大模型进社区，难在哪？长沙一家社区医院跑通了全流程

大模型在大三甲医院“上岗”，已经不算新鲜事。但行业很快发现，真正难啃的骨头在基层——那些最缺医生的社区医院和乡镇卫生院。

基层被普遍看作医疗大模型最大的增量市场，从辅助诊断系统到大模型厂商都在加速下沉。可热闹背后，真正能在基层常态化跑起来的项目并不多。国家卫健委统计信息中心在第二届医学人工智能大会（MAIC 2026）上披露：首届全国数智健康大赛5626个报名项目、4486个有效项目中，仅68%通过真实数据测试，仅12.1%实现院级应用。

为什么大模型进三甲看起来顺理成章，进基层却这么难？9月18日，长沙举行的湖南省“人工智能+医疗卫生”应用大赛上，一个已经在社区医院真实运行的全场景AI项目，从全省192个项目中胜出、获得一等奖，或许提供了一个可观察的样本。

大模型进社区，先要跨过三道坎

一个普遍的误解是：基层医疗简单，技术门槛低，大模型下沉应该比进三甲更容易。

事实恰恰相反。在多位业内人士看来，让大模型和智能体真正在基层跑起来，要先跨过三道坎。

第一道坎，是场景的复杂性。基层医生什么病都要看，高血压、糖尿病、慢阻肺等常见病、多发病，再加上繁重的公卫服务，覆盖面远大于三甲的专科医生。这要求模型不能只懂一个病种，而要具备“全科”能力。

第二道坎，是数据和流程的不规范。基层医疗数据分散在十余套互不联通的系统里，病历书写规范程度参差不齐，基层医生的IT能力也相对薄弱。一个需要医生额外操作、反复切换的系统，在基层根本推不动。

第三道坎，是全场景的协同。基层医疗不是看一张片子、开一个处方，而是从预问诊、辅诊、病历、质控、用药审核，到随访、健康管理、公卫服务的完整闭环。任何一个环节断裂，AI的价值都会大打折扣。

三道坎叠在一起，决定了基层AI比拼的早已不是单点算法，而是一套完整的能力。

一家社区医院的全流程实验

获得一等奖的项目，名为“AI赋能基层医疗全场景智慧服务体系”，由数坤科技联合长沙湘江新区麓谷街道社区卫生服务中心、湖南长信畅中科技共同打造。这场赛事由湖南省卫健委主办、六部门联合参与，全省192个项目经过多轮严格评审，仅评出8个一等奖。

项目落地的地方，是中国最常见的一类基层医疗机构。麓谷街道社区卫生服务中心服务30余万居民，日均门诊约1000人次，全科医生诊疗、公卫“双肩挑”，重复性随访和报表一度占用医生40%的工时；医疗、医保、公卫数据分散在十余套系统里。这样的困境，是无数基层医疗机构的缩影。

据院方介绍，这套系统最不一样的地方，在于它不是实验室里的技术演示，也不是某一个单点AI工具，而是一个覆盖诊前到诊后、贯穿患者、医护、管理三端的全链条、全场景应用，背后由数坤的多模态大模型和数十个医疗智能体支撑。

诊前，患者可以先做AI预问诊；诊中，医患对话自动生成电子病历，系统实时做病历质控、合理用药审核，漏项、错项当场提醒；诊后，AI报告解读、慢病随访自动跟进，居民在回家路上就能收到通俗版的报告解读。目前影像能力已经全部整合，超声整合也在推进，临床数据随时可调。

变化是可量化的。据院方统计，诊断合理率从80%提升到96.89%，体检报告发布时间从5天缩短到1天，病历甲级率达到100%，病历质控评分98.3分；最直观的是慢病随访，1个人30分钟就能完成原来20人一周的工作量，随访效率提升数十倍。

现场一位评委的点评颇为直接：基层医疗卫生信息化已经走过了以“数据录入、流程线上化”为特征的3.0阶段，而麓谷项目代表的，是以“AI原生、智能驱动”为特征的4.0阶段。“3.0解决的是‘从无到有’，把纸质流程搬到线上；4.0解决的是‘从有到好’，让大模型和智能体真正嵌入业务流程，为医生减负、为居民提效。”

