加速高水平研究型医院建设！以 AI 力量驱动医院科研管理效能提升

近年来，国家政策持续推动医疗行业向智能化、科研化方向升级。2024 年 5 月底，卫健委对智慧医疗分级评级新标准进行了探讨，增加了“人工智能”要求，涵盖辅助诊断、自动报告生成、智能质控等场景。2024 年 11 月，《关于印发卫生健康行业人工智能应用场景参考指引的通知》为 AI 与医疗结合的研究建设方向提供了指引。2025 年卫健委制定的《医疗卫生机构开展研究者发起的临床研究管理办法》指出：“要探索建立统一的临床研究管理服务平台，加强与基础研究平台的协同”。在此背景下，研究型医院作为“临床与科研并重”的创新主体，成为实现医疗高质量发展的核心路径。

研究型医院坚持临床与科研并举，构建了基础研究、临床研究、转化研究与临床科室、研究团队之间分工明确、密切协作、相互促进的临床科研融合创新机制，不断研究攻克重大疾病、自主医学创新、科学成果转化，在自主创新中不断催生高层次人才和高水平成果。

医疗数据的临床科研应用，主要涵盖两大类别：

• 数据统计分析研究：此类研究运用诸如参数检验、相关分析、生存分析等常用的医学统计分析方法，对医疗数据进行深入挖掘与分析，进而解释结果，提炼出有价值的洞察与推断。

• 数据分析建模与应用：这一类别则侧重于建立深度学习模型，通过标注的文本、影像等医疗数据进行参数训练，以开发出能够执行特定任务（例如疾病诊断）的模型。这些模型经过部署后，能够为临床医生提供便捷的服务。

然而，临床科研在实际开展过程中面临着诸多共性问题与痛点，导致科研周期长、资源浪费严重，制约了研究型医院的创新能力。

• 数据获取难：海量多源异构医疗数据分散在院内各类数据中台、各专病库、本地科研数据库及外部开源医疗数据库等多个异构平台，存在跨系统数据标准不统一、多源数据协调成本高、隐私保护合规流程复杂等系统性障碍，导致数据整合应用效率低下

• 科研门槛高：存在大量“重复造轮子”的统计分析工作，无代码能力的医生学习成本高，“懂医学的不擅分析，擅分析的不懂临床”；

• 协作流程割裂：临床医生、生统师、建模工程师难以高效协同，研究成果难以沉淀与转化；

• 教学与科研脱节：优质数据与项目难以直接用于医学学生教学实训，且研究成果分散，资产无法集中统一管理，转化应用难，不能为业务提供有效支持。

赋能医院智慧化建设 &临床科研

为进一步助力研究型医院建设，破解医院科研瓶颈、释放数据价值，和鲸助力高水平研究型医院建设方案应运而生，基于旗下数据科学协同平台 ModelWhale，打造医疗数据科研与应用一体化平台，涵盖“医疗数据接入、统计分析、算法开发、大模型编排、部署应用”全部环节，打通“科研—临床—教学—对外展示”全链路。

多源异构医疗数据接入与管理

平台支持多来源、多模态医疗数据接入，包括院内医疗数据中心、本地医疗数据文件及第三方医疗数据等。通过数据中台进行原始数据采集，构建专病库、科研数据中心和临床数据中心，实现数据的集中管理与整合。同时，采用用户信息隔离、数据不落地、数据库凭证管理、内外网数据隔离、数据安全沙箱等措施保障数据安全，设置多层权限管理数据访问与使用，并对数据使用进行记录与追溯低门槛、云端协同研究环境。

助力“医-理-工”多角色协同研究

以医疗数据分析、建模场景为关键，平台支持创建并打通多样的云端分析研究方式，赋能快速协同创新。平台提供了分别适用于统计分析、算法研究、算法应用开发场景的分析工具，覆盖医疗数据统计分析与算法应用从设计、开发、测试到使用的全过程支持，在多人多角色医疗研究工作间形成动态协同。

