首页行业百科门诊预问诊智能分诊怎么做?患者主诉采集与分诊建议生成的完整拆解

门诊预问诊智能分诊怎么做?患者主诉采集与分诊建议生成的完整拆解

2026-11-19 04:05:57阅读 5

早上七点五十,门诊大厅的分诊台前已经排了两队。患者说“我这儿不舒服,挂哪个科”,护士要连着追问七八句:哪里疼、疼多久、有没有发烧、以前做过什么检查。而挂号系统里那一栏“主诉”,往往只有“不适”两个字。等患者坐进诊室,医生又要从头问一遍。

门诊预问诊智能分诊要解决的,是把非结构化的主诉变成可分诊的结构化事实,再基于院内规则和知识给出可解释的分诊建议,最后由有资质的人确认——不是让患者多答几张问卷。本文讲清三件事:患者主诉采集该怎么设计、分诊建议如何生成、边界在哪里,以及怎么从一个科室的一个时段开始试跑。

门诊预问诊智能分诊怎么做?患者主诉采集与分诊建议生成的完整拆解_图1

一、先厘清:门诊预问诊智能分诊的真实价值在哪里

预问诊分诊不是“挂号页多加一个对话框”,它是一条由四个环节串起来的链路,任何一环断掉,前面的采集都会变成无用功。

  • 采集:在患者候诊的几分钟里,把主诉、伴随症状、既往情况问清楚,而不是等护士口头重复问。
  • 结构化:把“心口这儿闷得慌”这类口语,归一到“胸骨后闷痛”这类院内可识别的表述。
  • 建议:结合院内专科设置、症状与科室的对应关系、号源情况,给出 1—3 个建议科室及依据。
  • 确认与留痕:分诊护士确认或修改,修改理由被记录下来,成为下一次建议的依据。

这里最容易踩的三个误区:

  • 把预问诊做成一张长问卷。三十道题填完,患者已经叫到号了,完成率自然上不去。
  • 把建议做成自动改科。患者挂了 A 科,系统判断应该去 B 科就直接改掉,这已经越过边界。
  • 只做前端对话,不做依据与留痕。建议从哪来、护士改了什么、为什么改,全都查不到,无法复盘也无法优化。

按照业内通行的决策边界划分,AI 的动作可以分为四层:信息提供、建议判断、受控执行、规则内自动执行。分诊建议属于典型的“建议判断”——AI 给出原因、影响和行动选项,由人决定;只有当护士确认之后,系统才可以进入“受控执行”,例如把确认后的科室回写到挂号记录。这个层级关系必须在设计之初就定下来,否则后面所有讨论都会失焦。

二、患者主诉采集:把“我肚子疼”变成可读的事实

采集是整个链路的地基。地基不牢,后面的规则和模型再精细,输出的建议也只能靠猜。

1. 采集入口:让患者在等待的时间里顺手完成

  • 挂号成功后推送:患者刚付完费,注意力还在手机上,是最自然的时机。
  • 候诊区自助终端:适合不习惯用手机小程序的老年患者,可由 Soia Worker 设备在自助机上完成问答与录入。
  • 护士台补录:对确实无法自助完成的患者,护士用同一套结构化表单代为录入,保证口径一致。
  • 家属代填:儿童、高龄、语言不便的患者,允许家属在授权范围内代填,并标注代填人。

入口设计的关键不是多,而是短:单次完成控制在三到五分钟,支持中断后继续填,允许跳过非必填项。强迫填完才给号,患者会直接放弃。

2. 采集内容:先开放,再分层追问

  • 先要原文。第一句永远是开放的:“您哪里不舒服,大概多久了?”保留患者原话,后续结构化才有依据。
  • 再补六要素。部位、性质、程度、持续时间与演变、诱因与缓解因素、伴随症状。
  • 最后补背景。年龄、性别、孕产状态、既往病史、正在服用的药物、药物过敏、近期是否就诊或做过检查。

追问轮次不宜过多。实践经验是控制在两到三轮:第一轮问清主诉,第二轮围绕主诉追问关键鉴别点,第三轮补风险相关背景。再多,患者就开始随手点选项了。

3. 采集质量:怎么避免“答非所问”

  • 语音转写加术语归一。患者说“心口疼”“胃上面烧”,需要映射到院内症状术语表里的标准表述,否则规则层无法匹配。
  • 症状同义词表放在知识库。各地方言、俗语、老年患者的表达习惯差异很大,这张表需要由门诊部和护理部持续补充,而不是一次写完就锁死。
  • 红旗症状前置拦截。胸痛伴大汗、意识改变、大出血、呼吸困难、孕晚期腹痛、儿童高热惊厥等,一旦命中直接提示“请立即前往分诊台或急诊”,不进入常规建议流程。
  • 不做诱导式提问。不问“是不是像针扎一样疼”,避免患者顺着提示回答;选项要给出“说不清”这一项。
  • 照顾特殊人群。老年患者、方言患者、视听障碍患者,保留语音与人工协助通道,不能把“线上化”变成新的门槛。

