北京大三甲的診室里，醫生打開工作站，跨院一鍵調出患者就診記錄、檢查報告、用藥歷史等信息；實驗室里，科研人員不用大海撈針尋找臨床試驗受試者，海量脫敏數據智能篩選，受試者也不用擔心找不到合適的醫院與入組的項目，臨床試驗招募匹配率近90%；城市決策中心，管理者通過智能“駕駛艙”實時掌握北京市醫療、醫保、醫藥動態數據，精準把握衛生健康領域運行脈搏，城市治理效率大幅提升；公共衛生領域，多源數據構建的預警系統，正為城市健康安全筑起“防火墻”。

北京市正悄然搭建一個“三醫協同”、城市數據治理的樣本。

而上述這些場景，正是醫渡科技構建的城市數據底座在實踐場景中日常的一幕。

它不是替代HIS系統的新系統，而是在復雜舊系統，多接口系統下搭建的“底座”——在各家醫院歷史采購的異構系統之間，搭了一座橋，修了條“高速公路”，讓數據流動起來，讓AI滲透進去。

5月，北京市委書記尹力現場調研醫渡科技，聽的就是這套東西。

這一方向亦獲得國家級層面的關注。近日，國家數據局局長劉烈宏帶隊在北京市開展數據市場建設專題調研，實地走訪醫渡科技，重點了解醫療健康數據資源開發利用、行業高質量數據集建設及人工智能應用落地等情況。

連續調研釋放出同一信號：北京在醫療數據治理與AI應用上的探索，正被視為行業高質量數據集建設和數據要素價值釋放的重要樣本。

調研之后發生了什么，外界知之甚少。直到我們專訪了醫渡科技聯合創始人、首席執行官徐濟銘，才拼湊出一個更完整的圖景：這不是一家AI醫療公司的產品故事，而是一座超級城市試圖用數據和智能重新組織醫療資源、賦能超大型城市國際科技創新中心建設、打造現代化醫藥健康產業高地貢獻智慧和力量的系統工程。

通過拆解智能數據底座賦能下的北京樣本，我們試圖解答一個更根本的問題：當一座城市決定用數據和智能重新組織醫療資源，它可以得到什么？

北京不是一個“好做”的市場，但恰恰是最值得做的樣本

最難落地的地方，往往最能驗證系統性解法的價值。北京與醫渡科技，是彼此“互選”的結果。

在外界看來，北京不是一個“好做”的市場，一家企業優先選擇北京，也不是一個常規選擇。

最終破局，源于對北京醫療及環境的深度了解，理解北京的“難”與北京的“好”。

北京這座城市的“難”源于城市治理的“復雜性”，表現于其多層級、多主體的管理格局：部屬、市屬、大學屬、軍隊屬四套醫院體系交織，系統對接與數據共享都需要跨越“行政歸屬和不同技術標準”的雙重鴻溝；同時，醫療信息的特殊性，要求監管工作必須統籌保障生命安全與維護數據安全，實現兩者有機統一。

更深層的壓力來自人口結構——全市2180萬常住人口中，60歲及以上老人已超過528萬，老齡化正以遠超供給速度的節奏推開醫保支付的非線性張力，而培養一名成熟醫生的長周期，根本追不上爆發式的診療需求。

此外，北京作為國家首都與政策創新高地，要求合作方不僅具備技術能力，更需深刻理解醫療體制改革邏輯，以及考量合作方在“三醫”協同發展目標上的一致性。

但也恰恰因為身處這樣的境地，北京的“好”才顯得格外清晰。

北京聚集著全國最密集的頂尖醫院、部委機構和政策研究力量，既有制定規則的站位優勢，又有打磨技術的最好臨床場景。更關鍵的是，政府層面展現出打破壁壘的強烈決心，市領導將數據底座作為“非常重要的事情”推動，協調部屬、大學、軍隊醫院，打破數據壁壘，每一步都在為醫療創新探路。

出于敬畏，面對北京這座城市，醫渡科技并未打無準備之仗。

“如果只是為了探索而探索、為了創新而創新，這個項目做不成?！毙鞚懡榻B，在系統打造北京數據底座前，醫渡科技已在全國數十家頭部醫院、多個國家級臨床研究中心以及醫科大學體系內積累了大量成熟合作案例。醫渡科技助力醫療機構打造的專病庫覆蓋90多個重大疾病領域，還聯合頭部專家、主委及院士共同出版了20余本疾病數據集，并在相關醫院與研究中心完成了標準化建設。

