引子：一个骨科主任的早晨

早上7:30，北京积水潭医院创伤骨科王主任打开手机——不是刷朋友圈，而是点开了一封邮件。

邮件标题：「创伤骨科每日文献简报 | 2026年7月11日」

里面整整齐齐排列着6篇昨天刚上线的最新论文：每篇都有中文标题翻译、一句话核心发现、与目前科室实践的关联提示。最后附着一张表：本周累计可关注文献14篇，其中3篇「建议科室集体学习」。

王主任花了5分钟读完这封邮件，选了一篇关于股骨颈骨折内固定后负重时机的Meta分析转发给科室群：「周三早会讨论这篇。」

这封邮件不是助理写的，不是实习生写的，甚至不是人写的。

它是一个AI工作流每天凌晨5点自动完成的——从PubMed抓取最新文献，AI筛选出高相关度的，生成一句话总结，汇总成日报，发送到邮箱。

王主任做的事情只是：两个月前，花了一个下午，把这个工作流搭建好了。

此后每一天，一个下午的投资换来了每天清晨5分钟的信息优势。

60.1 碎片化AI vs. 自动化AI

60.1.1 两种AI使用模式

目前大多数医生使用AI的方式，是碎片化的：

遇到问题了 → : 打开ChatGPT → : 输入问题 → : 复制答案 → : 关掉。下次遇到问题再打开。

这种模式没有问题，但它有三个天花板：

天花板 说明被动触发 你只能解决「你想到的问题」，却无法发现「你没想到的文献」

重复劳动 每次都要从头开始：打开工具 → :输入 → :等待 → :整理不可积累 每一次的输出是孤立的，没有形成结构化的知识沉淀自动化AI工作流的做法完全不同：

设定规则 → : AI按规则自动执行 → : 产出持续交付到你手上。

它把AI从「一个你主动去问的工具」变成了「一个在你背后持续工作的小助理」。

60.1.2 什么场景适合做成工作流？

不是所有AI使用都适合做成工作流。判断标准很简单：

适合做成工作流 不适合做成工作流重复性高（每天都做） 一次性的（给一个病人看一次）

信息源固定（特定数据库/网站） 每次信息源不同适合做成工作流 不适合做成工作流产出格式固定（每日简报/周报） 产出格式每次不同价值随持续积累而递增 价值一次性用完

60.2 实战案例：搭建「每日文献简报」工作流

这是最适合医生上手的第一个工作流。我们将拆解每一步，确保你看完就能照着做。

60.2.1 工作流架构

整个工作流由四个环节串联而成：

PubMed（数据源）

v

0 [步骤1] 自动获取最新文献 ‹ 关键词订阅v

0 [步骤2] AI筛选高相关文献 ‹ 标题+摘要分析v

0 [步骤3] AI生成一句话总结 ‹ 单篇提炼v

0 [步骤4] 汇总为日报推送 ‹ 邮件/微信

60.2.2 步骤1：PubMed自动获取最新文献

方案A（零编程）：PubMed RSS订阅PubMed为每个检索式自动生成RSS订阅链接。步骤如下：

在PubMed中构建你的检索式。以骨科为例：

(spine fracture OR vertebral compression fracture OR osteoporotic fracture) AND (2024:2026[pdat]) AND (english[lang]) AND (randomized controlled trial[pt] OR meta-analysis[pt] OR systematic review[pt])

点击搜索框下方的「Create RSS」，获得一个订阅URL将这个URL接入自动化工具（Make/Zapier/IFFFT任选一个）

方案B（进阶）：PubMed E-utilities API如果你或你的科研伙伴懂一点编程，PubMed E-utilities API能实现更精细的控制（每天自动检索、去重、筛选）。但对于绝大多数医生，RSS方案A已经足够好用。

