上海交通大学医学院附属第九人民医院(以下简称“九院”),是一家拥有百年历史、学科特色鲜明、具备临床科技创新核心竞争力的国内知名三级甲等综合性医院。九院在推进“智慧医院”建设的过程中,走出了一条具有自己特色的道路,实践数字化转型创新。
数字化创新 打造“有温度”的就诊新服务
“有高度的基础上又有温度的数字化转型工作”,对于九院而言,强调以患者为中心,以满足百姓求医问诊需求为首要目标。基于这样的高度,九院开展推进自身的数字化转型建设,并确立和梳理解决患者诉求的优先级。“温度”一词,关注的是在患者就诊全过程中,如何借助IT手段实现对医疗服务能力和水平的整体提升,为患者构建一个有温度的就诊环境。
正是因为有了“温度”这个标准,九院在2021年年底针对“就医难、排队时间长、缺少人性化”等就诊服务痛点,开展了以“精准预约”、“智能预问诊”、“电子病历卡”、“核酸检测和疫苗接种”、“智慧急救”、“互联互通互认”以及“医疗付费一件事”为核心的便捷就医服务七大业务场景建设,并获得了上海市市级表彰。
借助信息技术手段改善就医服务、提升医疗水平,这些数字化转型中所取得的成绩,来源于九院多年来对信息技术的高度重视和投入。此外,在不断完善HIS、LIS、PACS等基本信息应用系统基础上,九院还积极推进包括结构化电子病历、移动护理、移动医生工作站等移动医疗建设。
科技战疫 构建“有感知”的云端诊疗新体验
在“防疫、抗疫的常态化”要求下,九院通过互联网医院模式,在分担了部分慢性病患者就诊压力的同时,也意识到一些疑难重症患者在这一特殊时期,面临着急切就诊的需求。九院在上海市首创构建了云端MDT空中诊室,实现了可为一位患者,四位家属,以及最多支持九位医疗专家共同在线进行多学科的会诊。云端空中诊室打破了就医流程时间、空间和效率的限制和边界,化解了疑难重症患者疫情期间急切就医的焦虑。
在防疫期间,九院通过建设“智慧发热隔离病房”,充分借助机器人平台集成智能穿戴设备,自动采集体温、心率、血氧饱和度等重要数据,实现了医护人员可借助手机、PDA远程查房,不间断实现远程监控。这一创新模式,极大降低了医护人员的感染机率,减少了防疫物资的消耗,缓减了隔离对象的焦虑心情,该项目被上海申康医院发展中心评为2021年度“医联工程优秀应用奖”。
智慧化新典范 焕新“有预见”的核心系统
面对智慧医疗场景的不断丰富,就诊患者对就医全过程的服务质量要求越来越高。网络平台,作为打造智慧医院的关键基础设施,其整体架构、性能以及管理运维方式均需要实现系统性的升级改造,才能为打造有高度、有温度的数字化转型保驾护航。
在浦东新院区建设之际,九院启动了网络基础平台升级改造工作,并对平台的建设目标提出了明确要求:整体平台要“有预见”,除了要满足当下医疗服务要求,还要具备胜任未来智慧医疗服务的承载能力。如何在架构、技术以及产品方案上,准确把握住目标中所提到的“未来”二字,成为网络平台建设能否成功的关键。
浪潮网络在方案制定过程中,紧密贴合九院对新院区网络建设的具体要求。为了胜任未来3到5年的业务发展,九院网络平台在核心区端口的带宽需要达到40G数据转发能力,整体网络应具备网络虚拟化、SDN等功能。同时,整体平台要确保在架构规划、设备管控、运维管理等诸多层面具备安全防护能力。
本次网络升级涵盖九院浦东新院区内网、外网建设,涉及有线和无线网络。在整个网络架构设计上,内网、外网均采用接入层、汇聚层以及核心层的三层架构。无线查房、无线护理和无线输液等移动应用在智慧医院领域的应用场景日趋普遍。浪潮网络的无线接入设备因具备内嵌智能频谱引擎特性,实现了在不降低客户端性能的情况下可进行全面的无线频谱分析,并将信息上传至无线控制器。这一技术特性不仅确保了整个无线网络高可用、高性能,同时也实现了无线网络的敏捷管控。为了确保九院的智慧医疗建设能够实现不断地迭代升级,浪潮网络通过提供一套涵盖数据中心、园区网以及设备网的完整网络升级解决方案,九院浦东新院区构建了具备弹性扩展、敏捷管控、安全可靠的网络基础平台。相信一个在架构、技术以及产品等方面,对智慧医院未来需求做好充分准备的网络基础平台,能够为九院的数字化、智慧化转型保驾护航。
聚焦“以患者为核心”,围绕就诊全过程,九院的数字化转型在牢牢契合患者需求的基础上,打造了一套“有温度、有感知、有预见”的医疗服务系统。在疫情期间,九院更是充分发挥“云端应用”优势,打破疫情藩篱,为老百姓提供了足不出户的有质感医疗服务。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。