理的关键要素，以数据驱动“三医”协同已成为趋势。

医渡科技自主研发的医疗智能底座YiduCore，通过构建“数据-算法-场景”的技术飞轮，已形成覆盖数据治理、模型开发、场景落地的全栈式能力。这样的技术能力，决定了医渡科技在北京的定位，不是成果的单一创造者，而是以医疗数据治理和医疗AI能力为基础，服务北京市卫生健康数字化建设的长期技术服务商。

北京经验的复制与因地制宜

徐济铭认为，外省学习北京经验时，共性模式大于差异化，但“想做”和“有条件做”是两码事儿。

医疗本质是一致的，促进医疗质量均质化与高质量发展是所有地方的共同需求，疾病谱虽有地域差异，但核心诊疗逻辑是通用的，在头部医院训练验证的模型可直接部署到基层；与此同时城市治理逻辑相通，即实时监测、预测预警、科学决策，但经验落地必须因地制宜。

能否顺利复制，关键还要看政府意愿与协调能力。

此外，各地产业侧重不同，有的注重康养、新药研发、医疗器械，有的无明显产业，需根据地方产业情况匹配数据要素价值转化路径。

在健康管理方面，各地医联体分级诊疗机构设置、人群分布及智能化设备覆盖程度不同，需针对性裁剪方案；加之中国地缘广阔，各地存在特色性疾病谱，也需做针对性调整。

针对基层医院信息化与数据治理基础薄弱的问题，徐济铭认为可从两方面突破：一方面依托国家医疗高质量发展政策及信息化建设资金逐步补齐数据底座，另一方面平台已在北京协和、中肿、北肿、湘雅等50余家头部医院完成高质量训练与验证，可直接向基层输出AI能力——基层只需保证患者数据能与平台交互，即可获得经头部医院共同验证的AI诊疗结论，无需以本地数据重新训练，同时可借助国家布局的区域计算中心解决算力问题，无需每家医院单独建设，从而实现AI能力向信息化薄弱区域的高效覆盖。

从北京样本可以看到，一个新技术、政策的落地需五个关键要素协同。

一是政府牵引，这不是单单“给项目”而是“定规则、搭平台、促协同”，核心在于打破管辖权壁垒的决心——要成立跨部门协调小组，厘清卫健委、医保、大数据管理机构、医院主管部门等各方权责，制定数据共享规则、场景开放清单和利益分配机制，让数据能在不同隶属关系的医院之间流动起来。

二是医院开放场景，头部医院要从“被服务方”转变为“共建方”，主动授权高质量数据的应用并提供临床验证场景和专家知识，换取科研产出和学科影响力，基层医院则要“能尽快有”——通过“数据贡献-能力反哺”的闭环机制，让基层在提供真实世界应用场景的同时，获得AI能力赋能和诊疗水平提升，避免“只抽血不造血”。

三是企业做基础设施，要专业深耕而非平台整合，长期聚焦而非风口追逐——不是做“什么都做、什么都做不好”的平台整合商，而是聚焦垂直领域。

四是监管守住边界，数据不出域、可用不可见，安全合规是前提——技术层面要运用隐私计算、数据脱敏、区块链存证等手段，制度层面要明确数据分级分类、使用审批流程和安全责任主体，监管必须前置，在项目启动前完成合规评估，而非事后补票。

五是服务形成闭环，从“建系统”到“用系统”再到“依赖系统”——建设期完成系统上线、数据接入和模型部署，运营期持续优化模型、培训医护人员、收集使用反馈，最终让系统成为临床工作流不可分割的一部分，设置“使用渗透率”“临床采纳率”等运营指标，而非仅考核“建设完成率”。

在中国最复杂的行政生态中，医疗数据可以跨隶属关系流动，AI能力可以跨层级传递，利益可以跨主体协调，外地学习的关键不是复制技术方案，而是复制“打破壁垒的方法论”。

未来图景——城市医疗健康系统能力的竞争

医疗AI的下半场，不是单点技术比拼，是城市级系统能力的竞争，是新质生产力在民生领域的集中体现。

AI正重塑医疗生产关系。徐济铭表示，医疗AI让社区医生拥有协和主任的诊疗支持，让患者在基层获得三甲医院同源的AI辅助。就像“高德地图让新手开出老司机水平，走神时提醒折返。”未来，AI驱动诊疗工作流，医生做“确认与沟通”，核心价值向患者沟通与人文关怀迁移；同时，智能医生与可穿戴设备、居家传感器的结合，将让用户在亚健康阶段就能获得风险提示与早期干预，通过持续积累个性化健康数据，构建出比任何医生都更懂自己的AI健康管家，实现从被动治疗到主动预防的转变。

这种系统能力的竞争，本质上是数据底座的竞争。城市医疗健康系统的提质增效，离不开数据这一核心生产力要素对医学创新生态的系统性重构。

日前，国家卫健委科技发展研究中心主任顾金辉谈及卫生健康领域新质生产力，其指出，促进新质生产力发展的三大政策路径：以临床研究的规范化管理为着力点，推动新技术从研究到应用转化的效率提升，加速“技术—临床”、“成果—产业/临床”、“产品—产业”的价值化路径。

具体而言，数据要素正打通医学创新的全链条。在临床研究环节，通过智能化患者招募、可行性模拟与风险导向质控合规，对接ICH-GCP国际标准，提升中国药物临床试验的国际竞争力；在科技成果转化环节，驱动医院从“治疗型”向“研究型”转型，以数据驱动科研范式变革，促进医工交叉融合与产学研一体化，加速从“治疗”到“发现”的创新成果转化；在医药审批环节，将真实世界数据转化为高质量证据，加快药品上市后安全性与有效性评估，支撑诊疗规范更新和医保准入决策，实现药品全生命周期的动态监管。

当数据底座日益坚实，医疗AI的迭代速度正在发生质变：临床研究从5年一轮回，压缩至5个月一验证。但比时间压缩更值得追问的是——当AI可以5天给出一个诊疗方案，谁来决定这个方案可以被信任？

信任不能仅靠速度建立，而要靠“可验证”的制度。医渡科技的实践是：每一条建议追溯到指南原文，每一个决策留有审计痕迹，每一次迭代经受真实世界结局的检验。这不是对速度的妥协，而是对生命的敬畏。

可以预见的是，当技术速度遇上制度托底，城市级健康系统的竞争才真正进入下半场。北京样本的意义，正在于此——在国家卫健委的政策引领下，北京率先构建起“技术赋能、制度托底、治理协同”的卫健治理新范式：从“被动医疗”到“主动健康”，从“数字孪生”到“AI健康管家”，从单点突破到系统重塑。这一愿景并不遥远，它取决于今天有多少城市，愿意像北京一样，在卫健部门的统筹推动下，把数据底座当作“非常重要的事情”来落实。

医疗资源的重新组织，从来不只是技术问题，而是一种多方协同下的选择。