60.2.3 步骤2：AI自动筛选高相关文献

RSS每天可能抓取20-50篇文献，你不可能一一读完。这里引入AI筛选。

筛选逻辑（在Make/Zapier中配置）：

将每篇文献的标题+摘要发送给AI（ChatGPT API或Claude API），附带以下Prompt：

【角色】你是医学文献筛选专家。

【任务】阅读以下标题和摘要，按相关度打分。

【约束】

• 打分标准：5分=直接相关，必须读全文；4分=高度相关，建议读全文；3分=一般相关，看情况；2分=弱相关，可选；1分=不相关
• 评分q4分的文献，额外做一句话总结
• 以JSON格式输出：{"score": X, "summary": "一句话总结（仅q4分时）", "reason": "评分理由"}

这样做的好处：AI自动把50篇文献压缩到5-8篇「必看」，你的阅读量从50减到8

——减少了84%的无效阅读时间。

60.2.4 步骤3：AI生成「一句话总结」

对于评分 → ð4分的文献，AI会自动生成一句话总结。格式参考：

「Smith et al.（2026，JBJS）：在60岁以上股骨颈骨折患者中，术后第二天负重组与延迟负重组的术后1年功能恢复无显著差异（P=0.32），但早期负重组住院时间平均缩短2.3天。」

一句话包含了：作者、年份、期刊、核心结论、关键数据、临床意义。

——只是现在不用等同事告诉你，AI每天早上帮你收集好了。

60.2.5 步骤4：汇总为日报并推送

将所有筛选后的文献汇总为统一格式，通过邮件或微信发送。

日报模板：

N [你的科室]每日文献简报

O 2026年7月11日（周五）

u u u u u u u u u u u u u u u u

P 重点推荐（评分5分，建议科室讨论）

1. [标题]

一句话：//

4 链接：pubmed.gov///

R 值得一读（评分4分）

1. [标题]

一句话：//

4 链接：////

S 本周统计：累计可关注文献14篇

T 待讨论：3篇建议纳入下周科室学习推送方式选择：

方式 优点 缺点邮件 稳定、可搜索存档 可能被忽略微信/企业微信推送 即时触达，打开率高 不易检索历史飞书/钉钉群机器人 团队可见，可讨论 需要团队都用同一平台建议：主推送用邮件（做知识积累），配一条微信群消息（提醒大家看邮箱）。

60.3 工具组合方案：从零编程到全自动化

60.3.1 三个档位的工具组合

档位 工具组合 适合人群 上手

专业档

60.3.2 入门档详解（推荐大多数医生从此开始）

所需工具：

Make（make.com）

—— 免费的自动化连接器，有免费额度（每月1000次操作，对个人完全够用）

ChatGPT Plus 或 Claude API÷ 提供AI能力操作流程（一步一图概念）：

[触发器] PubMed RSS有新条目v

0 [模块1] RSS解析 → 提取标题+摘要v

0 [模块2] OpenAI/ChatGPT → 发送筛选Prompt v

0 [模块3] 过滤 → 只保留scoreq4的文献v

0 [模块4] 模板格式化 → 填入日报模板v

0 [动作] 发送邮件 → Gmail/企业邮箱重要提示：Make/Zapier平台的操作是拖拽式的，不需要写任何代码。你看到的「模块1」「模块2」在界面上就是一个个方块，用线连起来。如果你的医院信息科不允许使用外部SaaS工具——那也没关系，下一章我们会讨论本地部署方案。

