瞅着那些数据确实是相当扎眼，某些地方的患者外流率甚至能够一路冲到40%以上去。
大夫们累得半死，病人却觉得自己没被很好地给接住，一转头就跑去大城市看病了。
这个时候要是有人提出运用AI，说它能够读片、能够书写病历、并且还能够对文献进行查阅。
听着是很美好，但真正落到业务系统里面去，你就会发觉它就像个站在门口的聪明实习生，话虽然挺多，但就是进不了屋。
说到底，它缺少了最为核心的东西，也就是所谓的结构化数据。
要是没有这个底座作为支撑，AI仅仅是个高级外挂罢了。
它能够告诉你某个结节有点像恶性，但它并不清楚这个患者在你们医院的既往病史究竟是什么，并且也不晓得他上次开的药有没有给吃完。
它给出的建议悬在半空当中，大夫还需要花费时间去开展核实工作、去把信息缺口给填补起来。
结果怎样呢？这样一来工作流程反而变得更为复杂了。
本来三句话就能问明白的事情，如今却得对着屏幕跟AI确认大半天。
这种“伪智能”在实验室里面跑得再欢快，到了真实的诊室当中也是会哑火的。
医疗可不是写代码，改个bug重新跑一遍就行，这里要是有一个诊断建议出错了，背后可是一条活生生的人命。
所以别指望AI一上线就能颠覆些什么，它必须得先在具体的、琐碎的、甚至有点枯燥的业务环节里面，把脚给站稳了才行。
我们尝试过把重心从“辅助诊断”挪动到“复诊提醒”上面来。
这事儿听起来不怎么性感，甚至还有点土气。
但是效果却出人意料。只要话术设计得稍微像个人样，别冷冰冰地发送通知，大概会有30%的患者愿意回来开展复诊工作。
这并非什么技术上的突破，这是对于人性的洞察。
患者需要的并不是一个冰冷的机器告知他“该复查了”，而是一个让他觉得被惦记的理由。
凭借慢病管理和复诊SOP（标准作业程序）真正接住了原来那些流失掉的人，变化就随之发生了。
患者的平均到诊次数，从1次慢慢地爬升到了3.2次。
这多出来的2.2次，就是医院实实在在的收入，同时也是患者健康管理的闭环。
AI在这里所扮演的角色，并不是替大夫做出决定，而是借助它来帮助大夫把零散的、躺在纸堆里面的资料，变成结构化的知识体系。
它负责开展分类工作、建立索引、管理版本，把那些容易被遗忘的细节给捡起来，递交给大夫。
但要记住，它没法替你决定哪些知识值得保留，哪些流程需要开展优化工作。
这种判断力，永远都掌握在人的手里。
很多医院搞数字化建设，喜欢追求大而全，想要一口吃成个胖子。
结果系统上了几十个，数据孤岛立了一大片出来，大夫们怨声载道。
不如换个思路，从一个极小的场景切入进去。
比如就抓复诊，或者就抓某一种慢病的随访工作。
先把这个点跑通，让数据流动起来，让大夫尝到甜头，然后再慢慢地往外面扩。
风什么时候会来，没人能够知道。但是你可以先把船修好，把帆挂起来，等着风来。
别总是想着AI能够解决所有的问题。它仅仅是个工具，而且是个挑数据的工具。
你给它的是一堆乱麻，它还给你的同样是一堆乱麻，只不过包装得更为漂亮了点罢了。
只有当你把业务流程给理顺了，把数据结构化了，它才能真正成为你的副驾驶，而不是那个在旁边指手画脚的旁观者。
现在回过头来看，那些真正用起来顺手的AI功能，都不是什么高大上的黑科技，而是嵌在具体工作流里面的小钉子。
它并不显眼，但是能把松动的环节给钉牢。
以上，既然看到这里了，不妨想一想，你手头有没有哪个环节，是虽然小，但一直让你觉得“要是能自动就好了”的？
从那里开始，也许比盯着大模型发呆更有用处。