在 Soiawork 中,这套采集逻辑可以由一个工作流固定下来:触发条件、问哪些问题、何时结束、命中红旗后走哪条分支,全部是可配置的步骤,而不是写在提示词里的一段自由对话。门诊部可以在工作空间里直接看到每一次采集的完整记录与分支路径。

三、分诊建议如何生成:可解释,而不是一个科名

患者最想知道的不是“系统判断你去消化内科”,而是“为什么是消化内科,还有没有别的可能”。

1. 三层生成逻辑

  • 规则层(硬约束)。负责不可协商的部分:急诊指征、发热哨点、传染病相关症状的就诊路径、孕产妇与儿童的优先规则、外伤与职业病的特殊流程。规则层命中即触发,不参与排序讨论。
  • 知识层(院内知识)。症状与科室的对应关系、院内专科的实际能力边界、医生专长、当日号源。同样是“头晕”,神经内科、耳鼻喉科、心内科都可能接,取决于院内设置和患者的具体描述。
  • 模型层(语义理解)。负责把结构化的主诉与知识层做匹配,组织追问,输出带置信度的建议。

三层的关系是:规则层说不,模型层不能说不;知识层没有依据的科室,模型层不能凭空推荐。

2. 建议输出的“五件套”

一条合格的分诊建议,至少包含五项内容:

  • 建议科室:1—3 个,带排序,而不是只给一个。
  • 判断依据:引用患者主诉中的具体表述,例如“您提到上腹隐痛三天、饭后加重、无反酸”,让患者和护士都能核对。
  • 风险提示:命中的红旗症状或需要当面确认的事项。
  • 建议就诊方式:急诊、专科门诊、普通门诊、护理门诊,或建议先到分诊台。
  • 置信度与人工确认标记:低置信度、涉及特殊人群、主诉前后矛盾的,直接标记为“需人工分诊”。

3. 与号源和流程的联动

  • 建议科室当日有号,直接引导挂号或改约;无号则给出备选科室或最近可约时段。
  • 复诊、随访、检查后回诊走独立路径,不套用初诊的分诊逻辑。
  • 已挂号但与建议不一致的,推送护士站确认,而不是自行改号。

4. 人的位置:分诊护士是最终决策者

在 Soiawork 的设计里,护士的确认与修改本身就是数据。护士把“消化内科”改成“普外科”,并写下“右下腹压痛、有反跳痛”这条理由,这条理由就可以沉淀进知识库,成为下一次同类主诉的参考依据。日积月累,科室的分诊经验就从个别人的脑子里,变成了组织可复用的能力——这正是构建 AI 组织在门诊场景里的具体含义。

四、在 Soiawork 上怎么搭:一条可运行的链路

1. 连接器:取数,尽量不改造原有系统

门诊预问诊需要的数据大多已经存在:HIS 里的挂号记录、排班与号源,电子病历里的既往就诊,叫号系统的候诊状态,以及院内的分诊制度文档。通过 Soiawork 的连接器对接这些系统,优先走只读;确实没有接口的老系统,再由设备在授权范围内完成查询与录入。

2. 知识库:让分诊依据只有一个来源

院内的分诊制度、专科能力清单、症状术语表与同义词、专家专长与出诊安排、相关管理规定,统一放进知识库维护。好处是:当某个科室开设了新专病门诊,只需要更新知识库,所有调用它的工作流和技能同步生效,不必逐个改对话脚本。

3. 工作流:把步骤固定下来

一条典型链路是:挂号成功触发 → 采集会话 → 结构化与术语归一 → 规则层校验(红旗拦截)→ 生成建议 → 推送患者端与护士站 → 记录留痕。步骤固定之后,每一次运行的路径都可追溯,出现异常时能定位到具体是哪一步。

4. 技能:把科室的方法封装起来复用

儿科、皮肤科、骨科、消化内科的追问树差异很大,但采集框架、结构化方式、输出格式是一致的。把这些差异封装成独立技能——“儿科预问诊”“皮肤科预问诊”——由同一个智能体按挂号科室调用。新增一个科室,是新增一个技能,而不是重做一套系统。