60.4 其他实用工作流示例

60.4.1 会议纪要自动整理

3 AI摘要将转写文字发送给AI，生成结构化纪要ChatGPT/Claude 4 待办提取AI从纪要中提取「待办事项+责任人+时间节点」 同上5 分发 纪要发送到科室群/邮件 邮件/飞书Prompt要点（接在步骤3中）：

「将以下会议转写内容整理为：

˛会议概览（3句话）

ˇ核心议题（每个议题100字摘要）

—决议事项（表格：事项|责任人|截止日期）

Ñ争议点。注意：不评价会议质量，只记录内容。」

一个2小时的科室会议，从录音到待办事项分发给每个人，AI能在15分钟内完成。

60.4.2 病历质控自查工作流

这个工作流对住院医师和主治医师特别有价值：

[触发] 每周五17:00自动执行v

0 [步骤1] 从HIS/电子病历系统导出本周已完成的病历（或手动选择5份）

v

0 [步骤2] AI按质控Checklist逐项检查：

• 主诉与现病史是否完整？
• 诊断是否包含ICD编码？
• 辅助检查结果是否被引用？
• 手术记录是否包含术中出血量？
• 出院医嘱是否包含用药+复查+康复？

v

0 [步骤3] AI生成质控报告：通过项/不通过项/改进建议v

0 [步骤4] 自动发送给主治医师审核重要安全提示：在此工作流中，病历数据必须严格控制在院内网络内。不要将患者病历上传到公共AI平台。 使用本地部署的AI模型，或至少确保数据在传输过程中经过脱敏处理。（详见第61章）

60.4.3 科研进度跟踪看板

对于有在研课题的医生：

[数据源] s t t 课题组飞书/钉钉文档（进展汇报）

s t t 伦理审批系统状态s t t 受试者入组数据（REDCap/EDC系统）

k t t 经费使用记录v

0 [AI每周汇总] → 生成「课题周报」

v

0 [看板自动更新] → 红黄绿灯标记各节点进度看板示例：

课题 伦理审批 入组进度 数据采集 论文撰写 状态新型椎弓根螺钉临床试验 ✅通过85/120（71%）进行中 未开始 ❌骨质疏松骨折注册研究✅通过320/500 （64%） w滞后文献综述中 ⚠️

60.5 从简单到复杂：工作流进化路线

60.5.1 不要一开始就做大而全

很多医生看到上面这些工作流，第一反应是「好复杂，算了」。这是一个陷阱。

正确策略：一次只搭建一个工作流，跑顺了再加下一个。

推荐的搭建路径：

第1个月：每日文献简报（最核心，有了它就是信息优势）

v

0第2个月：加上会议纪要自动整理（开会效率翻倍）

v

0第3个月：加上病历质控自查（质量提升，减少返工）

v

0第4个月：评估前三个的效果，剪掉没用的，深化好用的

60.5.2 工作流的「修剪原则」

很多人搭建了工作流之后就再也不管了。这是错误的。一个好的工作流需要定期修剪：

检查问题 行动某个工作流过去一个月你从来没打开看过？ 删掉它。它只是占用了你的自动化配额日报里的文献平均评分越来越低？收紧筛选关键词AI生成的一句话总结质量下降？更新Prompt，加入你手打的示例一个工作流需要你频繁手动干预才能跑通？

要么修好它，要么关掉它——自动化不自动不如手动作

60.6 对医生的启示

启示一：时间投资的时间回报

搭建第一个工作流大概需要一个下午（3-4小时）。但一旦搭建完成，它每天为你节省的时间是：

工作流 每天节省时间 年化收益文献简报 30分钟 × 250个工作日 ~125小时/年会议纪要 1小时 × 每两周1次 ~26小时/年病历质控 20分钟 × 每周1次 ~17小时/年一个下午换一年125小时。这是任何手术技巧都比不上的ROI。

启示二：AI的最强能力是「持续性」

医生的核心竞争力之一是判断力——在关键时刻做正确决策。但AI在这件事上不是对手。

AI最强的能力是持续性——它不会累，不会忘，不会因为昨晚值夜班而跳过今天的文献检索。

让AI做擅长的事（持续、重复、不遗漏），你去做擅长的事（判断、决策、人文关怀）。

启示三：从「会用AI」到「用AI建立了系统」

会用AI的医生很多——打开ChatGPT问一个问题，谁都会。用AI建立了系统的医生，才真正拉开了差距。

差距不是「你会不会用AI」，而是「你有没有让AI为你24小时工作」。

60.7 本章小结

4步：PubMed获取 → :AI筛选 → :AI总结 → :日报推送；入门用PubMed RSS +Make + ChatGPT其他工作流 会议纪要（录音 → :转写 → :摘要 → :待办）、病历质控（自动检查后生成报告）、科研看板（进度汇总）

