一周的数据分析现在几秒完成，一位医生如何用AI给工作减负？

一位医生用AI编程将一周的数据分析缩短到几秒，不仅提升效率还改变了科室工作模式。

内容要点：

• 郑医生如何利用AI解决血液透析数据分析的难题
• 传统数据处理方式的低效与易错问题
• AI应用对医疗工作模式的深远影响

只要工作中涉及重复的数据处理，都能从中获得启发。

01 郑医生的AI突破

前段时间有个挺有意思的案例，来自贵州医科大学附属肿瘤医院的郑易军医生。他干了一件事：用AI编程，把原本需要一周才能完成的血液透析数据分析工作，压缩到了几秒钟。

听起来可能没那么震撼，但关键在于：郑医生自己并不是编程专家。

很多人知道AI编程现在很火，不少AI自媒体也在鼓吹“只要会说话，就能用AI编程”。但真正做起来，背后那些专业术语——后端、接口、API、部署——足以让一个门外汉望而却步。让一个完全不懂代码的一线医生，开发出能解决实际问题的专业软件，这本身就很有挑战性。更难得的是，这个软件不是自娱自乐的测试品，而是真正解决了科室的核心问题，甚至改变了全省血透室的工作模式。

简单介绍一下背景。郑医生在血液透析中心工作，管理着近300名患者。血液透析患者每周来医院3次，每次4小时，基础疾病多、并发症多、治疗周期长，自然会生成海量数据。这些数据不是摆设。每个患者的检查、检验结果，会直接影响下个月的检查频次和治疗方案。医生需要观察数据在时间轴上的变化趋势，判断个体是否符合总体规律。如果个体数据和全科数据有偏差，就得判断病情是向好还是恶化，从而决定是提前预警，还是本次不需要特殊干预。

02 数据分析处理的难题

但问题来了——怎么快速准确地做数据分析？这一直是老大难，主要卡在几个地方：

数据量大而杂

数据量惊人，而且结构复杂。每月大约200名患者（占总数六七成）要做各种检查。按照《肾病专业医疗质量控制指标（2020年版）》的要求，需要统计20项血液透析监测指标，加上科室自己的指标，总共约28项。到了季度末，指标数还要增加到38项。

郑医生每月处理的数据表界面

人工处理易出错

这么多指标，处理起来极其耗人，还容易出错。传统方式需要两个人干一个星期，几乎全天投入：4天用来抓取数据——从医院检验系统以及纸质透析记录单手工录入Excel；另外3天分析数据，手工计算指标、制作图表。更头疼的是，一旦发现数据有误，就得全部重来。就像堆起三层楼高的积木，随便抽掉底部一小块，整个“大厦”就会崩塌。

培训成本过高

还有个痛点：培训成本太高。血液透析是四级学科，在医院里算小科室，不会配太多专职医生。很多医生是从肾内科临时轮转过来的，对血透不熟悉。通常需要3个月培训才能独立完成统计。问题是，刚熟悉，可能3个月后又轮转出去了——来了新人，又得重新培训。

痛苦的数据分析过程

再说说传统的数据分析到底有多痛苦。最开始完全是手工干：数据录进Excel，纸上计算，再填回Excel生成图表。数据一旦出错，直接影响患者治疗方案。比如贫血患者，本应一周或两周复查一次，如果误排成一个月，就会延误治疗。后来郑医生用Excel函数做了个半自动化表格，统计和制表能自动完成，但数据录入还得人工，这受限于医院系统。但Excel函数也有很多搞不定的地方，比如计算“血常规定时检验完成率”——需要统计90天内抽过血的患者占全体患者的比例——Excel没法单独提取小于90天的数据，只能手动排序、取值、计算。这种状况持续了好几年，直到AI出现。

03 AI编程的探索与实践

郑医生以前懂一些基础的Python知识，但开发一个软件完全超出他的能力范围。他想到了一个新思路：能不能针对Excel搞不定的那些问题，让AI帮忙写代码？比如那个“90天内抽血比例”的计算，他直接跟AI说：“我有300个病人的数据，需要找出90天内抽血的长透患者数量，然后算占全体患者的比例。”AI居然真能理解，并写出了对应的Python代码。最初，他让AI一口气写出完整程序，结果代码太多，以他的编程能力无法调试。后来他发现AI输出的字数可能超过聊天窗口限制，没法一次性输出太长代码。于是他改变策略：模块化开发。先让AI写统计报表功能，跑通了再写图表功能，最后让AI合并两段代码。每个功能模块单独编码，能运行就立即存档，成功率大大提升。