探索临床研究标准化新路径

当前，针对各个不同的医学问题，通常采用各自独立的统计分析流程与方法，即一种代码方案对应解决一个问题。海量重复性研究任务工作效率低，平台提供全面的工具集与模板库，助力研究者将繁琐的研究工作转化为标准化、可复用的工具与模板。用户可根据自身需求将常用研究方法与操作流程进行封装，形成专门的工具集和模板库，在面对类似研究场景时，可轻松实现研究工作的自动化与批量化处理，提效减负。同时平台为用户提供常用的工具与模板，覆盖数据收集、整合、统计分析到可视化绘图的完整流程。此外，和鲸平台还设有统计分析工具市场，支持包括 R、Python 在内的多种编程语言工具。其目标在于，通过一套统一的代码框架，实现同一类别下不同医学问题的批量化、模板化处理。

算力弹性管理调度

针对大规模数据处理、复杂任务执行及模型训练需求，诸如大规模样本的多重检验和多变量统计分析等场景，平台支持智能统筹并弹性调度算力资源，根据实际需求灵活调配多核 CPU 与 GPU 资源，实现并行计算与分布式运算，从而有效拆解任务并显著加速分析过程；允许将计算任务提交至后台执行离线运算，无需人工实时监控，极大地节省了人员的时间与精力，提升了工作效率。

医疗大模型部署与编排应用

平台支持将算法成果快速封装为 API 服务或工作流模板，封装为易用的临床辅助分析诊疗工具。支持模型开发、训练、评估、保存与部署应用，如利用 PyTorch、TensorFlow 等框架进行模型构建。大小模型结合应用，大模型用于自然语言处理等广泛任务，小模型专注特定医疗任务，两者优势互补。同时，对模型进行版本管理，记录模型迭代过程，便于模型的优化与更新。

打造科研管理服务一体化平台，

加快研究型医院建设

和鲸深耕医疗领域数据科学多年，已成为众多医学机构和相关高校的重要合作伙伴。依托其 ModelWhale 平台，和鲸创新性地重塑了协作模式，实现了对临床科研项目工作流程的系统化管理与整合，并专注于构建标准化的数据分析模板及高频数据分析工具库，旨在全面推动临床科研流程的标准化，为科研工作的高效开展注入强劲动力。

目前，和鲸已为华中科技大学附属同济医院（以下简称“同济医院”）打造了科研数据服务一体化平台（以下简称“平台”），其建设基于临床需求的精准把握，面向同济医院的科研管理者、研究团队及青年医生，全方位支撑科研管理、临床研究、教学实训及人才培养等多方面工作，为同济医院构建了一个以临床为导向、促进科研创新与发展的综合服务体系。

传统科研管理模式中，数据、算力等核心资源分散在各科室，管理者面临“看不见（资源分布）、管不住（安全风险）、算不清（投入产出）”的困局。平台通过重构数据与算力的全周期管理体系，为同济医院管理者提供“资源可量化、流程可追踪、效能可评估”的科研基座。

数据治理体系化

整合院内专病库、文本、影像、检验数据及科研成果，打通数据申请-审批-调取-使用全链路，通过权限分级和 IP 限制手段，确保数据全流程留痕、流通不出域。

平台数据服务全景展示

算力调度科学化

算力资源由原先的各科室独立采购转为由平台统一纳管，平台对接 OA 系统建立算力审批-充值-消耗监控闭环，实现科研投入精准量化。

算力服务的前后对比

科研协作体系化

通过全局可视化看板，实时监控全院科室课题进度、资源消耗及成果分布，精准识别重点孵化项目与潜力团队，动态调配资金与算力支持。

任务分工示例

通过医院科研管理服务一体化平台，同济医院实现了科研项目的全生命周期管理，提供了从数据提取、模型产出、科研转化的全链路服务，为跨部门跨角色协同管理提供了工具支持，并融合了多规格算力，让医院综合服务从“被动响应”走向“主动赋能”。此外，同济医院基于平台精心制定了全面、系统的人才分层培养计划，构建起一个规模可观、结构合理且素质优良的稳定人才储备池，形成良性循环的人才成长飞轮效应。

AI 的加速发展为医疗行业的智能化转型提供了有力支撑。未来，和鲸将继续携手各大医院，探索更多智慧医疗的可能性，为提升医疗服务质量、推动医学科研进步贡献力量，让智慧医疗惠及更多患者。

篇幅有限，您可点击这里了解更多同济医院案例详情。若您有方案建设需求，也欢迎联系和鲸工作人员。

为了优化医疗科研工作者的科研工具与提升协作效率，我们诚邀您参与科研实践需求调研（大约只需 3 分钟即可填写完成），您的宝贵意见将直接推动科研支持服务的改进。感谢您的支持与贡献！