工具选择 入门档（Make免费版+ChatGPT，零编程） → : 标准档（Make付费版+Claude API） → : 专业档（n8n+本地部署）

进化路线 先搭一个（文献简报），跑顺后逐步加；定期修剪废弃的工作流关键认知 AI最强能力是持续性；一个下午的投资换一年125小时

60.8 延伸思考

回顾你过去一个月的日常工作，有哪些任务是「每天/每周都在做」、「信息源固定」、「产出格式固定」的？这些任务中哪一个最适合自动化？

如果你的医院对使用外部AI工具有政策限制，你如何在合规的前提下享受工作流自动化的好处？（提示：参考第61章关于本地部署的讨论）

有人说「AI工作流会让医生变懒」

——你同意吗？一个能让医生每天多看5篇最新文献的系统，是让医生「变懒」了还是「变强」了？

本章初稿，待浩哥审阅。

第61章 安全、隐私与合规：医生使用AI的

底线

引子：一个真实的「翻车」案例

2023年，韩国三星电子发生了一起轰动科技界的事件：员工将公司机密源代码输入ChatGPT请求优化，结果这些数据被发送到了OpenAI位于美国的服务器。三星在事后紧急禁止员工使用ChatGPT，并开始自研内部AI工具。

医疗领域比三星更敏感。三星泄露的是代码，你泄露的是患者的生命数据——姓名、身份证号、病史、基因信息、影像资料。

但这不是说「别用AI」。恰恰相反——正因为医疗数据如此敏感，医生才更需要了解怎么安全地用AI。

这不是「用或不用」的选择题。AI在医生群体中的渗透率正在以肉眼可见的速度增长。真正的问题是：你知道边界在哪里吗？

61.1 医疗AI的三大安全风险

61.1.1 风险一：数据泄露

——最常见的「事故」

这是最普遍、也是最容易防范的风险。

数据泄露的三个典型场景：

数据可能被第三方访问（即使是OpenAI/Anthropic，它们的隐私政策也在不断变化）

如果涉及外国人/港澳台患者的数据，可能触发跨境数据传输法规

61.1.2 风险二：偏见放大

——AI正在悄悄地「学习」你的偏见医疗AI模型是在历史数据上训练的。如果历史数据本身就存在偏见，AI会把这种偏见系统化放大。

医疗领域的偏见案例：

偏见类型 实际案例人群偏见某皮肤病AI对深色皮肤的识别准确率显著低于浅色皮肤——因为训练数据中深色皮肤样本不足性别偏见心血管疾病诊断AI更容易漏诊女性患者——因为历史上的心血管研究以男性为研究对象偏见类型 实际案例地域偏见某AI阅片工具在欧美医院表现优异，在非洲医院准确率大幅下降——因为训练数据以欧美人种为主科室偏见 骨科AI对青壮年患者效果好，对老年骨质疏松患者效果差——样本不均衡

61.1.3 风险三：对抗攻击

——专门「骗」AI的技术这是目前最前沿的安全威胁，医生需要了解但不恐慌。

对抗攻击的核心逻辑：通过在输入数据中叠加肉眼不可见的微小扰动，使AI输出完全错误的结果。

在医疗中的潜在威胁：

在一张正常的胸部CT上叠加对抗噪声，AI将其识别为「结节」

在病历文本中插入特定词汇序列，AI输出错误的诊断建议操纵可穿戴设备的数据输入，AI给出误导性的健康预警目前对抗攻击在临床中的实际发生率极低，更多是学术界的研究课题。但随着AI在医疗中的深入应用，这种攻击方式的威胁只会增加不会减少。