“先驗證、后推廣”的路徑，為北京這一高要求城市提供了可直接嫁接的能力基礎。

但市面供應商眾多，醫渡科技“贏”的基本素質在哪里？

“長期主義”，徐濟銘說，既然選擇醫療領域，不是“政策風口來了建個軍團，風口過了撤掉”，城市需要的不是“項目承包商”，是“長期共生伙伴”：數據底座不是一兩年的事，需要團隊“長期聚焦、同頻共振”。

長達12年深度聚焦醫療健康領域，醫渡科技在醫療、醫藥研發、健康管理及商業保險等高價值場景均有深厚業務積累，能夠提供“數據底座+智能底座”的融合支撐，這為雙方的相互選擇打下地基。

醫渡科技的北京實踐——一條“臟活累活”鋪就的城市級鏈路

對于醫渡科技來說，從數據治理到智能應用，從醫院到城市，從診療到治理，這不是業務板塊的堆砌，而是一個有機系統生長過程。

2014年醫渡科技醫療數據治理起家，“臟活累活”如今看來卻是一個正確起點。

聊起初心，徐濟銘說，一家公司要經歷“反共識”和“共識”階段，當同行做掛號平臺、影像AI等“快生意”時，醫渡科技選擇從數據清洗、標注、標準化入手。

早期，醫渡科技團隊內部對構建真正醫療AI能力做出系統判斷：掛號等鏈接服務雖有價值，但本質是互聯網基礎設施而非醫療屬性；影像識別等局部AI應用雖能快速落地，但極易引發同質化競爭、技術護城河淺、監管周期長、商業化體系復雜，更重要的是，局部數據僅覆蓋檢查檢驗這一小環節，無法解決醫療高質量發展的根本性問題。

回歸復雜系統本身，徐濟銘認為，醫療AI的真正挑戰在于兩個復雜系統的疊加，一是人體本身——從基因、蛋白、細胞到組織器官，再到生活習慣、菌群、免疫系統的動態演進，疾病機理尚未被完全解析，現有診療多為經驗驅動的對癥治療；二是醫療體系——診斷、治療、用藥、控費、指南、科研等環節構成的社會管理系統。唯有盡可能全面地采集多維度數據，才能逐步建立對疾病和醫療體系的數字孿生與建模能力，進而實現感知、預測、仿真與干預的閉環。這超越了當前大語言模型的概率預測范式，更接近“世界模型”的愿景——醫療AI的本質不是“醫療+AI”，而是需要全新的AI基礎技術來建模生命體本身的動態過程。

這一底層判斷，決定了醫渡科技過去十二年的發展路徑，也使其能夠在北京醫療健康數字化建設中，以長期合作伙伴的角色參與其中，持續提供數據治理、智能算法與場景應用支撐。

當然，這一切離不開各部門的重視及大力支持。在北京市衛生健康委的統籌推動下，北京圍繞“三醫”協同、醫療資源優化配置和城市健康治理，持續推進醫療數據治理與智能化應用建設。醫渡科技作為技術服務商，依托長期積累的數據治理、標準化處理、智能建模和醫療AI能力，為相關工作提供底層技術支撐，并在實踐中形成一個觀察超大城市醫療AI基礎設施建設的技術樣本。

在AI+臨床診療方面，醫渡科技創新性開發了醫生臨床助手Copilot，已落地北京協和醫院、北京大學腫瘤醫院、清華長庚醫院等多家重點三甲醫院，深度融入診前、診中、診后全流程。圍繞北京市推動跨機構數據共享、檢查檢驗結果互認和臨床服務效率提升等工作，醫渡科技的相關技術能力也支持在醫生工作站終端以輕量化方式接入數據共享與智能輔助能力，在不大規模改造醫院原有信息系統的前提下，幫助提升醫療數據調閱、病歷生成、診療信息整合等環節的效率，將頭部醫院打磨的智能應用通過共享助手向全市推廣，形成“頭部創新+廣域覆蓋”的模式。

6月，醫渡科技助力北京協和醫院打造的?？茖２I智能體矩陣，在國家人工智能應用中試基地階段性成果發布會上正式亮相。基于Dr.Copilot臨床助手平臺這一統一底座，雙方已落地可溯源病歷生成、循證治療方案推薦等核心智能體，將循證決策能力嵌入診療流程。值得一提的是，該平臺同時支持整合醫院自建及第三方專科智能體，形成“統一底座調度、多智能體協同”的開放臨床AI生態，進一步驗證了醫療AI從單點工具向系統化平臺躍遷的路徑。

