扫码下载未来医生APP
从怎样判断，
到怎样持续负责。
把关键决策想清楚。
让合法的下一步发生。
让真实结果回来。
把复杂决策，
逐步想清楚。
MedGPT · 临床策略引擎
理解处境，明确目标。
先理解患者此刻的病情、既往治疗、现实约束与生活期待。明确正在决定什么、希望争取什么，以及哪些风险不能接受。
让每条选择都有依据。
将主要选择展开为带条件与分支的临床策略。让支持、反对与适用边界共同塑造路径，再比较获益、风险与负担。
主动质疑，持续修正。
主动寻找薄弱前提、遗漏风险与反方证据。让每一次质疑都有结果：修复路径、补充证据，或保留排除与复议的理由。
下一步，最值得验证什么？
识别真正可能改变选择的未知，权衡求证的时间、风险与负担，并提前说明：不同结果，将如何改变下一步。
让复杂判断，清楚可审。
将当前倾向、替代路径、依据、争议与复评条件交到医生面前。继续行动、等待验证或保持原计划，都有清楚理由。
EvidenceOS 让支持证据、反方证据与适用边界，进入每一次选择。
01 / 04
医生的判断，
进入智能的
每一步。
Medex · 医生的决策工作台
纠正事实。质疑证据。 调整目标。审阅策略。
医生的一次修订，进入决策本身。系统重新审视受影响的判断，让每一处变化及其原因，都清楚可见。
体验未来医生 Medex“患者更希望减少住院。”
“患者更希望减少住院。”
“患者更希望减少住院。”
“患者更希望减少住院。”
“患者更希望减少住院。”
未来医生 · 患者端
从一次判断，
走向一段有人负责的病程。
同一个医疗问题，连接医生的工作台与患者的日常生活。让每一步有着落，让每一个结果回到下一次判断。 了解未来医生患者服务
把下一步，想清楚。
从患者真正关心的问题出发。MedGPT 整理证据、比较路径，医生在 Medex 中独立判断、修订并对自己范围内的意见署名。患者端把依据、分歧与下一步讲清楚。
把证据与医生判断，带到下一次就诊。
- 当前目标
- 明确下一步，减少重复奔波
- 意见与边界
- 依据、分歧、适用条件随意见呈现
- 临床执行
- 接诊责任尚未接受
咨询意见形成后，还需要真实接诊与临床确认。
让下一步，有人接住。
患者只需面对一位路径经理。系统组织资料、任务与交接，路径经理推进服务；有权的医生和真实医疗机构确认并执行临床动作。每一步都有接棒、时间与受阻后的安排。
下一次就诊，谁来接，何时更新。
- 服务推进
- 路径经理 · 已接受
- 临床承接
- 接诊医生 · 已接受本次就诊范围
- 下一动作
- 按已确认安排就诊，保留执行回执
- 下次更新
- 本次就诊后的约定时点
- 受阻回落
- 经理协调；若影响临床时机，交医生复核
预约和接棒之后，还要核实行动是否真正发生。
让结果，更新下一步。
主动回收执行反馈与新资料，核对来源和时间，重检原先成立的条件。由有权的医生解释结果，并与事先约定的目标对照。新事实进入全病程诊疗档案，只重新打开受影响的判断。
资料回来之后，判断还要继续。
- 结果解释
- 负责医生 · 已接受，尚未完成
- 当前状态
- 来源与时间已核对，目标是否到达待判断
- 可能的下一步
- 确认到达、安全观察、重开决策或有接收的转出
结果被上传之后，还需要解释，并确认是否到达约定终点。
同一段病程，
两种服务节奏。
每一次判断，
接续于下一步。
全病程诊疗档案 · PatientRepo
当时知道什么。为何这样选择。后来发生什么。 让医生端与患者端，共享全病程的上下文。
记下当时知道什么，为什么形成这一选择。让下一次判断，有据可循。
