临床数学模型评分规则 · 阈值校准 · 专属预后
面向临床预测场景的模型与算法——强定制
专病模型聚焦单一疾病或单类临床场景，围绕筛查、诊断、分型、预后、治疗、随访全流程中的一个或多个特定问题，构建专门的算法模型体系。
技术路径并不局限于大模型微调
传统临床数学模型是专病模型更早、更成熟的主流形态；两类路线的复用边界不同，但在系统落地、本地适配和流程嵌入上都需要定制。
数学模型
通用评分规则高度标准化，但系统落地和本地化阈值调整需要定制；机构自研的专属预后模型则属于全定制。
- 可复用
- 成熟评分规则与建模方法
- 需定制
- 系统接入、本地阈值与专属因子
大模型
底座能力可复用，但专病知识注入、场景任务微调、流程对接都需要定制；纯通用医疗大模型不算严格意义上的专病模型，专科深度不足以支撑临床决策。
- 可复用
- 底座能力与通用语言理解
- 需定制
- 专病知识、任务能力与诊疗流程
专病模型没有完全通用的产品
医疗场景的高度异质性决定了专病模型天然无法做到“一款产品通吃所有医院”，但可以在成熟方法和既有能力基础上进行定制。
数据标准异构
不同医院的 HIS、EMR、PACS 数据结构、字段定义、编码标准、检验项目名称和参考值范围差异极大，通用模型无法直接适配。
人群与诊疗差异
不同地区、不同级别医院的患者基线特征、并发症谱和治疗习惯差异显著，单中心模型跨院使用时容易出现“外部有效性不足”。
业务流程差异
三甲医院与社区医院、门诊与住院及体检场景的流程节点不同，模型的触发时机、输出内容和交互方式都需要匹配对应流程。
监管合规约束
获得三类医疗器械证的医疗 AI 产品具有明确的适用场景、适用设备和适用人群范围，新机构使用必须完成本地化验证。
从数据进入医院，到能力融入临床
定制不只是训练一个模型，而是把数据、模型、流程和场景组织成一套能够被医生持续使用的系统能力。
数据接入与治理
对接医院现有系统、清洗本地数据、统一字段标准，这是所有落地项目的必经环节。
本地化模型适配
用医院本地专病数据进行轻量化微调和校准，提升模型在本地人群上的性能；小样本场景下，几十到上百例数据即可完成适配。
业务流程嵌入
匹配医院诊疗路径，确定模型的触发节点、输出位置和交互方式，确保无缝融入医生工作站。
场景化功能定制
同样是糖尿病专病模型，门诊侧重风险筛查，病房侧重并发症管理，院外侧重随访干预。
卫软已在电生理领域沉淀丰富的模型开发经验
卫软已在电生理领域拥有丰富的模型开发经验，如心衰风险预测模型和冠心病风险预测模型，从数据预处理、特征构建和模型因子选择沉淀了多套方案。用户仅需提供训练集、验证集和测试集数据，即可完成主流模型的构建，并根据模型能力开发专用模型。
主流模型
LightGBMXGBoost随机森林逻辑回归决策树
评估指标
准确率灵敏度特异度ROC-AUCPR-AUCF1 分数
模型评估结果示例
ROC 曲线用于展示模型区分能力
合作网络围绕临床问题、模型研究与工程化落地展开
南京医科大学
围绕医学智能算法与临床研究协作。
复旦大学
围绕模型研究与数据分析能力协作。
华中科技大学
围绕工程化方法与系统能力协作。
天津中医药大学
围绕专科研究与多学科场景协作。