在2026全球数字经济大会上，医渡科技参与朝阳区医疗健康数据要素生态联盟建设，展示临床循证智能体“医渡智循”，并与朝阳区卫生健康委员会围绕医疗健康智能体创新应用开展场景共建。

在国家数据局组织的国家数据要素综合试验区医疗数据流通利用专题现场会上，来自全国17个省市的数据和卫生健康部门代表走进北京医疗AI中试基地，医渡科技分享高质量医疗数据治理、临床科研和智能体应用成果。

与此同时，由北京大学第一医院牵头、医渡科技参与共建的多模态智能诊疗系统研发与转化应用北京市重点实验室正式揭牌。

表面上看，这是三场彼此独立的活动。放到一起看，却对应了医疗AI规模化落地的三个关键环节：数据要素流通、智能应用验证和临床科研转化。

这也意味着，北京医疗AI建设正在进入一个新阶段。

此前，行业更多关注的是数据能不能汇聚、系统能不能打通；现在，北京开始回答另一个更难的问题：数据治理之后，能不能持续产生可信、可用、可推广的智能能力？

城市医疗健康建设，真正难的从来不是“上线一个系统”

过去十多年，各地在区域医疗平台、智慧医院、电子健康档案等领域投入巨大，但真正走到城市级协同层面，依然存在多重障碍。

首先是数据“多而不能用”。

医院内部存在HIS、电子病历、检验、影像、手术、科研等多个系统，不同医院之间又存在标准不一、接口复杂、历史数据质量参差等问题。数据看似沉淀多年，真正进入科研、临床辅助和城市治理场景时，往往仍需重新清洗、标准化和建模。

其次是系统“建而不通”。

部属、市属、大学附属、军队等不同隶属体系并存，跨机构数据共享不仅是技术问题，还涉及权责边界、数据安全、管理机制和利益协调。很多城市并不缺平台，真正缺少的是让数据跨部门、跨机构安全流动的治理能力。

第三是AI“有模型、缺场景”。

大模型能力快速提升，但医疗AI不是简单接入一个通用模型就能落地。模型需要理解真实病历、临床指南、患者长期疾病轨迹，还要进入医生原有工作流，接受准确性、可解释性、安全性和责任边界的检验。实验室里表现良好的模型，到了真实医院未必能够稳定使用。

第四是项目“重建设、轻运营”。

不少医疗数字化项目在上线和验收阶段声势很大，但后续缺少持续的数据更新、模型迭代、医生培训和使用反馈，最终使用率逐渐下降。

医疗AI真正的价值，不在于上线多少产品，而在于医生是否愿意长期使用、医院是否形成稳定的工作机制、患者是否真正从中受益。

因此，城市医疗健康建设已经不能再被理解为单一的信息化工程，而是一项同时涉及数据治理、制度协调、临床验证、产业协同和长期运营的系统工程。

也正因为如此，观察北京近期的这些动作，它们更像是北京医疗健康数字化建设持续推进过程中，集中显现出的几个新切面：医疗数据开始更深入地服务智能应用，AI产品正在进入真实场景接受验证，科研成果也在加快与临床应用和产业转化衔接。

但这套能力并不是在一周之内形成的。

不是一周三次出现，而是多年北京实践的集中显影

如果只看过去一周，医渡科技似乎突然密集出现在北京医疗AI的多个关键节点。但把时间线拉长，这更像是其多年北京实践的一次集中显影。

在医院端，医渡科技已与北京协和医院、北京大学肿瘤医院、清华长庚医院等多家重点医疗机构开展合作，将临床助手嵌入诊前、诊中、诊后流程，支持病历生成、辅助决策、治疗方案推荐等工作。

在区域协同层面，围绕北京市推动跨机构数据共享、检查检验结果互认和临床服务效率提升等工作，医渡科技的相关技术能力也支持在医生工作站终端以轻量化方式接入数据共享与智能辅助能力，将头部医院打磨的智能应用通过共享助手向全市推广。

在临床研究领域，医渡科技长期围绕患者智能筛选、临床试验招募、研究质控和真实世界研究等场景，为北京的医院、科研机构和医药企业提供支撑。此次在中试基地展示的患者招募、临床科研等智能体，并非从零开始的产品演示，而是过往临床科研能力向智能体形态的升级。

在健康管理与支付端，医渡科技已连续五年担任“北京普惠健康保”主运营平台，将医疗数据、保险支付和健康服务连接起来，探索从事后理赔向风险识别、健康干预和连续服务延伸。

在城市治理和公共卫生领域，医渡科技也参与了数据治理、疾病监测预警和决策支持等相关建设，推动医疗数据从服务单一机构，进一步走向服务公共卫生和城市治理。

从医院诊疗到临床科研，从普惠保险到公共卫生和城市治理，这些实践共同构成了一条从数据治理、智能应用到城市级协同的连续路径，也解释了医渡科技为什么能够同时出现在数据要素生态、中试基地和重点实验室等不同节点。

