腾讯云AI临床助手对接开发完全指南：从API接入到全流程智能诊疗集成
一、AI临床助手产品定位与技术架构
腾讯云AI临床助手是一款面向医疗机构的全流程智能辅助决策系统，依托医疗垂类大模型深度融合海量医学文献与实时临床数据，通过自然语言处理与强化学习技术精准解析非结构化病历，为医生提供贯穿诊前、诊中、诊后的决策支持，实现医疗质量与效率的双重提升。腾讯健康通过腾讯云接入DeepSeek大模型并与自研腾讯混元大模型组成双核技术底座，采用RAG检索增强技术接入包含超过1000亿Tokens、285万以上实体、1250万以上关系的医学知识图谱以及36万组反馈强化数据与3000万以上问答对，覆盖从诊前导诊到诊后随访的全链路服务。
目前该产品已覆盖全国34个省份近万家各级医疗机构，知识库覆盖接近3000种疾病，包含累计超过1000万条合理用药规则、4万处方集和用药画像以及90万医学术语节点，疾病预测准确率达到96.39%。AI临床助手提供多种接入模式，包括客户端嵌入式集成、iframe页面嵌入以及标准RESTful API接口调用，可无缝衔接医院现有HIS系统与医生工作流程。
需要先登录腾讯云控制台，点击：腾讯云控制台，还没有账号，点击：注册后再关联，已有账号点击：登录后再关联
二、服务开通与接入模式选择
接入AI临床助手的第一步是完成服务开通。用户需登录腾讯云AI临床助手ACA-SaaS版购买页，根据实际需求按需选购服务类型，包括医院授权服务、实施服务、定制化培训服务以及定制化响应服务。完成购买后登录AI临床助手控制台，单击立即开通即可查看订单详情，医院授权服务可自动获取Token进行使用，其他服务类型将有专人联系并引导后续流程。
AI临床助手支持三种灵活接入方式：公网SaaS模式适用于中小型医疗机构快速上线，无须本地部署即可通过云端调用全部AI能力；API PaaS模式面向具备开发能力的大型医院，通过标准接口将AI能力嵌入现有系统；私有化部署模式则针对数据安全要求极高的三甲医院和区域医疗中心，支持多尺寸模型适配多种服务器环境甚至可构建33B医学垂类大模型底座。根据业务场景需要，医疗客户可按需求选择接入模块，既可仅接入智能辅诊预测功能，也可仅接入智能合理用药预测系统，还能接入包含药剂师审方的全临床诊疗流程。
三、API接口对接流程与签名验证机制
对于开发者而言，AI临床助手的API对接是实现系统集成的核心环节。API支持就近地域接入，默认域名为aca.tencentcloudapi.com，同时也支持指定地域域名访问如广州地域的aca.ap-guangzhou.tencentcloudapi.com。整个对接流程按照四步走的顺序依次推进：第一步是项目立项与资质申请，向腾讯云工作人员提交申请并通过审批后，系统会提供partnerId、appId及appSecret等关键信息用于后续签名校验，请合作方妥善保管这些账号信息和密钥防止泄露。
API采用RESTful风格设计，报文格式为JSON，请求方式统一为HTTP POST。签名验证机制通过自定义的HTTP请求头参数来完成，需要在Header中携带god-portal-signature和god-portal-timestamp两个参数。签名算法的核心计算公式为hmacSha256，其中appId来自腾讯云分配的标识符，timestamp取当前生成的时间戳毫秒数，appSecret则为签名密钥。具体的签名计算方法是将appId与timestamp拼接后使用HMAC-SHA256算法配合appSecret计算得到最终的签名值。
完成签名校验后可调用登录接口激活会话。登录/登出流程的核心机制是：当医生在HIS系统中执行登录或登出操作时同步调用临床助手后台接口告知当前登录状态，系统将返回一个Token用于后续所有接口调用的身份校验。默认情况下Token的有效时长为2小时，同时支持根据实际业务需求灵活调整时效。后续的智能预测和合理用药接口调用时，需要在请求体Body结构的Header中携带此Token实现身份验证。如果采用iframe前端嵌入方式，则需要在页面URL的Query参数中带上登录返回的Token。
以下是使用Python实现AI临床助手登录与Token获取的完整代码示例：