5. 自动任务:巡检与日报

  • 每日巡检未完成预问诊的挂号记录、低置信度建议、待护士确认队列,形成待办清单。
  • 每日给门诊部和护理部出一份摘要:各科室建议分布、护士修改率、修改理由的高频词。
  • 候诊高峰前检查采集入口是否正常、知识库是否有待审核条目。

这类只读巡检和提醒,属于“规则内自动执行”,风险最低,通常也是医院最容易先跑起来的部分。

6. 设备与文件空间:把闭环补上

护士站电脑上原有的系统不需要换,由 Soia Worker 在授权范围内完成确认后的录入动作。采集记录、建议依据、护士修改理由通过文件空间归档,成为月度复盘和知识库迭代的原始材料。

五、边界:哪些必须交给人

这一节比前面任何一节都重要。

  • 分诊是医疗行为。系统输出的是建议,最终分诊结论由具备资质的分诊护士或医生作出。AI 不替代专业判断,也不承担分诊责任。
  • 红旗症状一律人工优先。任何命中的危急征象,都不进入自动建议流程,直接引导至分诊台或急诊。
  • 不做诊断、不给用药建议、不解释检查结果。这三件事超出预问诊的范围,越界一次,信任就很难重建。
  • 特殊人群单独处理。孕产妇、婴幼儿、高龄、精神心理相关主诉、疑似传染病,都应有独立路径和明确的人工介入点。
  • 数据最小必要。只采集分诊必需的信息,敏感字段脱敏存储,按角色分配查看权限,全程留痕可审计。
  • 不承诺准确率与效率提升。具体效果取决于科室主诉集中度、知识库完备度和护士使用习惯,需要在院内实测后由院方自行评估。

六、试跑:从一个科室的一个时段开始

不建议一上来就全院铺开。比较稳妥的路径是:

  • 选科室。门诊量大、主诉相对集中、分诊争议较多、有明确验收人(通常是护士长)的科室,更适合作为起点。
  • 取样例。取一段时间的真实分诊记录,脱敏后作为测试集,不含任何可识别患者身份的信息。
  • 跑一遍。让系统对这批样例生成建议,与当时护士的实际分诊结果逐条比对。
  • 看异常。重点不是看对了多少,而是看错在哪里:是采集没问到,是术语没归一,还是知识库里缺了某个科室的能力描述。
  • 再决定。把有效的追问逻辑沉淀为技能,把补充的对应关系写进知识库,然后再考虑扩大科室范围或延长运行时段。

观察指标建议由院内自定口径,例如主诉完整率、护士修改率、修改理由分布、平均分诊问询时长、患者重复问询次数。这些指标的作用是判断“要不要继续”,而不是对外证明什么。

门诊预问诊智能分诊的价值,不在于替护士做决定,而在于让护士在患者开口之前,就已经掌握了足够的事实。患者主诉采集做得扎实,分诊建议生成才有依据;建议可解释,护士才敢用;边界清楚,才走得远。从一项重复工作开始试跑——选一个科室、取一批样例、核对结果与异常——再决定是否扩大范围,这是最稳的顺序。Soia 让智能生长,让工作进化。

常见问题解答

1. 做预问诊要不要改造 HIS?

大多数情况下不需要。挂号、号源、排班、既往就诊这些数据通过连接器只读获取;确实没有稳定接口的老系统,可以由设备在授权范围内完成查询和录入。改造现有系统属于最后选项,不是第一选项。

2. 分诊建议错了,责任怎么算?

设计上就不允许系统单独作出分诊结论。建议属于“信息提供与建议判断”,护士确认或修改后才进入执行环节,全过程留痕,谁确认、改了什么、依据是什么都可追溯。责任仍在作出确认的医疗人员,这也是为什么红旗症状必须直接走人工。

3. 老年患者不会用手机,预问诊是不是反而添乱?

所以入口不能只有手机。候诊区自助终端、护士台代录、家属授权代填、语音输入都要保留。判断标准很简单:不用手机的患者,是否也能在同样的几分钟里完成采集,而不是被要求“先回去让子女帮忙弄”。

4. 和现有的分诊系统、自助机是什么关系?

是前置补充,不是替代。现有系统负责挂号、叫号、分诊记录,预问诊负责在患者见到护士之前把主诉结构化、把风险标出来。两者通过接口或界面操作衔接,不需要推翻现有流程重来。

5. 从哪个场景开始最合适?

从门诊量大、主诉集中、护士重复问询最多的科室开始,例如皮肤科、骨科、消化内科。先做“采集 + 建议 + 护士确认”这一段,把自动任务和巡检放到第二阶段。跑顺一个科室,再复制到下一个。

立即领取行业头部企业 AI 应用案例

资深 AI Agent 技术专家将为您定制数字员工解决方案

立即获取方案