一位软件工程师的孩子长期辗转于多家医院，诊断始终没有定论。他没有继续排队挂专家号，而是写了一个Node服务，把全家多年的病历数据整理成结构化数据库，然后全部塞进Claude Opus。模型返回了11个具体问题：有些是电子病历本该标出的药物相互作用，有些则相当关键——一项漏做的常规检查本可以改变治疗方案，一个被三位专科医生接力开错的处方标签，始终没人核对过。
这个实验值得认真对待。不是为了证明AI能否取代医生，而是看清一件事：在医疗系统的哪些具体环节，大语言模型已经能比现有流程做得更好。
整个项目是个人级别的数据工程，而非临床产品。工程师用SQLite搭了后端，设计了13张医疗数据表，用显式的关联表把处方、诊断、医生、就诊记录串起来。没有图数据库，没有向量存储，就是最基本的JOIN操作。数据涵盖门诊记录、化验结果、影像报告、疫苗接种史、生长发育曲线——几年积累下来的纸质和电子碎片，被手工清洗进了统一的数据模型。
与Claude的交互方式很朴素。应用代码没有直接调用API，而是暴露了一个端点GET /api/patient-context，把整份病历打包成一份200-500KB的JSON文档返回。内容包括：每条诊断由哪位医生录入、每份处方的开具依据和停药原因、所有化验的参考范围、每次就诊的关联文档。用户打开Claude Code，指向一份预先写好的分析协议文档，模型一次性拉取完整上下文，处理后再通过同一接口写回结果。
JSON的结构并不复杂。诊断条目关联到具体医生和用药，药品记录标注了临床指南依据，化验值带参考区间，就诊记录链接到相关文档。Anthropic公开的上下文窗口轻松容纳这种体量的数据。
11项发现全部可回溯验证。有些是系统该做但没做的：药物相互作用筛查。有些是系统做不了的：跨科室的处方标签核对、治疗路径的完整性检查。这些工作不需要医学影像识别或手术机器人，只需要有人把散落的数据串起来，用一致的逻辑过一遍。
这位工程师的解决方案之所以有效，恰恰因为它绕过了医疗IT的结构性难题。医院之间的数据互操作、电子病历的封闭生态、专科医生的时间碎片——这些他都没去解决，只是把自己家的数据抽出来，做了一个最小可行的整合层。Claude在这里扮演的不是诊断专家，而是一个永不疲倦、不会遗漏的核对员。
这个案例的真正启示在于：医疗AI的近期落地场景，可能不是替代医生的判断，而是填补系统性的信息缝隙。当数据被真正结构化、上下文被完整保留时，现有的大模型已经能够执行一类被严重低估的任务——发现那些"本该被发现"的问题。
热门跟贴