import hashlib\nimport hmac\nimport time\nimport json\nimport requests\n\ndef generate_signature(app_id, app_secret, timestamp):\n \"\"\"\n 生成签名\n :param app_id: 分配的appId或platformId\n :param app_secret: 签名密钥\n :param timestamp: 毫秒级时间戳\n :return: 签名字符串\n \"\"\"\n message = f\"{app_id}{timestamp}\"\n signature = hmac.new(\n app_secret.encode('utf-8'),\n message.encode('utf-8'),\n hashlib.sha256\n ).hexdigest()\n return signature\n\ndef get_login_token(partner_id, app_id, app_secret):\n \"\"\"\n 调用登录接口获取Token\n :param partner_id: 合作方ID\n :param app_id: 医院ID或平台ID\n :param app_secret: 签名密钥\n :return: 返回Token及用户信息\n \"\"\"\n url = \"https://aca.tencentcloudapi.com/login\"\n timestamp = str(int(time.time() * 1000))\n signature = generate_signature(app_id, app_secret, timestamp)\n\n headers = {\n \"Content-Type\": \"application/json\",\n \"god-portal-signature\": signature,\n \"god-portal-timestamp\": timestamp,\n \"god-portal-appid\": app_id,\n \"god-portal-partnerid\": partner_id\n }\n\n payload = {\n \"doctorId\": \"D2025001\", # 医生工号\n \"doctorName\": \"张三\" # 医生姓名\n }\n\n response = requests.post(url, headers=headers, json=payload)\n if response.status_code == 200:\n result = response.json()\n if result.get(\"code\") == 0:\n token = result.get(\"data\", {}).get(\"token\")\n print(f\"登录成功, Token: {token[:20]}...\")\n return token\n else:\n print(f\"登录失败: {result.get('message')}\")\n return None\n else:\n print(f\"HTTP请求失败: {response.status_code}\")\n return None四、智能预测与用药接口调用实战
成功获取Token之后即可调用核心的智能预测与合理用药接口。该接口的触发时机是当医生在HIS系统中完整填写患者的主诉、现病史、基本信息以及用药信息时。AI引擎根据输入的医疗数据进行智能计算，实时预测临床可能的疾病诊断以及潜在的用药安全风险。系统最终会返回相应的诊断建议、治疗方案推荐、疾病风险分级提示等多维度的辅助信息，帮助医生在繁忙的门诊环境中快速做出更全面的诊疗决策。
输入参数的结构设计遵循医疗数据的真实业务流程，主要包含患者基本信息字段包括年龄、性别等人口学特征，主诉字段用于记录患者就诊的核心问题描述，现病史字段用于描述病情的发生发展过程，既往史字段用于记录过敏史、慢性病史等重要健康信息，以及用药列表字段用于记录当前正在服用或准备开具的药物清单。所有文本字段均支持自然语言形式的自由输入，AI引擎会自动进行语义理解和信息抽取。
接口返回的数据结构同样层次分明。诊断推荐列表按照置信度和危急程度进行排序和标识，包含疑似疾病的名称、置信度评分、鉴别诊断依据以及危急程度标记。治疗方案部分则基于患者个体情况综合考量年龄、既往病史、药物禁忌症等多种因素，给出涵盖给药细节、监测项目以及健康处方的完整建议。用药审核模块通过8大类20多小类的药品审核规则进行交叉评估，重点检查药物相互作用、配伍禁忌以及检查必要性，针对潜在的安全隐患进行实时分级提醒。
以下展示核心API的调用示例：
