心未来
2026年10月16日，第 37 届长城心脏病学大会暨亚洲心脏大会现场，阿里健康旗下医学 AI 助手“氢离子”作为大会学术合作助手，参与 AI 壁报、学术论坛、大会直播等多个环节，探索医学 AI 在学术交流中的应用。
当天上午，心未来记者参加了由氢离子组织的“医学 AI 循证圆桌会”。
我们在日常工作中，也经常使用 AI 查阅医学文献、了解临床研究。AI 提高了信息获取效率，但也存在一些问题：参考文献可能根本不存在；文献虽然真实，AI 提炼的结论却可能不准确；即使研究结论正确，也未必适用于眼前的患者。
对于心血管医生，医学 AI 究竟怎样才能值得信任？
这次圆桌会邀请了中国医学科学院阜外医院主任医师赵雪燕、临沂市人民医院副主任医师郭辉，以及阿里健康氢离子算法负责人张雅婷、证据检索负责人邓远。四位嘉宾围绕临床需求、医学证据可靠性和 AI 应用边界展开讨论。
01
医学 AI 的答案，怎样才能让医生信任？
医生关心的，是 AI 能否解决真实问题
阜外医院赵雪燕主任医师谈到了 AI 在科研和临床工作中的实际问题。在科研中，AI 可能生成不存在的参考文献，或者错误理解研究结论。在临床上，老年心血管患者往往合并多种疾病，需要同时使用多种药物。药物相互作用、肾功能变化等因素，都需要医生综合考虑。
她期待 AI 能够在复杂用药管理等场景提供更多帮助，同时强调医学信息的真实性和及时性。
来自临沂市人民医院的郭辉副主任医师，则更关注基层医生的实际需求。AI 可以帮助医生及时了解最新指南、学习新的诊疗技术，也有助于年轻医生开展科研。但不同医院的医疗条件、患者个体情况存在差异，AI 需要进一步理解真实临床环境，才能提供更有针对性的信息支持。
两位医生的关注点有所不同，却指向医学 AI 面临的共同挑战：如何让生成的答案有据可查，并且适用于具体临床问题？
“引用不等于循证”，氢离子如何理解医学证据？
阿里健康氢离子算法负责人张雅婷在交流中强调了一个重要观点：引用不等于循证。
一项临床试验即使设计严谨、结论明确，也可能对患者年龄、肾功能和合并疾病等设置严格的入排标准。如果 AI 忽略这些条件，直接套用研究结论，就可能造成证据适用性错误。
因此，医学 AI 需要理解研究设计、患者人群及证据与临床问题之间的关系。
针对这一问题，氢离子在算法层面引入循证医学的PICO 框架，解析患者或研究人群（Population）、干预措施（Intervention）、对照（Comparison）和结局（Outcome）等要素，并结合研究类型、证据质量、时效性和相关性，对检索到的研究进行分析。
在医学内容方面，氢离子已与NEJM、BMJ、JAMA 及 JAMA Network相关出版机构开展合作，持续建设专业医学知识库。
部分高质量医学研究存在全文阅读和使用的版权门槛。通过内容合作，氢离子能够在相应授权范围内获取和处理专业医学内容，并建立持续更新机制。对于论文更正、撤稿等可能影响证据有效性的问题，团队也在完善相关处理能力。
从临床问题到生成答案，氢离子有四级循证体系。主要涉及四个层面：
一是临床专家驱动的评价体系。 引入医学专家参与评价，围绕准确性、安全性、循证忠实性和实用性等维度，评估AI生成内容的质量。
二是模型强化与微调。 通过医学数据训练、专家反馈及奖励模型等技术手段，提高模型对医学知识、循证逻辑和专业规范的理解能力。
三是PICO检索与数据增强。 利用PICO框架理解临床问题，通过专业医学数据检索、证据筛选与排序，帮助模型找到更相关的医学研究。
四是证据分析与理解。 围绕PICO解析、GRADE证据分级及信源权威性等方面，提升模型对研究证据及其适用性的理解能力。
图：心未来记者拍摄现场PPT
对于临床医生而言，这些技术最终需要解决的，仍然是一个具体问题：AI提供的医学答案是否有可靠证据支持，医生能否方便地核验？在实际使用中，氢离子还提供了证据定位功能。医生可以点击 AI 回答中的引用标记，查看支持相关观点的原文段落，并进一步了解研究人群、干预措施等信息。在相应版权许可范围内，还可以阅读原文。
面对证据冲突，AI 应该怎样回答？
阿里健康氢离子证据检索负责人邓远提出，医学 AI 面对的是“有限的证据和无限的问题”。