与AI对话的具体方法

那么，具体怎么操作呢？郑医生用ChatGPT、智谱、DeepSeek这类工具，把医学统计需求用大白话告诉AI。他一般先跟AI说清楚要做什么，让它列出准备工作、提示潜在风险，然后按AI的思路一步步推进。比如开发肾性贫血分层分析时，他对AI说：“我需要把血红蛋白数据分成三档：0-90、90-110、110-130，然后统计每一档有多少人，并算出百分比。”AI不仅写出了代码，还顺手处理了数据格式问题——比如数据类型不对、多了空格或少了空格——并且能准确定位到第几行第几列。当然，调试过程也很关键。AI生成的代码不是一次就完美的，需要不断调整。郑医生后来学聪明了：把能跑的代码单独存档，避免在修改过程中把正确的代码改坏了，这样还能随时回退。为了让程序更好用，他还开发了视窗界面。整个过程中，他慢慢摸索出一些经验：

• 保存有效的提示词当模板
• 需要生成长代码时，开启新会话
• 完整保存每个可运行的版本

最终，他真的做出了一款专门用于血液透析数据分析的程序。

郑医生开发的应用程序界面

效率提升与质的变化

效果如何？一个数字就能说明：3天变成几秒钟。具体来说，数据分析的速度从3天缩短到几秒钟，整体工作周期从一周缩短到半天。为什么还需要半天？因为数据录入依然得人工做，这受限于医院系统。仅仅是分析环节的提速，就带来了质的变化：过去每月才能做一次数据分析，现在每周都能做一次。这意味着什么？患者的治疗方案能得到更及时的调整。比如贫血患者，如果数据显示贫血了，可以立刻安排一周或两周复查；如果正常，就按常规一个月复查。以前每月分析一次，可能等一个月才发现问题；现在每周分析，能及时察觉异常并干预。

AI自动生成的指标分析图表-1

AI自动生成的指标分析图表-2

此外，培训成本也大幅下降。有了这个程序，医生不用再花3个月学统计公式，只要把Excel表导入，程序自动出结果。对郑医生来说，不用反复培训新来的医生了；对临时轮转的医生来说，也不用硬着头皮学一堆可能用不了多久的东西。

04 案例带来的启发

听到这里，你可能会想：我又不是医生，这跟我有什么关系？其实，郑医生的经验很有普遍性。不管你从事财务、人事、销售还是其他工作，只要涉及重复性数据处理，都能从中找到启发。他总结了几个关键点：

别想一口气解决所有问题，先找那些最耗时间、最容易出错的地方，比如分类统计、条件筛选——这些Excel很难高效完成。

不要说什么“计算血红蛋白分层统计”，而是说“把血红蛋白数据分成三档，统计每一档有多少人”，这样AI更容易理解具体步骤。

先让AI写数据筛选功能，跑通了再写统计功能，最后合并。每个能用的版本都要保存好，免得改来改去把好用的功能弄丢了。

但这个案例的价值，其实远超个人效率的提升。郑医生后来发现，贵州全省53%的血透室部署了信息化系统，但真正做到自动分析数据的极少。关键问题在于数据定义不统一：比如对“长透患者”的定义——他们定义是“在本中心接受维持性透析3个月以上”，但有些中心当天转进来就算；再比如高血压控制率计算——他们算“13次透析的平均值达标”，但有些中心要求13次都达标，还有些超过半数达标就行。于是，郑医生用Get笔记建了个知识库，叫“血液透析日常及并发症管理”，把所有相关医学指南、国家肾脏病数据统计指标都放进去，并分享给了联盟医院。现在全省的医生都能在里面直接提问，至少有了统一的参考标准。只有当大家都用同样的方法分析数据，才能扩大样本量，后续分析和对比趋势时才更有参考性。这个价值比单纯提升个人效率更大——是让整个行业受益。

05 结语：小工具的大意义

这案例让人挺感慨的。我们经常听到AI在医疗领域的宏大叙事——什么“碘伏性突破”、“革命性变化”——但真正落到实处的，往往就是这种不起眼的小工具。一个医生，用最简单的方法，解决了自己每天都要面对的具体问题，这本身就很有意义。虽然每个人的需求不同，但整个思路或许能给你带来启发。

附录

1. 郑医生的知识库：血液透析日常及并发症管理

2. 郑医生的软件界面

3. 郑医生的AI编程开发过程