61.2 患者隐私保护的三大框架

61.2.1 全球三大隐私保护法规

框架 地区 核心原则 对医生使用AI的影响HIPAA美国受保护健康信息（PHI）的最小必要原则美国医生使用AI必须确保vendor签署BA协议GDPR 欧盟数据主体的知情权、删除权、可携带权涉及欧盟患者数据时，额外的同意和数据处理限制《个人信息保护法》中国告知-同意；最小必要；单独同意（敏感信息）

医疗健康信息属于敏感个人信息，处理和出境有严格限制

61.2.2 中国《个人信息保护法》下的医生AI使用指南

在中国，医生使用AI处理患者数据时，必须关注以下几个要点：

要点一：医疗健康信息是「敏感个人信息」

《个人信息保护法》第28条明确规定：医疗健康信息属于敏感个人信息，只有在具有特定目的和充分必要性的情形下，处理者方可处理。

这意味着：如果你只是「想试试这个AI好不好用」，然后把一份病历扔进去——你不应该这样做。只有在你确实需要AI辅助临床决策，且经过患者同意（或符合法定例外），才可以使用。

要点二：去标识化 → º 匿名化这是最常见的一个误区。

原只有经过故意扰动和泛化的聚合统计数据假名化（Pseudonymization）

将标识符替换为代号w 可能（持有对照表的人可以还原）

「患者P-2026-0703-01」

——在院内系统中可以对应回具体患者

要点三：数据出境——最容易踩的线中国医生使用海外AI服务（ChatGPT、Claude、Gemini等）时，患者数据存在实际出境的情况——因为数据需要发送到位于海外的服务器进行处理。

2024年国家网信办发布的《促进和规范数据跨境流动规定》虽然没有明确禁止医疗数据的跨境传输，但规则要求：

涉及敏感个人信息出境的，需通过国家网信部门组织的安全评估，或与境外接收方订立标准合同个人作为数据主体的知情同意，不能替代安全评估

这对医生的实际影响：不要将包含任何可识别患者信息的数据输入给境外AI工具。

61.3 本地部署 vs 云端部署

这是医院和医生面临的核心技术选择。

61.3.1 三种部署模式对比

能需要等保认证 ⚠️ 合规范围可控适用场景大型三甲医院、对数据安全要求极高的场景个体诊所、小型医疗机构、科研用途中型医院——平衡安全与成本

61.3.2 医院选型建议

如果你是三甲医院的信息科负责人： → 推荐混合部署。病历分析、影像辅助诊断等核心临床场景用本地部署，医学科研文献分析、管理报告生成等非临床场景可以用云端工具。

如果你是独立执业医生/小诊所： → 云端部署是现实选择，但必须遵守数据清洗原则：做临床决策辅助时，仅输入必要的去标识化信息（症状、检查结果），绝不输入任何可追踪到具体患者的信息。

61.3.3 开源本地模型的崛起

过去，本地部署意味着高昂成本。但2024-2025年，开源模型的进步正在改变这个局面：

模型 参数 优势 适用场景Llama 38B/70B/405B Meta发布，医疗数据微调社区活跃病历质控、科研文献分析Qwen-通义千问 7B/72B中文能力强，阿里系生态中文病历理解、医患沟通脚本DeepSeek67B/671B极高性价比，中文能力优异综合医疗场景，成本敏感型Meditron7B/70B专门用医学数据微调的Llama变体临床决策支持、知识问答这些开源模型可以在医院内部的GPU服务器上运行，完全不需要网络连接。虽然它们的综合能力可能略逊于GPT-4，但在数据安全要求第一的场景中，它们是比云端方案更好的选择。

