日前，武汉市“人工智能+医疗”创新应用成果遴选结果正式揭晓。圣云医学自主研发的“基于AI的医学临床能力培养一体化训练平台”凭借其在医学教育智能化领域的突出表现，成功入选该批创新成果名单。

本次遴选由武汉市经济和信息化局、市卫生健康委员会联合组织实施，旨在落实《武汉市推动“人工智能+”行动方案》，加速人工智能技术在医疗健康领域的落地应用。经单位申报、区级推荐及专家严格评审，最终形成涵盖典型应用场景、大模型与智能体、智能终端产品及高质量数据集等多类别的创新成果体系。

圣云医学“基于AI的医学临床能力培养一体化训练平台”聚焦医学教育数字化转型与临床实践教学需求，将人工智能、虚拟仿真、大数据分析等技术融入医学临床能力培养过程，围绕教学、训练、考核与评价等环节，构建一体化、智能化训练体系。平台通过标准化训练场景、智能交互指导和过程性数据评价，帮助学习者开展可重复、可追踪的实践训练，为院校提升实践教学质量、优化人才培养模式提供数字化支撑。

此次入选是对圣云医学技术创新能力和应用实践价值的充分肯定。未来，圣云医学将持续推进人工智能与医学教育、临床能力训练的深度融合，不断完善产品与服务体系，推动优质医学教育资源共建共享，为医学人才培养提质增效和武汉市“人工智能+医疗”产业创新发展贡献力量。

基于AI的医学临床能力培养一体化训练平台

一、产品路径

平台以“医学知识学习—临床思维训练—实践技能训练—智能考核评价—能力持续提升”为主线，构建医学临床能力培养闭环。

具体路径为：

建设标准化教学资源 汇集医学知识、临床病例、实践技能操作规范、评分标准及考试要求，形成结构化医学教学资源库。

构建AI临床训练环境 利用人工智能、大模型、虚拟患者和数字化仿真技术，还原问诊、查体、诊断、治疗决策及技能操作等临床过程。

开展分层分类训练 根据不同专业、岗位、年级和能力水平，为学生、住院医师及医务人员匹配个性化训练内容。

实施全过程智能评价 对训练过程、操作步骤、临床决策和最终结果进行自动记录、分析与评分。

形成能力画像与改进闭环 根据训练数据识别知识薄弱点、思维缺陷和操作问题，自动生成学习建议和强化训练任务。

可概括为：

资源数字化 → 场景智能化 → 训练个性化 → 考核自动化 → 能力可视化

二、核心功能

1. AI临床思维训练

通过虚拟病例或AI标准化患者，模拟真实诊疗过程。

2. 医学实践技能训练

围绕临床基本操作和专科技能。

3. AI智能考核

减少人工评分的主观差异，提高考核效率和评价标准的一致性。

4. 个性化学习与推荐

平台根据学员历史学习、训练和考核数据，实现“一人一案”的培养路径。

5. 教学管理与质量监测

面向学校、医院和培训机构，提供：

教学计划管理

课程与训练任务发布

学员训练进度监测

班级、专业和科室能力分析

师资教学效果评价

考试组织与成绩管理

教学质量可视化看板

培训档案和能力档案管理

三、主要应用场景

1. 医学院校临床教学

用于医学本科生、专科生和研究生的临床课程教学，实现理论知识与临床实践衔接，弥补真实病例和临床操作机会不足的问题。

2. 住院医师规范化培训

围绕住培要求开展病例训练、临床思维训练、技能训练和阶段性考核，帮助培训基地实现过程管理和培训质量评价。

3. 执业医师实践技能培训

针对执业医师、助理医师等实践技能考试，提供考站模拟、标准流程训练、评分点提示、模拟考核和薄弱环节强化。

4. 医院岗位胜任力培训

用于新入职医务人员岗前培训、临床医师能力提升、专科技能培训以及年度岗位能力考核。

5. 基层医疗能力提升

通过云端平台向基层医疗机构提供标准化病例、规范化操作课程和远程训练服务，促进基层诊疗能力与培训标准同质化。

6. 临床教学竞赛与考核

支持OSCE、临床技能竞赛、阶段考试、结业考核等场景，为大规模、标准化考试提供智能组卷、过程记录和自动评分能力。

四、数据处理流程

平台的数据处理可分为六个环节：

1. 数据采集

平台采集医学教学资源、临床病例、技能规范，以及学员训练考核过程与教师评价等多维数据。

2. 数据治理

对原始数据进行脱敏、清洗、分类、标注和结构化处理，形成病例库、知识库、技能库、题库及评价规则库。

3. AI分析与推理

AI结合医学知识库与评价规则，对学员的诊疗思维、操作过程、风险行为及综合能力进行智能分析与评估。

4. 实时反馈

在训练过程中，根据具体模式提供分步骤提示、错误警告、知识解释或病例状态变化；在正式考核模式下，则完整记录过程而不即时提示。

5. 评价结果生成

系统综合训练过程与结果数据，生成涵盖成绩、错误、临床思维、知识掌握及能力画像的多维评价报告。

6. 持续优化

平台根据训练结果自动推荐后续学习任务；经教师审核后的评价数据还可用于优化病例、评分规则和AI模型，形成“训练—评价—改进—再训练”的闭环。

整体流程可以概括为：

教学资源与病例数据 → 清洗标注与知识结构化 → AI交互及过程识别 → 规则与模型联合评价 → 能力画像 → 个性化训练推荐

五、核心优势

1. 一体化培养

2. 高度还原临床过程

3. AI驱动的个性化训练

4. 评价标准客观统一

5. 降低临床教学成本与风险

6. 教学质量可量化