最近，不少知名医院都在做同一件事：为自家医生打造一款专用的AI聊天工具，功能高度聚焦于患者电子病历查询和总结，操作方式很像日常用的ChatGPT，但数据来源严格限定在本院系统内部。

先来看医生日常的真实痛点。宾夕法尼亚大学医学院（Penn Medicine）的心脏病专家，每次接诊前，他们往往需要提前花大量时间翻病历：搞清楚患者此次就诊的原因、既往史、化验结果、影像报告、转诊资料....,这些信息散落在电子病历系统的不同页面、不同模块里，来回切换、逐一查找，极其耗时。

正因如此，Penn Medicine在2026年1月初正式推出了名为Chart Hero（病历英雄）的工具。医生无需再层层点开页面，只需像聊天一样输入问题，AI就能快速提取关键信息、生成结构化总结，大幅缩短准备时间。目前已有约70位来自不同科室的医生参与测试。

Stanford Medicine走得更早。2025年，他们就上线了ChatEHR，直接深度集成到医院的Epic电子病历系统。截至2026年初，已有约1450名符合条件的医护人员（总计约7000人）开始使用。

除了这两家，比利时布鲁塞尔圣吕克大学医院、美国杜克大学医疗中心、费城儿童医院等也已部署或正在开发类似内部工具。

很多人会问：市面上不是已经有各种商用AI大模型和医疗专用工具了吗？为什么这些顶级医院还要从零开始自己造呢？

答案其实很现实，主要有以下几点核心原因：

1. 避免“工具爆炸”带来的管理负担

Stanford首席数据科学家Nigam Shah直言，他们医院已经运行着大约1500个IT系统，再引入一个外部工具，就意味着又要处理对接、权限、更新、安全审计等一堆问题。“每个新工具都想让我们跟着它的商业节奏走，太离谱了。”自己开发，才能真正把控主动权，不被外部厂商的商业目标牵制。

2. 更精准适配本院独特需求

每家医院的诊疗流程、特殊规定、收费谈判逻辑都不完全一样。外部工具很难覆盖这些“定制化”场景。比如Stanford有一条内部规定：判断哪些手术患者在住院期间需要内科医生联合管理，ChatEHR可以批量自动筛选符合条件的患者，而商用工具基本做不到类似精细规则。再比如与保险公司谈判费用时，需要快速总结患者治疗必要性，内部工具也能更精准响应。

3. 数据安全与隐私控制更可信

病历数据高度敏感，外部工具哪怕承诺HIPAA合规，医院仍担心数据外流、潜在泄露风险。内部开发的数据不出院内，安全边界更容易掌控。

4. 迭代速度更快，反馈闭环更短

本院团队最懂自家医生的痛点和使用习惯。医生反馈一个功能不顺手，开发团队能迅速调整。未来这些工具还可能演变为全流程智能助手：提前预读病历、辅助记录、自动生成编码、提醒随访等。

当然，自己做也有明显门槛。小型医院或资源有限的机构很难负担得起。Stanford的ChatEHR，光原型就用了3个全职员工4个月时间，后续测试又花3-4个月，现在还需要持续维护，背后更有900人IT团队、医生、研究人员支撑。

对此，Shah的看法是：就像当年发明心脏移植技术后教会全世界一样，资源充裕的大机构可以先把工具做成熟、把模式跑通，再开源方法或提供指导，让更多医院低成本跟进，总比大家都去买第三方工具更经济。

但也有人持不同意见。比如加州萨特医疗的首席AI官认为，自建成本太高、维护太重，大多数医院最终还是会选择等电子病历厂商（如Epic、Cerner）把这类“病历聊天”功能做成标配，直接内置进去，就像现在的收件箱、自动摘要功能一样。

至于准确性问题，医院也在认真面对。Stanford曾用自研的VeriFact工具逐条比对ChatEHR生成的总结与原始病历，发现在早期试点中，每份总结平均有约2.49处“无证据支持”的表述（其中0.74处完全虚构，1.75处信息偏差，如时序错乱、责任主体混淆、数值或术语错误）。经过优化后错误有所下降，但仍未完全消除。

Penn Medicine的Chart Hero则在每条结论后都标注“来源引用”，点击即可跳转到原始病历具体位置，极大提升可信度与可追溯性。

尽管存在幻觉（hallucination）等生成式AI的固有问题，这些工具已实实在在帮到医生：临时加诊时快速熟悉陌生患者、住院查“谁插的导尿管”、影像科医生看片前了解检查指征，效率提升非常明显。

但一个更深层的问题摆在所有人面前：

到底要达到什么样的准确率和可信度，才能让医生放心大胆地“依赖”AI总结，而不必逐字核对？这不仅是Chart Hero或ChatEHR的挑战，而是整个医疗生成式AI必须面对的终极难题。目前来看，大医院选择自己动手的逻辑非常清晰：与其被动接受外部工具，不如主动塑造最适合自己的那一个。而这场自研还是买现成的选择题，恐怕还会持续演变一段时间。