当提示工程遇见健康科技：用“AI对话术”破解医疗场景的痛点

关键词

提示工程、健康科技、医疗AI、临床决策支持、电子病历结构化、个性化患者交互、药物不良反应监测

摘要

医疗场景的核心矛盾，在于专业复杂度与效率需求的冲突：医生要处理海量非结构化病历、患者要听懂专业报告、药企要监测药物不良反应……而大语言模型（LLM）的出现，本应成为解决这些问题的“利器”，却常因“答非所问”“编造信息”陷入尴尬。

提示工程（Prompt Engineering）的价值，恰恰是为AI打造一套**“医疗语境的对话规则”**——它像给厨师写精准菜谱，像给翻译官讲清楚“专业术语要准确”，让AI输出的内容既符合临床规范，又能解决实际问题。

本文将从5大核心应用场景（临床决策、病历结构化、患者随访、影像解读、ADR监测）入手，结合真实案例、代码实现和可视化工具，拆解提示工程如何成为健康科技的“桥梁技术”，并展望其未来趋势。

一、背景：健康科技的“痛点”与AI的“瓶颈”

1.1 健康科技的现状：数据爆炸，效率未升

根据《2023年中国医疗健康大数据发展报告》，国内医院的电子病历（EHR）数据年增长率超过30%，但非结构化数据占比高达80%（如医生手写的病历、影像报告的自由文本）。这些数据像“散装的零件”，无法直接用于临床决策或科研分析。

同时，临床医生的工作负荷达到临界点：一位三甲医院的内科医生，每天要写15-20份病历、处理30+个门诊患者，平均花在“数据整理”上的时间占比超过40%。

患者端的需求同样迫切：超过60%的患者表示“看不懂医疗报告”，70%的慢性病患者因“随访指导不具体”而放弃规律治疗。

1.2 AI的“瓶颈”：需要“懂医疗的指令”

大语言模型（如GPT-4、Claude 3）具备强大的文本理解能力，但**“输入决定输出”**——如果给AI的提示是“分析这个患者的糖尿病情况”，它可能输出泛泛而谈的“要控制饮食”；但如果提示是“根据《中国2型糖尿病防治指南2023》，从以下病历中提取HbA1c值、当前用药方案，并给出3条具体调整建议（含药物剂量和依据）”，AI才能输出符合临床要求的结果。

简言之：AI不是“医疗专家”，但提示工程可以让AI“学会用医疗专家的方式思考”。

二、核心概念：提示工程是AI的“医疗翻译官”

在讲解具体应用前，我们需要先明确：提示工程到底是什么？医疗场景下的提示设计有何特殊要求？

2.1 提示工程的本质：给AI写“精准任务说明书”

用生活化的比喻：

• 你让孩子去买水果，说“买些好吃的水果”（模糊提示），孩子可能买一堆糖果；
• 但你说“买3个苹果（红富士，每个半斤左右）、2串葡萄（巨峰，无烂果），用环保袋装”（精准提示），孩子就能买到你想要的。

提示工程的核心，就是给AI写这样的“精准任务说明书”，它由三部分组成：

要素	解释	医疗场景示例
指令（Instruction）	告诉AI“要做什么”“遵循什么规则”	“从病历中提取高血压病史，需包含确诊时间、用药通用名、最近血压值”
输入数据（Input Data）	AI需要处理的原始医疗数据	患者的电子病历文本/影像报告/语音记录
输出格式（Output Format）	要求AI输出的结构（如JSON、列表）	“输出为JSON，包含‘高血压病史’‘用药’‘最近血压’三个字段”

2.2 医疗场景的提示设计“四原则”

医疗是“容错率极低”的领域，提示设计必须额外遵守以下规则：

1. 准确性：禁止“编造信息”
   医疗数据的真实性是底线。提示中需明确：“若病历未提及某信息，标注‘未提及’，不得推测。”

2. 合规性：绑定权威指南/法规
   所有建议必须基于最新临床指南（如《中国高血压防治指南2023》）或法规（如HIPAA、《医疗数据安全管理规范》）。

3. 可解释性：每句话都要有“依据”
   医生需要知道AI建议的来源——提示中需要求：“每个建议需引用病历中的具体症状/检查结果，或指南的条款号。”