真实临床中的复杂患者，往往缺少直接的高质量研究证据。不同研究也可能因为入组人群、治疗方案和研究设计的差异，得出不完全一致的结论。
如何处理高质量证据之间的冲突，如何将研究结果合理应用于复杂患者，仍是医学 AI 需要解决的难题。
氢离子团队正在探索识别不同研究之间的差异，呈现支持或反对某项观点的证据，并说明结论的不确定性。
当医学证据存在争议时，清楚呈现证据的局限，比给出一个看似确定的答案更有价值。
据了解，氢离子还邀请了300 多位、覆盖 20 多个医学专业的医生参与人工评测，通过专业反馈持续改进产品。
从这次圆桌会来看，氢离子团队已经围绕医学内容、证据理解、算法评价和原文溯源开展了一系列工作。对于证据冲突、个体化决策等尚未解决的问题，技术人员也进行了坦诚讨论。
这种对医学证据复杂性的认识，以及持续改进产品的思路，给我们留下了比较深的印象。
02
长城会上的氢离子：AI 壁报、学术直播与联合论坛
本届长城心脏病学大会期间，氢离子作为大会学术合作助手，将医学AI能力延展至青年壁报、大会直播等线上线下学术交流环节。
其中，氢离子在大会期间上线的AI壁报，为参会医生提供了新的研究阅读方式。
传统医学壁报主要展示研究背景、方法、结果和结论。医生若想进一步理解相关证据，通常还需要自行检索和梳理文献。
此次长城会，氢离子提供AI循证技术支持，在保留传统壁报内容的基础上，为每一则壁报提供AI循证分析。
参会者可以一键查看对应的AI解读，进一步了解研究重点及相关医学证据。
会议期间，医生可以通过会场电子壁报展示区、大会官网和氢离子APP三个渠道，随时查看AI壁报及其循证解读。
除了AI壁报，氢离子APP同步上线大会直播内容，为无法全程到场的医生提供线上获取学术信息的渠道。
在学术交流方面，氢离子还与JAMA、长城会联合举办国际联合论坛，围绕心血管临床研究质量、青年研究者成长及AI循证等议题展开交流。
从医学AI循证圆桌会，到AI壁报、大会直播和联合论坛，氢离子此次与长城会的合作，覆盖了研究展示、专业讨论和线上学术内容获取等多个场景。
这些尝试也让医学AI的应用更加具体：医生可以借助AI理解研究成果、核查医学证据，并在会议之外持续获取专业信息。
03
医学 AI 还在迭代，值得耐心使用和观察
医学 AI 正在快速发展。新的模型和产品不断出现，医生也有了越来越多的选择。
但对于临床工作繁忙的医生来说，频繁更换工具需要投入额外的学习成本。选择医学 AI，除了当前的使用体验，还值得关注产品能否持续进步。
我们认为，专业医学 AI 的长期价值主要取决于三个方面：
优质医学证据的持续积累与更新
专业算法的迭代能力
企业长期投入的能力
阿里健康作为阿里巴巴集团旗下的医药健康旗舰平台，拥有较大的业务规模和 AI 技术生态资源。在氢离子上，我们已经看到医学内容版权合作、专业循证算法研发、医生参与评测等方面的持续投入。本届长城会的 AI 壁报、学术直播与联合论坛，也体现了其拓展医学知识服务场景的方向。
企业规模无法直接证明产品质量，医学 AI 的实际能力仍需要持续评测和临床实践检验。但从这次现场交流来看，氢离子团队对循证医学的复杂性有较为深入的思考，也已经围绕医生关心的问题开展了具体工作。
因此，我们认为，氢离子是一款值得心血管医生认真体验、持续关注其迭代的医学 AI 产品。
对于医生而言，可以从自己熟悉的临床问题开始使用，核实 AI 引用的文献，了解它的能力与局限，并随着产品更新持续观察其表现。
医学 AI 究竟能够帮上多少忙，最终还需要在实际工作中检验。氢离子仍在发展，我们也会继续关注它的变化。
内测活动邀请
阿里健康氢离子正式发起 DingTalk A1 氢离子医生版【医学现场循证体验官】产品内测活动。
本产品由阿里健康氢离子与钉钉联合打造，赋能医学现场，助力医生在学术会议、查房、病例讨论中高效听记、循证溯源。
现真诚邀请心血管领域的临床医生共同体验：报名截止 2026 年 10 月 31 日，请前往“心未来”公众号相关文章扫码填写报名表单即可报名参与；官方筛选入选后我们联系您并为您寄送设备体验，希望您分享真实的使用感受和深度参与产品共创，提出改进建议。
ps：在长城心脏病大会期间，产品也会同步亮相阿里健康展台，参会医生可以前往展台深入了解和体验！
热门跟贴