在业内看来，经过多轮严格评审、从192个项目中胜出，这个项目的意义不在于又多了一个AI应用，而在于它证明了大模型在基层可以“跑通、跑好”。

跑通的为什么是数坤？

样本背后，是一个老问题：同样的大模型，为什么有的进了基层就“水土不服”，有的却能真正嵌进业务流程？

数坤科技是医疗AI赛道的一家老牌企业，最早以影像AI起家，产品已服务全球5000多家医院。今年以来，数坤在技术端动作频频：发布新一代医疗多模态大模型5.0和医疗健康世界模型“乾坤”，在中文医疗大模型评测平台MedBench中拿下多模态大模型和智能体双榜第一；在《JAMA》《Radiology》等国际医疗顶刊发表的论文累计超过500篇；在上海影像AI大会上发布CT全胸智能体与DR全身智能体。

在数坤看来，能把大模型和智能体真正沉到基层，靠的是多年积累的几道门槛。

首先是“懂医疗”。医疗AI直接关系生命，准入门槛极高。据企业披露，数坤已获得19张NMPA三类证、20余张二类证，并通过20余项美国FDA、欧盟CE、日本PMDA等国际认证，每一张证都要经过严格的多中心临床验证。

其次是一套AI原生的技术体系。数坤的医疗大模型从底层为医疗场景自研，而非在通用语言模型上简单封装；它也是业内模态较全的多模态医疗大模型之一，能同时理解影像、超声、临床文本等多种数据。在此之上，数坤构建起覆盖城市区域、医院、社区、家庭的全流程、全场景能力。

这套体系具体如何运转？拆解下来是三层递进。最底层，是一个专为医疗训练的多模态大模型，能同时看懂影像、超声和病历文本，并在医学世界模型方向做前沿探索；中间一层，是用麓谷本地的高血压、糖尿病、慢阻肺等专病数据对模型做领域微调，让模型“懂基层”，同时通过RAG检索增强技术，把国家诊疗指南和公卫规范挂在后台，保证每一条AI建议都查得到依据、可追溯；最上层，是影像、超声、诊疗、专科、中医、服务、管理等几十个智能体，它们不是彼此孤立的单点工具，而更像一支分工协作的“数字医疗团队”，嵌入从检查判读到辅助诊断、从慢病管理到公卫服务的每一个环节。

比模型更难的，是让医生愿意用、用得顺。过去的基层AI，不少是“外挂式”的：医生在门诊系统里开完检查单，要切到另一个软件，手动把病人信息再敲一遍，结果出来再一项项抄回病历——AI成了流程之外额外加的一道工序，是负担，不是帮手。

数坤选择的是另一条路：AI原生。它不要求医生多做一步操作，而是直接“长”在医生每天的工作里——写病历时，智能体在旁边自动质控；开处方时，自动做用药审核、拦截配伍禁忌；看完病人，随访任务自动生成，该提醒谁、该复查什么，系统替医生记着。医生该怎么写还怎么写，习惯一点不用改。

在数坤方面看来，这正是AI原生影像系统（AI PACS）、AI原生医院信息系统（AI HIS）与传统HIS、外挂式AI工具的本质区别：过去是“人在用系统”，现在是“AI在跑流程，人在做决策”——系统从工具变成了搭档，医生从操作员变回了医生。

从一个社区，到一座城市的基础设施

政策的时间表已经划下：《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》明确，到2030年基层诊疗智能辅助应用基本实现全覆盖。而前述全国数智健康大赛的数据也提醒行业，从Demo到常态化运行，门槛远比想象中高。

基层AI的竞争，正在从“比谁的模型参数大”，转向“比谁的模型更懂基层、谁的系统更能无缝嵌入工作流、谁的智能体集群更能覆盖完整业务闭环”。

数坤的基层布局并非始于麓谷。据企业介绍，从北京昌平、福建厦门、江苏苏州，到四川绵阳、大凉山、河北南皮，再到新疆，其基层AI方案已在多个省份落地，覆盖东部发达地区、中部县域和西部偏远地区等不同禀赋的场景。

在更长远的视角里，数坤想做的，是以大模型和智能体为底座，成为城市级的医疗健康基础设施。当行业还在讨论大模型能不能进基层的时候，这个经过省级严选的社区样本，至少给出了一个明确的信号：大模型进社区，不仅能进，而且能真正跑通、跑好。