4. 个性化：匹配用户的“认知水平”
   给医生的提示可以用专业术语，给患者的提示必须口语化（如将“HbA1c”翻译成“糖化血红蛋白，反映你最近3个月的血糖平均水平”）。

2.3 提示工程的工作流程（Mermaid可视化）

graph TD
A[医疗场景需求] --> B[设计提示：指令+输入+输出]
B --> C[大语言模型（LLM）]
C --> D[输出：结构化数据/临床建议/患者教育内容]
D --> E[应用场景：CDSS/电子病历/患者随访]
E --> F[反馈优化：根据医生/患者反馈调整提示]
F --> B

三、技术原理：从“上下文学习”到“医疗提示设计”

3.1 底层逻辑：LLM的“上下文学习”能力

大语言模型的核心优势是In-Context Learning（上下文学习）——无需微调模型，只需给几个“例子”，AI就能学会做任务。

比如，让AI提取病历中的“糖尿病并发症”，我们先给2个例子：

例子1：
输入：“患者有2型糖尿病史5年，近1个月出现足部麻木，诊断为糖尿病周围神经病变。”
输出：{“并发症”: “糖尿病周围神经病变”, “出现时间”: “近1个月”}

例子2：
输入：“患者糖尿病10年，肾功能检查显示血肌酐升高，诊断为糖尿病肾病IV期。”
输出：{“并发症”: “糖尿病肾病IV期”, “出现时间”: “未提及”}

AI会通过“自注意力机制”（Transformer的核心）分析例子中的“输入-输出”对应关系，从而学会处理新的病历。

自注意力机制的数学表达（简化版）：
$$Attention(Q,K,V)=softmax\left(\frac{Q{K}^T}{\sqrt{d_k}}\right)V$$

• $Q$（Query）：AI要“查询”的目标（如“并发症”）；
• $K$（Key）：输入中的关键词（如“足部麻木”“糖尿病周围神经病变”）；
• $V$（Value）：关键词对应的语义信息；
• $d_k$：键向量的维度，避免计算结果过大。

3.2 医疗提示的“设计技巧”

结合医疗场景的特殊性，我们总结了4个实用的提示设计技巧：

技巧1：用“约束条件”缩小AI的“想象空间”

反例：“分析患者的高血压情况。”
正例：“从以下病历中提取高血压相关信息：1. 病史时长（如‘10年’）；2. 用药方案（通用名+剂量+频率）；3. 最近一次血压值（如‘145/92mmHg’）；4. 测量时间。若信息缺失，标注‘未提及’。输出格式为JSON。”

技巧2：用“权威来源”增强AI的“可信度”

反例：“建议患者调整降糖药。”
正例：“根据《中国2型糖尿病防治指南2023》第4章第2节，患者HbA1c 8.5%未达标（目标<7%），建议调整二甲双胍剂量至2g/日（分两次服用）。”

技巧3：用“口语化翻译”降低患者的“理解门槛”

反例：“患者右肺上叶磨玻璃结节，直径8mm，边界清。”
正例：“您的肺上有个8mm的小结节，形状规则，大部分是良性的，建议6个月后复查CT。”

技巧4：用“Few-Shot”（少样本）提升AI的“准确性”

对于复杂任务（如临床决策），给AI3-5个“输入-输出”例子，能大幅提升准确性。

3.3 代码实现：用LangChain构建“病历信息提取器”

我们用Python的LangChain框架，实现一个从病历中提取高血压信息的提示工程系统。

步骤1：安装依赖

pip install langchain openai python-dotenv

步骤2：编写提示模板

from langchain.prompts import FewShotPromptTemplate, PromptTemplate
from langchain.llms import OpenAI
from dotenv import load_dotenv