在AI+臨床研究方面，醫渡科技圍繞臨床試驗可行性分析、患者智能篩選與招募、研究過程質量控制等場景，向藥企、醫院和研究機構提供技術與服務支撐。相關能力可幫助研究團隊更高效地識別潛在受試者、優化篩選路徑、提升質控效率，從而服務于中國藥物臨床試驗效率和質量提升。此前，醫渡科技已在拜耳、百濟、諾華等生物醫藥企業相關合作中積累了多項實踐經驗。

在AI+健康管理方面，在北京市相關部門推動下，居民健康服務正從單一就醫服務逐步延伸至連續健康管理。醫渡科技的技術能力可支持在政府官方服務入口和健康管理場景中，對居民授權范圍內的歷史診療記錄進行結構化整合，并進一步支撐健康分析、慢病管理、風險提示和個性化干預等應用探索，推動醫療服務從“被動診療”向“主動健康”延伸。同時，相關能力也可與普惠保險、商業健康險等場景結合，探索醫療數據在健康保障體系中的合規應用價值，醫渡科技已連續五年擔任“北京普惠健康?！敝鬟\營平臺。

在AI+城市治理方面，圍繞北京市衛生健康治理和“三醫”協同需求，醫渡科技提供的數據治理、指標體系建設、智能分析和決策支持能力，可服務于醫療資源監測、疾病風險預警、運行態勢分析和政策評估等場景。通過對數據質量、數據標準和數據可用性的持續提升，相關技術能力有助于支撐“數據治理—質量提升—場景應用—治理反饋”的閉環建設，為超大城市醫療健康治理提供更加精細化、智能化的技術底座。

在北京，針對“三醫”協同越來越多專家正形成一種共識：數據是推進“三醫”協同發展和治理的關鍵要素，以數據驅動“三醫”協同已成為趨勢。

醫渡科技自主研發的醫療智能底座YiduCore，通過構建“數據-算法-場景”的技術飛輪，已形成覆蓋數據治理、模型開發、場景落地的全棧式能力。這樣的技術能力，決定了醫渡科技在北京的定位，不是成果的單一創造者，而是以醫療數據治理和醫療AI能力為基礎，服務北京市衛生健康數字化建設的長期技術服務商。

北京經驗的復制與因地制宜

徐濟銘認為，外省學習北京經驗時，共性模式大于差異化，但“想做”和“有條件做”是兩碼事兒。

醫療本質是一致的，促進醫療質量均質化與高質量發展是所有地方的共同需求，疾病譜雖有地域差異，但核心診療邏輯是通用的，在頭部醫院訓練驗證的模型可直接部署到基層；與此同時城市治理邏輯相通，即實時監測、預測預警、科學決策，但經驗落地必須因地制宜。

能否順利復制，關鍵還要看政府意愿與協調能力。

此外，各地產業側重不同，有的注重康養、新藥研發、醫療器械，有的無明顯產業，需根據地方產業情況匹配數據要素價值轉化路徑。

在健康管理方面，各地醫聯體分級診療機構設置、人群分布及智能化設備覆蓋程度不同，需針對性裁剪方案；加之中國地緣廣闊，各地存在特色性疾病譜，也需做針對性調整。

針對基層醫院信息化與數據治理基礎薄弱的問題，徐濟銘認為可從兩方面突破：一方面依托國家醫療高質量發展政策及信息化建設資金逐步補齊數據底座，另一方面平臺已在北京協和、中腫、北腫、湘雅等50余家頭部醫院完成高質量訓練與驗證，可直接向基層輸出AI能力——基層只需保證患者數據能與平臺交互，即可獲得經頭部醫院共同驗證的AI診療結論，無需以本地數據重新訓練，同時可借助國家布局的區域計算中心解決算力問題，無需每家醫院單獨建設，從而實現AI能力向信息化薄弱區域的高效覆蓋。

從北京樣本可以看到，一個新技術、政策的落地需五個關鍵要素協同。

一是政府牽引，這不是單單“給項目”而是“定規則、搭平臺、促協同”，核心在于打破管轄權壁壘的決心——要成立跨部門協調小組，厘清衛健委、醫保、大數據管理機構、醫院主管部門等各方權責，制定數據共享規則、場景開放清單和利益分配機制，讓數據能在不同隸屬關系的醫院之間流動起來。

