作者：医疗行业用AI，最先想清楚的不是能做什么，而是哪些事坚决不能碰。这个顺序反着来，项目往往做得越快，栽得越狠。我们服务医疗类客户这些年攒下的经验是：医疗AI合规这条线划清楚之后，能放心做的场景其实不少，收益也不比“AI看病”那种想象差。
红线区：诊断、处方、剂量，一步都别让
先说死规矩。AI辅助诊断软件在国内按医疗器械管理，做诊断决策的算法需要注册证——证是厂商的事，但医疗机构拿没有证的软件往诊断上用，责任跑不掉。处方更没有讨论空间：AI可以提示药物相互作用、核查配伍禁忌，但开不开、开多少，必须医师签字，剂量计算同理。科研这条线也别顺手上：拿病例数据用AI做研究，老老实实走伦理审查，别图省事。还有一类灰色地带要小心：面向公众的健康咨询。做科普可以，一旦往“对号入座式”的回答滑——用户描述症状，机器人给出病名——性质就变了。科普和问诊之间那条线，要在产品设计阶段就画出来，不能靠事后补救。
一句话总结给管理层：AI可以递纸条，不能拿笔。所有立项想法先过这道筛子，筛不过去的，再诱人也别做。
能做的：把医生护士从事务里捞出来
筛完之后，剩下的空间比想象中大。
预问诊是性价比最高的一个：患者到院前把主诉、病史、过敏史结构化收集好，医生接诊时省下的十分钟是真金白银。患者的填答是口语化的，“心口发闷”要能对上“胸闷”这类表述，这恰恰是模型比表单强的地方；和挂号系统的接口是主要工作量，要提前排期。
报告解读辅助也有需求，但边界要卡死——是“把已有结论翻译成患者能听懂的话”，不是对结果做判断。随访自动化适合慢病和术后管理：术后第3天、第7天、第30天的问卷自动发，异常回复标红转给个案管理师，漏访率能压下来一大截。院内知识问答最不起眼也最稳：制度、流程、药品目录，员工随时问，见过的案例里这几乎是投诉最少、使用率最高的一类，搭法参考企业AI知识库方案。知识来源必须是权威材料——说明书、诊疗规范、院内制度，每条可追溯，上线后每月看一遍“没答上来的问题”，缺什么补什么。
这些场景的共同点：不碰诊断决策，只做信息搬运、整理和提醒。
患者服务的分寸：话术比算法重要
患者端机器人出事，十有八九不是技术问题，是话术问题。“你这个情况可能是XX”这类回复是雷，“建议尽快到院由医生判断”是安全线。我们的做法是话术库由有医疗背景的人逐条审，规则里禁止模型输出确定性结论，再留一条一键转人工的通道。
还有一个容易被忽略的点：老年患者打字费劲，语音输入和播报不是锦上添花，是能不能用起来的分水岭。话术评审也别一次性做完就束之高阁：知识库更新、政策变化、季节性疾病高峰，都是话术要重新过一遍的触发点，把这个动作排进运营日历。
数据与采购：两条硬要求
病历和健康数据是敏感个人信息里的敏感部分：收集要单独同意，交给第三方AI服务处理要看清数据流向和合同条款——不少公有云服务默认保留日志，签约时把“用于模型训练”明确排除掉；稳妥的路径是私有化部署或至少专属实例隔离。采购合同里把数据归属、脱敏义务和删除义务写成明确条款，别接受“原则上”三个字。连出院随访短信里的姓名和手机号，也该过一遍脱敏。验收环节别只听厂商演示：拿脱敏后的真实历史数据跑一轮，看它对本院的说法和流程熟不熟——通用演示环境里样样都好，接了真实数据才见真章。
另外，上线不等于合规工作结束——话术、知识库、模型版本，都得有定期复核机制，建议每季度走一遍。整体场景怎么排布，可以看医疗行业AI解决方案。
这条线上的事，宁可慢半拍。拿不准的场景，可以先找上海玉雀信息科技有限公司做一轮合规评估再决定动不动手——电话18616880101，聊完不做，也没有损失。