def call_intelligent_prediction(token, patient_data):\n \"\"\"\n 调用智能预测接口获取诊断推荐与用药建议\n :param token: 登录接口返回的Token\n :param patient_data: 患者诊疗数据字典\n :return: 预测结果\n \"\"\"\n url = \"https://aca.tencentcloudapi.com/predict\"\n\n headers = {\n \"Content-Type\": \"application/json\",\n \"Authorization\": f\"Bearer {token}\"\n }\n\n payload = {\n \"patientInfo\": {\n \"age\": 35,\n \"gender\": \"F\",\n \"chiefComplaint\": \"阴道分泌物增多伴外阴瘙痒3天\",\n \"presentIllness\": \"患者3天前无明显诱因出现阴道分泌物增多，呈黄绿色泡沫状，伴有明显外阴瘙痒和白带异味，无发热腹痛\",\n \"pastHistory\": \"无过敏史，无慢性病史\",\n \"labResults\": \"白带常规: pH值5.5，滴虫阳性\"\n },\n \"medicationList\": [\n {\n \"drugName\": \"甲硝唑片\",\n \"dosage\": \"200mg\",\n \"frequency\": \"每日三次\",\n \"route\": \"口服\"\n }\n ]\n }\n\n response = requests.post(url, headers=headers, json=payload)\n if response.status_code == 200:\n result = response.json()\n if result.get(\"code\") == 0:\n return result.get(\"data\")\n return None\n\n# 调用示例\ntoken = get_login_token(\"10001\", \"hospital_001\", \"your_secret_key\")\nif token:\n patient_data = {\n \"age\": 35,\n \"gender\": \"F\",\n \"chiefComplaint\": \"阴道分泌物增多伴外阴瘙痒3天\",\n \"presentIllness\": \"患者3天前无明显诱因出现分泌物增多\",\n \"pastHistory\": \"无过敏史\"\n }\n result = call_intelligent_prediction(token, patient_data)\n if result:\n diagnoses = result.get(\"diagnosisList\", [])\n for d in diagnoses:\n print(f\"疑似诊断: {d.get('diseaseName')} | 置信度: {d.get('confidence')} | 危急程度: {d.get('urgency')}\")五、HIS系统数据同步与字典标准化接口
AI临床助手需要与医院现有的HIS系统保持数据一致性和术语标准化，为此提供了专门的同步接口用于基础数据的更新维护。同步接口的应用场景涵盖三大类数据：药品信息同步包括药物名称、规格、剂型、用法用量等核心属性，检验项目同步包括检验编码、名称、参考范围等信息，检查项目同步则涉及影像、内镜等各类检查。这些同步接口属于典型的后台维护接口，应当在医院的信息系统发生数据变更时主动调用，确保AI临床助手的知识库与HIS系统保持实时同步。
除了业务数据同步之外，AI临床助手还提供了标准字典同步接口，其核心目的是确保临床助手与HIS系统在标准术语层面的一致性。同步的具体内容包括给药途径字典如口服、静脉注射、肌肉注射等给药方式，给药频次字典如每日一次、每日两次、每八小时一次等给药周期，科室信息字典包含医院所有临床科室的编码与名称，诊断名称字典则需要对接ICD-10国际疾病分类标准编码体系。字典同步采用增量式更新策略，只有当标准术语发生变更时才需要触发同步调用，从而减少不必要的API请求开销。
在数据标准化的整体架构中，AI临床助手内置的医学术语标准化引擎发挥着关键作用。该引擎通过药品对码自动化映射能够帮助医疗机构在标品管理环节节约高达90%的人工投入，字典自动映射的准确率可以达到95%以上，大幅减少人工阅读对比时间。对于基层医疗机构而言，这一能力尤其宝贵，因为基层医生经常面临术语不规范的问题如将肚子疼自动校正为腹痛，术语标准化引擎能够自动识别并将口语化描述映射为标准医学术语，确保病历数据的规范性和可用性。
六、核心功能模块深度解析