61.4 医生使用AI的10条安全自查清单

在每次使用AI处理临床相关事务前，花30秒逐条检查：

自查项 绿灯54 红灯5R

1 是否包含患者姓名？ 不包含 包含2 是否包含身份证号/住院号/医保号？不包含 包含3 是否包含具体的就诊日期+科室+疾病组合？

已泛化处理（只说「近期」「某院」） 精确到某一天4 是否涉及罕见病的独立个案？ 已泛化处理 保留了稀有特征5 是否使用经过医院IT审核批准的AI工具？ 是，或正在走流程 随便从网上下载的6 患者是否知情并同意（如涉及临床决策支持）？ 是/不适用（仅学习） 否，且用于实际决策7 AI的建议是否经过你本人的专业判断审核？ 是的，我审过 直接采纳未审核8 使用的AI服务是否在中国境内有数据处理节点？

是（如通义千问、文心一言）

境外且处理敏感信息9 是否在公共WiFi环境下使用AI处理医疗信息？ 否，使用医院内网或VPN是10是否记录了AI辅助决策的过程（用于医疗纠纷追责）？ 是，已记录在病历中 否

61.5 国内法规现状速览

61.5.1 当前有效的关键法规

法规 生效时间 与医生使用AI最相关的内容《个人信息保护法》：

1. 11医疗健康信息为敏感个人信息；处理需单独同意；出境需安全评估《数据安全法》
2. 09国家核心数据实行严格保护；重要数据出境需安全评估《生成式人工智能服务管理暂行办法》
3. 08首部针对生成式AI的专项法规；要求服务提供者承担信息内容生产者责任《医疗卫生机构网络安全管理办法》
4. 08要求医院建立数据分类分级制度；对核心数据实施重点保护《健康医疗大数据安全有关标准》 持续更新 去标识化指南、数据分类分级指南等

61.5.2 一个重要的法律盲区

截至2026年初，中国尚未出台专门针对「AI辅助临床决策责任归属」的法规。换句话说：

如果AI给了你错误的建议，你照做了，患者出了问题——责任在你，不在AI。

这个原则在现行《民法典》关于医疗损害责任的规定下也是成立的。AI在法律上不是「责任主体」，它是一个工具。你使用工具造成的后果，由你承担。

这引出了一个核心命题：技术越强，使用者的责任越大。 不是反过来的。

61.6 对医生的启示

启示一：安全不是技术的对立面

有一种流行的说法：「为了安全，我们不要用AI。」这是因噎废食。

真正的安全思维是：知道规则，在规则内使用。 就像你知道手术必须做术前核查——不是因为有核查制度你就不做手术了，而是你学会了在核查制度下安全地做手术。

启示二：一次泄露可能毁掉你使用AI的权利

三甲医院采购一个AI系统花了几百万，一个医生因为疏忽把含患者身份的病历发给了公共AI被上级发现——轻则批评教育，重则整个科室被禁止使用AI工具。

你的安全习惯影响的不仅是你自己，还影响你身边所有同事使用AI的通道。

启示三：合规不是「加分项」，是「入场券」

在医疗领域，AI工具就像一种新药——有效还不够，必须安全且有效。不能证明安全的AI工具，即使效果再好，也无法进入临床。同样，不会安全使用AI的医生，能力再强，也很难在未来的医疗体系中发挥AI的全部价值。

61.7 本章小结

隐私保护框架 HIPAA（美国）+ GDPR（欧盟）+ 「个保法」（中国）；医疗信息=敏感个人信息去标识化 → º匿名化 去掉姓名不等于匿名；通过时间+疾病+机构关联可重识别患者

法规现状 国内有生成式AI管理暂行办法，但AI临床决策责任归属尚无专门法规关键认知 安全不是「用不用AI」的问题，是「怎么安全地用」的问题

61.8 延伸思考

如果把一份「去掉了姓名和住院号，但保留了罕见疾病+手术日期」的病历输入给AI——你认为这安全吗？为什么？

你们医院目前有规定医生使用AI工具的规章制度吗？如果没有，你觉得应该包含哪些内容？

「AI辅助诊断的结果如果出错，责任归使用AI的医生」

——你认为这个原则公平吗？从患者权益保护的角度，你支持这个原则还是反对？

本章初稿，待浩哥审阅。