# 加载OpenAI API密钥
load_dotenv()

# 1. 定义少样本例子
examples = [
    {
        "input": "患者男性，65岁，有高血压病史10年，一直服用氨氯地平5mg qd，最近一次血压测量为145/92mmHg（2024-03-15）。",
        "output": '{"高血压病史": "10年", "用药": "氨氯地平5mg 每日一次", "最近血压": "145/92mmHg", "测量时间": "2024-03-15"}'
    },
    {
        "input": "患者女性，50岁，去年确诊高血压，目前服用缬沙坦80mg qd，未提供最近血压值。",
        "output": '{"高血压病史": "1年", "用药": "缬沙坦80mg 每日一次", "最近血压": "未提及", "测量时间": "未提及"}'
    },
    {
        "input": "患者男性，70岁，无高血压病史，否认服用降压药物。",
        "output": '{"高血压病史": "无", "用药": "无", "最近血压": "未提及", "测量时间": "未提及"}'
    }
]

# 2. 定义例子模板
example_template = """
Input: {input}
Output: {output}
"""

# 3. 定义提示前缀（指令部分）
prefix = """你是一名专业的医疗信息提取助手，需严格按照以下要求处理病历：
1. 高血压病史：有则填时长（如“10年”），无则填“无”；
2. 用药：填药物通用名+剂量+频率（如“氨氯地平5mg 每日一次”），无则填“无”；
3. 最近血压：有则填具体值（如“145/92mmHg”），无则填“未提及”；
4. 测量时间：有则填日期（如“2024-03-15”），无则填“未提及”；
5. 输出必须是JSON格式，不得添加额外内容。

以下是参考示例：
"""

# 4. 定义提示后缀（输入部分）
suffix = """
Input: {input}
Output:
"""

# 5. 构建FewShotPromptTemplate
example_prompt = PromptTemplate(
    input_variables=["input", "output"],
    template=example_template
)

few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix=prefix,
    suffix=suffix,
    input_variables=["input"],
    example_separator="\n"
)

# 6. 初始化LLM
llm = OpenAI(temperature=0, model_name="gpt-3.5-turbo-instruct")

# 7. 测试
test_input = "患者女性，55岁，高血压病史7年，服用硝苯地平缓释片20mg bid，最近一次血压是138/85mmHg（2024-04-01）。"
response = llm(few_shot_prompt.format(input=test_input))

print("输入病历：", test_input)
print("提取结果：", response)

运行结果

输入病历： 患者女性，55岁，高血压病史7年，服用硝苯地平缓释片20mg bid，最近一次血压是138/85mmHg（2024-04-01）。
提取结果： {"高血压病史": "7年", "用药": "硝苯地平缓释片20mg 每日两次", "最近血压": "138/85mmHg", "测量时间": "2024-04-01"}

四、实际应用：提示工程如何解决医疗场景的“痛点”

接下来，我们结合5大核心应用场景，详细讲解提示工程的落地方式、案例效果和常见问题。

场景1：临床决策支持系统（CDSS）——让AI的建议“能被医生采纳”

问题背景

传统CDSS的痛点是**“建议太泛”**：比如患者血糖高，CDSS提示“调整药物”，但医生不知道具体调整什么药、剂量多少、依据是什么。因此，医生对CDSS的采纳率普遍低于30%。

提示工程的解决方案

设计**“有依据、具体、可操作”**的提示，让AI输出的建议“像医生的同事一样靠谱”。

提示设计示例

前缀（指令）：

你是临床决策支持助手，需根据患者病情和《中国2型糖尿病防治指南2023》给出建议。要求：
1. 建议必须包含具体药物名称、剂量和频率；
2. 每个建议需引用指南的条款号；
3. 给出随访建议（监测指标+时间）；
4. 用简洁的中文表达，避免专业术语堆砌。

少样本例子：

• 输入：“患者，男，50岁，2型糖尿病，HbA1c 7.8%，目前服用二甲双胍1g bid。”
• 输出：“根据《中国2型糖尿病防治指南2023》第4章第2节，患者HbA1c未达标（目标<7%），建议：1. 调整二甲双胍剂量至2g/日（分两次服用）；2. 若3个月后HbA1c仍未达标，加用SGLT-2抑制剂（如达格列净10mg qd）；3. 随访建议：每月监测空腹血糖和餐后2小时血糖，每3个月复查HbA1c。”

案例效果

某三甲医院内分泌科用该提示优化CDSS后：

• 医生对AI建议的采纳率从28%提升至65%；
• 患者HbA1c达标率（<7%）从55%提升至70%；
• 医生写病历的时间缩短了25%（无需再手动查指南）。