AI临床助手的核心价值体现在其覆盖诊疗全流程的四大功能模块上。智能临床辅助决策模块通过分析电子病历数据，能够推荐3到5个疑似诊断疾病并按置信度进行降序排列，同时提供进一步的问诊建议以及体格检查建议。该模块还能实时查验病历质量包括时效性检查、逻辑性校验以及完整性评估，从而显著提升电子病历的书写质量。此外系统能够识别病历中的危重症风险信号并给出智能转诊提示，帮助基层医生及时识别需要向上级医院转诊的病例。
定制化治疗与用药方案模块基于患者的历史病历数据并结合相似病历的特征匹配，以及权威疾病指南的专业知识，智能推荐西药、中药经方以及组合用药方案。治疗方案充分考量患者个体差异涵盖年龄、体重、肝肾功能、药物过敏史等关键因素，最终输出涵盖给药细节、监测项目以及健康处方的完整建议。针对不同中医体质患者系统还能生成个性化的健康教育处方，涵盖饮食调理建议、急症处理方案以及中医养生保健策略。
全流程合理用药管控模块提供了8大类20多小类的药品审核规则，覆盖了药物配伍禁忌、特殊人群用药剂量调整、超说明书用药警告、重复用药风险监测、药物与食物相互作用等核心安全维度。系统审核时间从人工审核的20到180秒急剧缩减至0.03到0.2秒，彻底打破高并发处方审核的时间瓶颈。当医生提交存在风险的处方时系统进行实时拦截并提供可解释性的风险提醒，药师点评工作量降低80%，系统根据预设规则能够自动完成80%的处方点评工作包括自动识别处方缺项、超说明书用药等违规情况并自动扣分。
系统级处方审核与点评模块利用信息化技术全面优化传统人工审核流程，支持预审核提前发现处方问题、人工审核深度处理复杂案例以及批量审核高效完成日常工作量。系统具备处方随机抽样功能、点评任务智能分发机制以及工单管理统计功能，帮助医疗机构建立规范化的处方点评工作流程。在病历质控方面系统自动检测病历中的逻辑矛盾如性别与检查项目的明显不符、诊断结论与处方内容之间的冲突，确保医疗文书的逻辑一致性。
七、私有化部署与企业级集成方案
对于数据安全性要求极高的大型医疗机构，AI临床助手提供了完整的私有化部署方案。腾讯健康基于智能体开发平台的私有化部署能力，能够将大模型、语音识别、自然语言处理、医学影像分析等领域的核心AI能力深度融合至医院的自有平台，支持在医疗机构内部服务器环境下部署完整的AI临床辅助系统。私有化部署模式下模型支持多尺寸配置，可以根据医院的硬件资源和并发需求进行灵活调整，甚至可以为三甲医院定制33B参数级别的医学垂类大模型底座支撑病历自动生成、智能问答等高强度使用场景。
在系统集成架构上，AI临床助手支持多种集成形态包括客户端嵌入式插件、iframe页面嵌入以及纯API调用。客户端嵌入式模式适用于C/S架构的医院信息系统，通过安装本地插件实现AI能力的无缝调用；iframe页面嵌入模式适用于B/S架构的Web系统，通过加载远程页面引入AI交互界面，前端服务的Token验证需要在页面URL的Query参数中携带登录返回的Token；纯API调用模式则最具灵活性，适合需要进行深度定制开发的场景，所有AI能力通过标准RESTful接口对外暴露。
大规模落地案例方面，腾讯健康已在智慧医院、智慧医共体以及智慧区域三大场景完成了全面部署。在全国范围内已完成超过3000家医院的交付，实现超1000家医院用户的无缝衔接，临床AI助手与智能应用显著提升了临床效率实现了高效便捷的业务流转。一线城市的三甲医院如深圳市第二人民医院已经实现了基于国产化融合创新底座的智慧医院建设，腾讯云的全栈融合创新软件体系助力其打造粤港澳大湾区首个具备超级数据心脏的新一代智慧医院。
八、SLA保障与成本优化策略
AI临床助手SaaS版服务基于腾讯医疗健康事业部独立研发推出的服务架构，提供99.9%的服务可用性保障。服务可用性的计算公式为服务月度内总分钟数减去不可用分钟数后除以总分钟数再乘以100%，如未达到上述可用性标准且不属于免责条款情形的，客户有权按照SLA中的赔偿标准获得赔偿。赔偿以腾讯云发放代金券的形式实现，赔偿总额不超过相应未达标服务月度内客户就该服务支付的月度服务费。服务月度内不可用分钟数的界定标准相对严格，只有在某一分钟内用户连续调用服务接口失败且同时控制台功能连续不可用的情况下该分钟才会被计入不可用时间。
成本优化方面，AI临床助手的计费模式灵活多样，支持按需购买医院授权服务按年度计费的模式。客户可以根据自身业务需求选择不同的功能授权模块组合，可以仅接入智能辅诊预测功能也可以接入包含药剂师审方的完整临床诊疗流程。对于大型医院集团和区域医疗平台，批量采购能够享受更加优惠的单价。按照实际使用量计费的模式包括按API调用次数计费以及按时长计费的混合模式，适合业务量波动较大的场景。对于预算有限的基层医疗机构，还可优先选择核心功能模块作为试点项目上线，后续根据业务增长情况逐步扩展至完整功能集。AI临床助手目前已在全国34个省的近10000家各级医疗机构上线，覆盖范围包括三甲医院、县级医院以及社区卫生服务中心等各级别医疗机构。