把新的结果与事先约定的观察条件相对照。区分已发生的事实，与仍待检验的判断。
病程在变化，人的处境与期待也会改变。经医生确认的新目标，成为下一次取舍的条件。
新资料被提供并核对后，沿依赖关系定位影响。重新打开相关判断，同时保留每一版选择的依据。
围绕一个人，持续运行。
决策有依据。
行动有承接。
结果有回响。
我们追求的，是让一个关键医疗问题，持续走向下一个合法、可验证、更好的状态，并减少患者的负担。
面对变化的临床问题，重新组织证据、选择、验证与协作。认知推演、医生治理、病程反馈，是架构的运行机制；决策、执行、结局，是它在患者身上连续兑现价值的方式。
每个结果，都要对照事先约定的目标。“更好”也可以是安全观察、暂不干预，或有人接收的转出。这是这套架构希望持续兑现的价值。
临床研究 · MedGPT
让架构构想，
接受临床问题的检验。
未来医生与协和胸外科团队联合开展研究，在复杂肺癌病例的离线评价中，检验 MedGPT 的策略组织能力，以及它对医生方案质量的帮助。
参与医生，全部来自三甲医院
复杂肺癌病例，分为两个评价集
医生回答，覆盖三种辅助条件
医生方案质量，相对提升。
综合方案质量评分 APAS 从 53.40 提高至 66.27，增加 12.87 分。相较 RAG 参考，MedGPT 辅助的相对提升为 8.6%。
250 名医生 · 每种条件 750 份回答。各条件对应不同病例任务，不是同一题的前后变化。
将模型能力，组织为更好的策略。
在同一组 40 例病例上，MedGPT 完整流程的三裁判平均 APAS，相较三个 Direct 直接生成基线提升 34.8%–76.2%。
Direct 指不进入 MedGPT 流程的直接生成。比较不扩展为这些模型的全部智能体架构或临床能力。
专家更偏好 MedGPT 的方案。
与接诊医生原始方案的 20 个比较模块中，MedGPT 获得 16 胜、4 负、0 平，胜出比例为 80.0%。
20 是比较模块数，不是专家或患者人数。这与 250 名医生参与的辅助实验属于不同评价分支。
研究设计、指标与结果口径
病例与专家规则
40 例专家参照病例用于规则共建、医生任务和系统比较；另 60 例用于来源掩蔽比较。20 位资深主任医师、六个专业方向，在查看待评输出前建立规则。240 条病例级规则中已包含 40 条安全规则。
医生辅助实验
250 名医生每人完成 9 个不同病例任务，无辅助、RAG 参考、MedGPT 策略审阅包三种条件各 3 题。医生来源覆盖按机构名称归一化的 98 个中心、27 个省级地区；不代表 98 个患者入组试验中心。
分数衡量什么
APAS 是 0–100 的综合方案质量评分，基于专家可接受路径规则的加权符合度。CSPR 为按冻结联合门控规则计算的完整规则达标率，调整概率不能反推原始通过人数。MedGPT 辅助较无辅助 / RAG 的 APAS 比较，P 值分别为 8.49 × 10⁻⁵¹ / 1.98 × 10⁻⁹。
复核与完整盲评口径
三个 AI 裁判对同批回答各评三次，九次方向均支持 MedGPT 辅助优势；两名医生对 120 份回答抽样复评，方向一致。60 病例的全部 120 个来源掩蔽比较模块中，MedGPT 为 72 胜、40 负、8 平，非平局胜出 64.3%。以上三条证据不合并为统一胜率。
这些结果为 MedGPT 组织复杂临床决策的技术路径提供阶段性支持。研究评价的是固定肺癌病例下的文本方案与规则符合度；真实患者结局、跨病种泛化，以及 MedGPT、Medex 与全病程诊疗档案所构成的完整架构，仍需进一步研究。
研究结果 · 2026 年 9 月