初筛这件事，难从来不是「判」本身
是量、是合规、是说不清。四个难点层层递进，最后一条最容易被忽略，也最容易在验收时爆炸。
人力瓶颈：报告增速永远快过人手增速
个例报告随试验项目与随访周期滚动涌入，初筛要的是「懂方案、懂分级」的人。资深人员每小时都在被会议和咨询切碎，初筛队列却只增不减。人一疲劳，宽严尺度就漂移——同一份报告，月初判「轻」，月末可能判「重」。
数据合规：云端模型与病历文本天然相克
在线大模型 API 的路径是「院内文本 → 外部机房 → 返回结果」。这一来一回，原始病历就出了院门。等保 2.0 对医疗数据的边界要求、院内信息安全制度、申办方的数据协议，三条线全卡在这里。技术上再漂亮，合规这关过不去就等于零。
不可复现：判定理由经不起追问
通用大模型是生成式的：同一条输入，两次输出可以不同；被追问「为什么判它重」时，还可能临场编一个像模像样的解释。质控抽查、监管检查、申办方稽查，任何一次「把当时的判定依据拿出来」都拿不出对得上的账。
信任债：黑盒 AI 上线容易，买单在后面
很多「AI 辅助」方案在演示时惊艳、上线后失语：分不对没人知道为什么，分对了也没人敢信。根子是没有留痕——错误无法归因，改进无法验证，用的人只能整体返工。第一次误报事故之后，这套系统的信任就再也攒不回来。
插进流水线的一格，不是推倒重来的一套
报告来源不变、复核习惯不变、医嘱流程不变。变的是中间那一格：从「人凭感觉扫一遍」变成「机器先分组、人按顺序签」。
图表由独立查看器渲染，支持全屏与导出：打开完整流程图
导出原始报告
从 PACS / 病历系统按清单导出报告文本。格式不挑：纯文本、导出表格都行。全程内网内完成。
脱敏与编号
病历号替换为样本编号，映射表留在院内。进入引擎的只有文本和编号，没有身份。
本机判定
离线引擎加载权重与等级词表，逐条输出严重性分组。过程零外呼，单条判定毫秒级。
置信度分组
结果按高 / 中 / 低三档排列。复核队列自动按置信度排序，人力先花在最该看的地方。
留痕与汇总
每条判定落台账：编号、命中规则、依据字段、版本、时间。一页汇总 + 全量明细，随时备查。
不要求一步到位。先证明能判、再证明稳定、最后谈接入——每档都有明确的验收物。
离线试点
给定一批历史脱敏报告，在本机跑出分组与留痕，产出一份能力评测报告：判得怎么样、错在哪、边界在哪，白纸黑字。
私有化部署
引擎落地院内工作站或私有化环境，接入真实导出流程，词表按科室方案调整，复核队列与台账跑起来。
流程对接
与院内系统做导入导出对接、按申办方格式输出汇总包、配套的等保与商密评估材料支撑。
不请信广告，请信当场能做的三个动作
本页一条性能数字都没有——数字应由你在自己的数据上测出来，写进交付的评测报告，而不是写在宣传页上。
拔了网线，它照样判
权重与词表全部本机加载，运行期零外呼。合规审查时，这一条是可以直接写进材料的技术事实，不是承诺。
连跑十次，结果一致
非生成式判定，不含随机性。质控抽查时拿历史留痕复跑，结论一致——这一致性本身就是审计资格。
每个结论都有底账
编号、命中规则、依据字段、引擎版本、时间戳逐条落账。错误可以归因，改进可以验证，信任才攒得起来。
以下为市场行情参考（非报价），用于说明成本结构的差别，具体以商务洽谈为准。
机构临床试验机构办 / GCP
AE 报告初筛量大、分级要求严、稽查频繁。留痕台账直接回应稽查要求，复核排序让资深人力花在刀刃上。
遗传科 / 检验科
病例与危急值需要按轻重分流，人工初筛积压严重。本地判定先行分组，人工只处理机器拿不准的那部分。
第三方实验室 / 数据服务方
多中心数据院内治理场景，需要可白标、可对接的判定内核与交付口径，配套等保与商密评估材料。
不是通用模型的替代品，是合规场景里的对口答案
通用大模型很强，但「病例文本不能出院门」这一条，就把多数在线方案挡在了门外。下表把差别摊开。
| 比较项 | 本方案（本地判定引擎） | 通用大模型 · 在线 API | 纯规则引擎（传统） | 纯人工初筛 |
|---|---|---|---|---|
| 数据边界 | 全程内网，零外呼 | 文本须出域到外部机房 | 可完全本地 | 不出内网 |
| 判定可复现 | 同一输入同一输出 | 生成式，含随机性 | 确定性 | 因人、因状态而异 |
| 留痕能力 | 逐条落账，可对账 | 一般无结构化留痕 | 取决于实现 | 靠人工记录 |
| 语义理解 | 模型级理解 + 词表约束 | 最强 | 关键词匹配，易漏易误 | 最强（专家） |
| 解释可信度 | 命中规则 + 依据字段 | 临场生成，可能编造 | 只有命中词 | 专家判断 |
| 处理速度 | 毫秒级 / 条 | 秒级，受网络波动 | 毫秒级 | 分钟级 / 条 |
| 成本结构 | 一次部署，边际趋零 | 按量持续付费 | 低 | 人力线性增长 |
| 合规验收 | 配套等保 / 商密材料 | 需重度脱敏改造 | 成熟 | 成熟 |
| 适用定位 | 分诊 + 留痕 | 通用文本任务 | 简单关键词场景 | 复核与终审 |
比较基于公开产品形态与技术常识，不点名、不贬损；「处理速度」为同类量级常识，非实测承诺，部署后的真实表现以你的数据现场实测为准。
合规是硬门槛的场景
只要「原始病例不能出内网」是硬约束，在线大模型方案就直接出局——这不是模型能力问题，是数据边界问题。剩下能选的，就是既要语义理解又要留痕的方案。
不做通用写作与问答
要生成病历摘要、写文书、做医学问答，请用大模型工具——那是它们的主场。我们只在「文本进来、轻重出去」这一格里做事，做窄，做深。
和大模型是上下游，不是对手
真实项目里常见组合是：我们的引擎在内网做初筛分组与留痕，脱敏后的统计结果再交给外部模型做研究分析。各自站在各自合规的一侧。
亲手点一次，看结论是怎么摆出来的
本演示在浏览器里用预置数据模拟判定，不联网、不调用任何模型。真实引擎的判定口径以交付评测为准。
输入 · 示意报告文本
真实部署中，这里接到的是脱敏后的原始报告导出文本。
判定结果将显示在这里：置信度分组、命中规则、依据字段、引擎版本——真实部署中，这些字段同时逐条写入留痕台账。
文本进入引擎
真实部署中，文本来自院内导出，编号已脱敏；演示中由浏览器模拟。
词表与权重匹配
本机加载的等级词表逐条比对，找到命中的分级规则与依据字段。
输出三档分组
高置信直接排进复核队列前排；低置信进人工队列，绝不硬判。
留痕落账
演示里你看到的每个字段，真实部署中都同时写入台账，可整页导出。
扫码加企业微信，直接聊
演示预约、试点洽谈、材料咨询，一个二维码全直达。
微信扫码 → 添加企业联系人