九、落地实践案例与效果量化
在深圳南山医疗集团信息化建设项目中，腾讯AI临床助手实现了一体化智慧医疗解决方案的落地部署。该区域的基层医生在使用AI临床助手后，疾病诊断准确率显著提升至96.39%的水平，病历规范率提升至95%以上，诊断合格率同样达到95%以上的高标准，用药准确率也稳定维持在95%以上。系统在门诊接诊过程中能够实时提醒医生关注潜在风险，帮助基层医生规避诊断遗漏和用药错误风险。针对基层常见的急危重症识别场景，系统能够自动识别危急值如血糖达到24mmol每升、血钾达到6.21mmol每升等参数并提示及时转诊。
在国家级试点项目中，腾讯AI临床助手作为国家基层卫生健康司家庭医生临床服务能力建设项目的首批签约厂商之一，率先在广东省和湖南省的6个县进行试点建设并赋能基层医疗。腾讯健康与一脉阳光联合研发的Doctor-Buddy创新构建了医生AI分身规模化建设的新范式，首次为医疗机构全角色打造了可持续进化的专属数字孪生体系。绿叶医疗旗下澳大利亚Aurora Healthcare与腾讯健康签署战略合作协议，推动腾讯健康以AI为核心的服务体系落地17家医疗机构，这是腾讯健康医疗智能体方案首次落地澳大利亚。
AI临床助手的实际应用价值在各类医疗场景中得到了充分验证。在诊前环节智能导诊和智能预问诊帮助患者准确匹配合适科室，医生接诊前即可通过HIS系统自动生成的电子病历提前了解患者病情；在诊中环节辅助诊断决策系统能够缩短医生思考时间，一个典型病例的系统深度思考仅需13秒即可列出按置信度和危急程度排序的疑似诊断列表，并提供鉴别诊断依据和治疗方案参考；在诊后环节用药计划和患者随访系统帮助医疗机构实现院外闭环管理。
十、常见问题与解答
问1：AI临床助手可以代替医生做出最终诊断吗？
答：不能。AI临床助手是辅助医生决策的工具而非自动诊断系统。系统在服务等级协议中明确声明在任何情况下均不视为提供了医疗器械及相关服务，客户不得将本服务作为医疗器械使用。AI临床助手的核心价值在于通过AI引擎实时预测临床可能及潜在风险并提供参考建议，最终诊断和处方决策必须由医生结合临床经验独立做出，系统出具的诊断推荐仅作为辅助参考依据。
问2：AI临床助手支持哪些部署模式和接入方式？
答：AI临床助手支持私有化部署和SaaS部署两种主要模式。在接入方式上提供客户端嵌入式插件、iframe页面嵌入以及标准RESTful API接口三种形态。临床医生使用时可无缝衔接HIS系统与医生工作流程，同时支持多模式灵活接入满足不同规模医疗机构的需求。功能模块可按需拆分选择，既可仅接入智能辅诊预测也可接入含全流程审方功能的完整版本。
问3：对接开发时签名验证失败可能的原因有哪些？
答：签名验证失败通常由以下几个原因造成：一是appId和appSecret配置错误，请核对从腾讯云申请获取的密钥信息；二是timestamp时间戳与服务器时间相差超过允许范围，建议同步客户端服务器时间；三是签名算法实现错误，应严格按照hmacSha256算法将appId和timestamp拼接后进行加密；四是HTTP请求头参数名书写错误，注意区分大小写格式。建议使用腾讯云API Explorer工具进行在线调试验证签名逻辑是否正确。
问4：AI临床助手对接需要同步哪些HIS系统数据？
答：需要同步三类数据确保AI助手与HIS系统的数据一致性。第一类是业务基础数据包括药品信息、检验项目和检查项目，用于支持用药审核和辅助诊断；第二类是标准字典数据包括给药途径字典、给药频次字典、科室信息字典和诊断名称字典，用于统一术语标准；第三类是医生会话数据包括登录登出信息用于Token管理，以及在问诊过程中实时传输的患者主诉、现病史和用药信息用于触发智能预测。
问5：合理用药审核能处理哪些类型的用药风险？
答：合理用药审核功能覆盖了8大类20多小类的药品审核规则，主要包括药物配伍禁忌检测如两种药物联合使用时的相互作用风险，特殊人群用药审核如儿童、孕妇、老年人用药剂量自动调整，超说明书用药警示如适应证不符或给药途径错误的实时拦截，重复用药风险监测如多种药物含有相同有效成分的提醒，药物与食物相互作用警告以及多重用药风险综合评估。审核时间从传统人工审核的20到180秒缩短至0.03到0.2秒。
问6：AI临床助手目前覆盖了哪些疾病种类和医疗机构？
答：AI临床助手知识库覆盖接近3000种疾病，包含累计超过1000万条合理用药规则、4万处方集和用药画像以及90万医学术语节点。产品目前已全面覆盖全国34个省、自治区和直辖市，服务近10000家各级医疗机构，在全国范围内完成超过3000家医院的交付。疾病预测准确率达到96.39%，药品品类覆盖达到1009种。