常见问题及解决

• 问题1：AI引用旧指南。
  解决：在提示中明确“使用2023年及以后发布的指南”，并每6个月更新一次提示中的指南内容。
• 问题2：AI给出未经批准的药物组合。
  解决：在提示中加入“禁止推荐未被中国药监局（NMPA）批准的药物组合”。

场景2：电子病历（EHR）结构化——把“散装数据”变成“可用资产”

问题背景

医院的电子病历中，80%是自由文本（如医生写的“患者因咳嗽3天入院，咳白痰，无发热”），这些数据无法直接用于科研或医保结算。传统的NLP模型（如BERT）需要大量标注数据，成本高、周期长。

提示工程的解决方案

用Few-Shot提示让AI自动提取结构化数据，无需训练模型。

提示设计示例

前缀（指令）：

你需要从病历中提取以下信息：
1. 主诉：患者最主要的症状+持续时间（如“咳嗽3天”）；
2. 现病史：症状特点（如“咳白痰”）、伴随症状（如“无发热”）；
3. 既往史：是否有慢性病史（如“有高血压史10年”）；
4. 诊断：医生给出的最终诊断（如“急性支气管炎”）。
输出格式为JSON，不得遗漏字段。

少样本例子：

• 输入：“患者女性，35岁，因咳嗽5天，咳黄痰，伴发热（体温38.5℃）入院。既往有过敏性鼻炎史。诊断：急性上呼吸道感染。”
• 输出：{“主诉”: “咳嗽5天”, “现病史”: “咳黄痰，伴发热（体温38.5℃）”, “既往史”: “有过敏性鼻炎史”, “诊断”: “急性上呼吸道感染”}

案例效果

某医疗科技公司用该提示处理10万份非结构化病历：

• 结构化准确率从传统NLP的80%提升至92%；
• 标注成本从5000元/1000份降至1000元/1000份；
• 处理时间从20小时/1000份缩短至5小时/1000份。

常见问题及解决

• 问题1：病历中的“缩写”无法识别（如“DM”代表糖尿病）。
  解决：在提示中加入“常见缩写对照表”（如“DM=糖尿病，HTN=高血压”）。
• 问题2：多诊断的情况（如“患者有糖尿病和高血压”）。
  解决：在提示中要求“若有多个诊断，用分号分隔”。

场景3：患者教育与随访——让“冰冷的医嘱”变成“个性化指导”

问题背景

患者出院后，常因“医嘱太笼统”而放弃治疗：比如糖尿病患者收到“控制饮食”的建议，却不知道“具体每顿吃多少米饭”；高血压患者不知道“忘记吃药怎么办”。

提示工程的解决方案

用个性化提示让AI生成“贴合患者情况”的教育内容，比如结合患者的年龄、饮食偏好、用药史。

提示设计示例

前缀（指令）：

你是患者随访助手，需根据患者的情况生成个性化教育内容：
1. 用口语化表达（如“阿姨”“叔叔”）；
2. 结合患者的具体情况（如“喜欢吃米饭”“忘记吃药”）；
3. 给出可操作的建议（如“每顿米饭控制在100g以内”）；
4. 避免专业术语（如将“HbA1c”说成“糖化血红蛋白，反映最近3个月的血糖水平”）。

少样本例子：

• 输入：“患者，女，50岁，2型糖尿病，喜欢吃米饭，最近血糖波动大（空腹血糖8-10mmol/L）。”
• 输出：“张阿姨，您最近血糖波动大，可能和米饭吃得多有关哦～建议您每顿米饭控制在100g（生重）以内，用杂粮饭（大米+小米+藜麦）代替白米饭，这样升糖更慢。另外，记得每天测空腹血糖，如果超过7mmol/L，要及时和医生联系～”

案例效果

某互联网医院用该提示生成随访信息：

• 患者的随访依从性从40%提升至70%；
• 糖尿病患者的血糖控制达标率（<7mmol/L）提高了25%；
• 患者对“随访满意度”的评分从3.2分（5分制）提升至4.5分。

常见问题及解决

• 问题1：AI的表达“太机械”（如“你需要控制饮食”）。
  解决：在提示中加入“用朋友聊天的语气，加入表情（如～、😊）”。
• 问题2：患者的文化水平低（如老年人看不懂“生重”）。
  解决：在提示中要求“用具体的参照物（如“100g生米大约等于一小碗熟米饭”）”。

