数字化时代,患者需要有效的诊疗方案,也需要便捷的就医体验。在新院区建设中,天坛医院选择新华三ICT融合解决方案,以更加可靠和创新的数字化平台支持智慧医疗应用,让患者的就医流程更智能,更便捷。
始建于1956年的首都医科大学附属北京天坛医院,面对日益增长的医疗服务需求,通过一场搬迁和重建开启了全新的发展阶段。在业务规模拓展与医疗体系改革共同衍生出的内部业务需求,以及数字化技术创新所造就的外部环境变革,正在让天坛医疗面临一场数字化转型的挑战与机遇。
作为一所集医、教、研、防为一体的三级甲等综合性医院、世界三大神经外科研究中心之一,天坛医院新院区的建设从一开始就希望能满足新时代智慧医疗的需求。因此,天坛医院与紫光旗下新华三集团(以下简称“新华三”)携手,通过ICT融合解决方案,实现了从预约挂号到求医问诊的全流程智能化变革,为医院打造了坚实完备的医疗信息化基础架构。
数字化平台助力医疗业务稳定运行
对于医院的信息系统架构而言,其上承载的业务、应用和数据关乎患者的生命健康和医院的稳健运行,因此保障系统平稳运行是医疗机构创新IT架构的首选。而移动医疗、精准医疗等新兴概念的落地和实施,又要求医疗信息架构的转型升级。
作为数字化解决方案领导者,新华三在医疗行业拥有丰富的项目部署案例,推出了一系列适用于不同应用场景的产品技术和解决方案。在网络层面,新华三帮助天坛医院创新性地设计了设备网、办公网和医疗网三张独立网络,依靠千兆、万兆级高性能的设备、一体化的运维管理和创新的无线网络,既保证了网络的畅通和传输效率,同时也大大减少了天坛医院的网络运维压力。
此外,新华三ADCampus通过软件定义构建了新一代柔性园区基础网络,实现了对于园区网络的有效管控、运维简化;而iMC部署则可以保障网络安全,简化管理——两者的融合有效解决了终端接入与网络安全防护之间的矛盾,为满足未来三到五年甚至更长时间的需求奠定基础。
在核心数据处理系统建设层面,新华三通过“两地三中心”的分布式架构,为天坛医院数据的高效长期保存和自动化归档提供了安全可靠的技术支持,确保业务的连续性。“双活”数据中心可以有效防止突发状况影响医疗业务进行,提高容灾能力;同时,高性能存储和多级数据保护设计,可有效保护医疗数据安全。
高效数据平台 提升医疗业务服务质量
如今,在天坛医院的门诊楼内,患者可以借助全新部署的自主服务系统实现从挂号、取号到候诊、缴费、打印检查报告等全流程自助服务,免去了长时间的排队等待。同时天坛医院也在新院区内引入了移动支付、室内导航等一系列全新的服务应用,初次来到新院区的患者,靠一部手机就能在医院内畅行无阻,实现了真正智能化的就诊体验。而在全流程自助服务的背后,新华三从网络创新、数据处理和安全保障等多个维度为天坛医院打造的一体化、融合式的数字平台,成为承载天坛医院智慧医疗应用的可靠保证。
目前,借助人工智能、大数据分析、物联网等前沿技术,新华三不仅依靠信息化实现了医疗业务的应用创新,更建设起临床大数据系统、医疗信息集成平台、远程医疗影像平台、数字化手术室和物联网系统等全新数字化平台。同时,基于集成AI加速技术的英特尔至强可扩展平台,以及英特尔傲腾持久内存等其他数据中心创新软硬件技术,新华三所提供的数字化平台能够在数据生命周期全阶段为医方提供数据处理和分析,以及人工智能等解决方案,帮助医院通过更高效地发掘数据价值以获得最佳的医疗业务保障与服务水平。
此外,该平台还为医院的经营分析、安防监控、楼宇自控、后勤管理等提供了更高效的工具。同时,网络架构的重塑和无线网络的部署,也为天坛医院移动医护、心电监护、体征监护等应用开发创造了可靠平台。
目前,经过与新华三的协力创新,天坛医院新院区在无缝承接老院区业务系统和数据的基础上,托举起10倍于老院区的日常门诊量,更可满足未来5年日益增长的业务压力。新华三为天坛医院统一交付的ICT融合解决方案,为医院未来的智慧化发展留下充足的创新空间,被视为是全国范围内智慧医院和服务型医院的最佳样板。未来,新华三将继续为全国智慧医院建设提供更加优质的产品和解决方案,助力智慧医疗迈入新的发展阶段。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。