二是醫院開放場景，頭部醫院要從“被服務方”轉變為“共建方”，主動授權高質量數據的應用并提供臨床驗證場景和專家知識，換取科研產出和學科影響力，基層醫院則要“能盡快有”——通過“數據貢獻-能力反哺”的閉環機制，讓基層在提供真實世界應用場景的同時，獲得AI能力賦能和診療水平提升，避免“只抽血不造血”。

三是企業做基礎設施，要專業深耕而非平臺整合，長期聚焦而非風口追逐——不是做“什么都做、什么都做不好”的平臺整合商，而是聚焦垂直領域。

四是監管守住邊界，數據不出域、可用不可見，安全合規是前提——技術層面要運用隱私計算、數據脫敏、區塊鏈存證等手段，制度層面要明確數據分級分類、使用審批流程和安全責任主體，監管必須前置，在項目啟動前完成合規評估，而非事后補票。

五是服務形成閉環，從“建系統”到“用系統”再到“依賴系統”——建設期完成系統上線、數據接入和模型部署，運營期持續優化模型、培訓醫護人員、收集使用反饋，最終讓系統成為臨床工作流不可分割的一部分，設置“使用滲透率”“臨床采納率”等運營指標，而非僅考核“建設完成率”。

在中國最復雜的行政生態中，醫療數據可以跨隸屬關系流動，AI能力可以跨層級傳遞，利益可以跨主體協調，外地學習的關鍵不是復制技術方案，而是復制“打破壁壘的方法論”。

未來圖景——城市醫療健康系統能力的競爭

醫療AI的下半場，不是單點技術比拼，是城市級系統能力的競爭，是新質生產力在民生領域的集中體現。

AI正重塑醫療生產關系。徐濟銘表示，醫療AI讓社區醫生擁有協和主任的診療支持，讓患者在基層獲得三甲醫院同源的AI輔助。就像“高德地圖讓新手開出老司機水平，走神時提醒折返。”未來，AI驅動診療工作流，醫生做“確認與溝通”，核心價值向患者溝通與人文關懷遷移；同時，智能醫生與可穿戴設備、居家傳感器的結合，將讓用戶在亞健康階段就能獲得風險提示與早期干預，通過持續積累個性化健康數據，構建出比任何醫生都更懂自己的AI健康管家，實現從被動治療到主動預防的轉變。

這種系統能力的競爭，本質上是數據底座的競爭。城市醫療健康系統的提質增效，離不開數據這一核心生產力要素對醫學創新生態的系統性重構。

日前，國家衛健委科技發展研究中心主任顧金輝談及衛生健康領域新質生產力，其指出，促進新質生產力發展的三大政策路徑：以臨床研究的規范化管理為著力點，推動新技術從研究到應用轉化的效率提升，加速“技術—臨床”、“成果—產業/臨床”、“產品—產業”的價值化路徑。

具體而言，數據要素正打通醫學創新的全鏈條。在臨床研究環節，通過智能化患者招募、可行性模擬與風險導向質控合規，對接ICH-GCP國際標準，提升中國藥物臨床試驗的國際競爭力；在科技成果轉化環節，驅動醫院從“治療型”向“研究型”轉型，以數據驅動科研范式變革，促進醫工交叉融合與產學研一體化，加速從“治療”到“發現”的創新成果轉化；在醫藥審批環節，將真實世界數據轉化為高質量證據，加快藥品上市后安全性與有效性評估，支撐診療規范更新和醫保準入決策，實現藥品全生命周期的動態監管。

當數據底座日益堅實，醫療AI的迭代速度正在發生質變：臨床研究從5年一輪回，壓縮至5個月一驗證。但比時間壓縮更值得追問的是——當AI可以5天給出一個診療方案，誰來決定這個方案可以被信任？

信任不能僅靠速度建立，而要靠“可驗證”的制度。醫渡科技的實踐是：每一條建議追溯到指南原文，每一個決策留有審計痕跡，每一次迭代經受真實世界結局的檢驗。這不是對速度的妥協，而是對生命的敬畏。

可以預見的是，當技術速度遇上制度托底，城市級健康系統的競爭才真正進入下半場。北京樣本的意義，正在于此——在國家衛健委的政策引領下，北京率先構建起“技術賦能、制度托底、治理協同”的衛健治理新范式：從“被動醫療”到“主動健康”，從“數字孿生”到“AI健康管家”，從單點突破到系統重塑。這一愿景并不遙遠，它取決于今天有多少城市，愿意像北京一樣，在衛健部門的統籌推動下，把數據底座當作“非常重要的事情”來落實。

醫療資源的重新組織，從來不只是技術問題，而是一種多方協同下的選擇。