医渡科技的角色：从项目服务商走向底座建设者

为什么医渡科技出现在北京医疗AI建设的多个领域？还要从其长期选择从医疗数据治理这一底层环节切入说起。

医渡科技从医疗数据治理起家，过去十二年持续处理多源异构临床数据。按照公司披露，其已累计处理分析近90亿份经授权医疗记录，覆盖超过1.2万家医疗机构，并围绕百余种疾病建设专病数据体系。基于这一基础，公司将数据治理、疾病知识建模和AI应用能力整合，再向临床诊疗、临床研究、健康管理和城市治理等场景输出。

这些工作并不性感，却构成了医疗AI最深的壁垒。只有先把分散、复杂、质量不一的数据转化为可计算、可理解、可追溯的高质量数据，AI才有可能进一步理解疾病、调用证据并嵌入真实工作流程。

基于这一积累，医渡科技正在从单个项目的交付者，走向医疗智能底座建设者：向下，连接医院长期积累的异构数据和历史系统，将分散、非标准的数据治理为可计算、可理解、可追溯的高质量数据；向中间层，将数据进一步转化为疾病知识、患者画像、临床证据和疾病模型，为不同智能体提供统一的认知基础；向上，支持病历生成、循证决策、患者招募、科研分析、健康管理和城市治理等智能应用，并将其嵌入医生和管理者原有的工作流程。

这套架构的核心价值，不只是提供某一个模型，而是让不同模型、不同智能体和不同业务系统能够在统一规则下协同运行，并通过真实场景反馈持续优化数据、知识和算法，形成“数据—知识—模型—应用—反馈”的飞轮。

这也是为什么，在北京医疗AI建设日益走向系统化的背景下，长期从事医疗数据治理的企业开始显现出更高的战略价值。大模型能力越强，行业对高质量数据、可信证据和真实场景验证的依赖反而越深。模型本身可以快速迭代，但数据能否被准确理解、结论能否被追溯验证、产品能否嵌入临床工作流，并不会随着模型参数增长而自动解决。

近期几项动作，也从不同侧面验证了这一能力。医渡智循体现的是可溯源、可验证的循证决策能力；中试基地展示的患者招募和临床科研智能体，表明AI正在进入专业工作流程；参与北京市重点实验室建设，则进一步将能力延伸至多模态数据、复杂疾病建模和临床科研转化。

这也反映出医疗AI企业竞争逻辑的变化：从提供单一产品，转向提供能够持续开发、调度和迭代智能能力的底层平台；从服务单一医院或场景，走向连接医疗、科研、产业和城市治理的智能基础设施。

但这并不意味着企业可以替代政府、医院或科研机构。

相反，城市级医疗AI建设的前提，正是各方角色更加清晰：政府负责制定规则、开放场景和推动协同；医院提供数据、临床知识和验证环境；高校与科研机构承担科学研究；企业负责工程化、产品化和长期运营。

当各方能力能够在统一底座上被组织起来，医疗AI才可能摆脱一个个孤立的模型和项目，真正成为医疗系统可以持续调用和进化的基础能力。

北京样本的价值，不是“多建几个AI项目”

当前，越来越多城市都在布局医疗大模型、高质量数据集、区域健康平台和智慧医院。

但真正值得借鉴的，不是某一个产品或技术架构，而是一套打通数据、制度、场景与运营的方法。

首先，数据治理必须先于大规模AI应用。没有统一标准和高质量数据，模型能力越强，错误传播和风险放大的可能性反而越高。

其次，临床场景必须从项目末端前移到研发起点。脱离临床流程设计出来的AI，很难长期留在临床中。

第三，评价体系要从“建设完成率”转向“实际使用率”和“真实改善”。一个平台是否成功，不应只看接入多少医院、上线多少功能，还要看医生采纳率、科研效率、患者获益和治理效果是否真正提升。

第四，安全合规不能成为事后补丁。医疗数据的授权、脱敏、使用边界和责任追溯，需要在项目启动前就被纳入制度设计。

第五，建设完成只是开始。医疗指南、患者数据和疾病认知都在持续变化，医疗AI也需要长期更新模型、培训用户、收集反馈。缺少持续运营，再先进的系统也可能成为新的“信息孤岛”。

可以复制的不是某一个平台，而是政府如何协调不同主体、医院如何开放临床场景、企业如何长期运营，以及数据如何在安全边界内转化为实际能力。

医疗AI下半场，比拼的是城市级系统能力

医疗AI正在从单点工具竞争，走向系统能力竞争。

未来，决定一座城市医疗智能化水平的，不只是有没有大模型，而是能否形成高质量数据、临床知识、智能体、真实世界验证和持续运营之间的闭环。

也不只是头部医院能否使用AI，而是这些能力能否向基层医疗、公共卫生、健康管理和城市治理延伸。

医渡科技的实践所反映的，并不只是某家企业业务版图的扩大，而是整个行业正在重新定义医疗AI基础设施。

真正的城市医疗智能，不是再建一个系统，也不是再部署一个模型，而是让数据持续可用，让AI真正进入工作流，让科研成果更快转化，并最终让有限的医疗资源被更加高效地组织起来。

这或许才是北京样本更值得关注的地方。