AI如何帮助医疗团队更快为患者提供合适的诊疗
内容提要
Dyania Health开发了Synapsis AI，可通读患者多年的自由文本病历，将相隔数年的检查结果关联起来，生成可追溯来源的临床信号，提示需要关注的患者及原因，帮助医疗团队更快为患者提供合适诊疗。该系统在医院防火墙内基于NVIDIA加速计算运行，患者数据不出院，临床医生仍负责审核证据并作出决定。克利夫兰诊所已用其分析2005至2021年间逾7800名主动脉瓣置换患者的记录，建立瓣膜退化与再干预风险的预测模型。
延伸解读
自由文本病历的AI解析价值
医院积累的多年病历多为医生笔记、手术报告、影像和病理解读等自由文本，传统上需临床医生逐页翻阅才能拼出患者全貌。Synapsis AI 能通读所有记录，把相隔数年的检查结果关联起来，输出可追溯来源的临床信号。这意味着AI的价值不在于替代判断，而在于把散落在时间轴上的证据自动串联，减少人工梳理病历的负担。
数据不出院：部署方式决定信任基础
Synapsis AI 运行在医院防火墙内的 NVIDIA 加速计算上，全院患者记录可在本地处理，数据不共享、不出院。对于处理敏感病历的医疗机构，这种本地化部署是获得信任的前提。同时，系统仍要求临床医生审核证据并做决定，定位为辅助工具而非自动决策者，这划清了AI与临床责任的边界。
克利夫兰诊所案例：从病历到预测模型
克利夫兰诊所利用 Synapsis AI 分析了2005至2021年间逾7800名主动脉瓣置换患者的记录，包括术后多年新增的每次超声心动图，据此建立瓣膜退化和再干预风险的预测模型，覆盖术后3年、5年和10年。文章称，同样的病历审查若由人工完成需要数年。该案例说明，AI可把长期随访中分散的检查结果转化为可建模的结构化信息。
可复用的思路与适用边界
文章指出，只要答案藏在病历里，类似方法就可用于识别临床试验合格患者、弥补心血管和肿瘤领域的诊疗缺口、填充临床登记库。但需注意，这些是文章列举的潜在应用方向，并非已验证的落地成果；已披露的实际案例仅有主动脉瓣置换研究。读者应区分“可应用”与“已证明有效”，并留意AI输出仍需临床医生确认。
Q&A
Synapsis AI 是什么？它主要解决什么问题？
Synapsis AI 是 Dyania Health 开发的临床推理引擎，能通读患者病历中的所有笔记、报告和化验结果，将相隔数年的检查结果关联起来，生成可追溯来源的临床信号，提示哪些患者需要关注及原因，从而帮助医疗团队更快为患者提供合适诊疗。
Synapsis AI 如何保证患者数据安全？
Synapsis AI 在医院防火墙内基于 NVIDIA 加速计算运行，整个医疗系统的患者记录可在院内处理，患者数据从不共享，也从不离开医院。
临床医生在使用 Synapsis AI 时扮演什么角色？
Synapsis AI 是辅助工具，它只从病历中呈现证据，临床医生仍需审核证据并做出所有决定，最终决策权在医生手中。
克利夫兰诊所如何使用 Synapsis AI？取得了什么效果？
克利夫兰诊所使用 Synapsis AI 分析了 2005 至 2021 年间超过 7800 名主动脉瓣置换患者的记录，包括术后多年添加的每次超声心动图，建立了预测瓣膜退化和再干预风险的模型（3年、5年和10年）。该平台完成了全队列的 chart review，而人工完成需要数年时间。
Synapsis AI 的技术栈是什么？如何优化性能？
Dyania 使用 NVIDIA NeMo 开源库构建和训练临床模型，然后使用 NVIDIA TensorRT 和 TensorRT-LLM 优化模型，使其在医院自己的 GPU 服务器上运行得更快、更高效。
除了瓣膜研究，Synapsis AI 的方法还能应用于哪些医疗场景？
该方法可应用于任何答案存在于病历中的医疗挑战，例如识别符合临床试验条件的患者、填补心脏病学和肿瘤学的护理缺口，以及填充临床登记库。