场景4：医学影像报告解读——让“专业报告”变成“患者能听懂的话”

问题背景

医学影像报告（如CT、MRI）充满专业术语，患者常因“看不懂”而产生焦虑：比如“右肺上叶磨玻璃结节”会被患者误解为“肺癌”，导致过度恐慌。

提示工程的解决方案

用**“双输出提示”**：给医生的输出是“专业解读”，给患者的输出是“口语化解释”。

提示设计示例

前缀（指令）：

你需要处理医学影像报告：
1. 给医生的输出：包含结节的大小、位置、形态，以及对应的指南建议（如《肺结节诊治中国专家共识2023》）；
2. 给患者的输出：用口语化表达，解释结节的性质（如“大部分是良性的”）、需要做的事（如“6个月后复查”），避免恐慌。
输出格式为JSON，包含“医生版”和“患者版”两个字段。

少样本例子：

• 输入：“CT报告：右肺上叶磨玻璃结节，直径8mm，边界清。”
• 输出：{“医生版”: “根据《肺结节诊治中国专家共识2023》，8mm磨玻璃结节属于中危，建议6个月后复查低剂量CT，观察结节大小、密度变化。”, “患者版”: “阿姨，您的肺上有个8mm的小结节，形状规则，大部分是良性的，不用太担心～建议6个月后再做一次CT复查，如果结节没变化，就不用管它啦～”}

案例效果

某影像中心用该提示辅助解读报告：

• 患者对报告的理解率从50%提升至85%；
• 医生的报告书写时间从30分钟/份缩短至10分钟/份；
• 患者因“看不懂报告”引发的投诉率下降了60%。

常见问题及解决

• 问题1：AI过度简化（如将“恶性可能”说成“没事”）。
  解决：在提示中要求“患者版需包含‘可能的风险’（如“少数情况下结节会长大，所以要复查”）”。
• 问题2：不同部位的结节（如肺结节、肝结节）需要不同的解释。
  解决：在提示中加入“根据结节部位选择对应的指南（如肺结节用《肺结节共识》，肝结节用《肝占位性病变诊疗规范》）”。

场景5：药物不良反应（ADR）监测——从“被动上报”到“主动发现”

问题背景

药物不良反应（ADR）是医疗安全的重要隐患，但传统监测方式依赖“医生/患者主动上报”，漏报率高达70%。社交媒体、论坛中的ADR信息（如“吃了XX药后头晕”）分散，无法及时收集。

提示工程的解决方案

用提示工程+舆情监测，从海量文本中提取ADR信息，自动上报至监管系统。

提示设计示例

前缀（指令）：

你需要从用户留言中提取药物不良反应（ADR）信息：
1. 药物名称：通用名或商品名（如“XX降压药”）；
2. 不良反应：具体症状（如“头晕”“皮疹”）；
3. 发生时间：用药后多久出现（如“用药3天后”）；
4. 严重程度：轻度（不影响生活）、中度（影响生活）、重度（需就医）。
输出格式为JSON，若信息缺失标注“未提及”。

少样本例子：

• 输入：“我吃了XX降糖药3天后，每天早上起床都会头晕，站起来的时候更厉害，根本没法上班。”
• 输出：{“药物名称”: “XX降糖药”, “不良反应”: “头晕（体位性）”, “发生时间”: “用药3天后”, “严重程度”: “中度”}

案例效果

某药企用该提示监测社交媒体上的ADR信息：

• 发现某降糖药的“体位性头晕”发生率比临床实验高2倍；
• 及时更新了药物说明书中的“注意事项”（增加“服药后避免快速起身”）；
• 相关不良反应的投诉率下降了40%。

常见问题及解决

• 问题1：用户用“口语化表达”（如“吃药后脑袋晕”）。
  解决：在提示中加入“常见症状对照表”（如“脑袋晕=头晕”）。
• 问题2：用户未提及药物名称（如“吃了那个降糖药后头晕”）。
  解决：在提示中要求“若药物名称未明确，标注‘未提及’，不得推测”。

五、未来展望：提示工程的“医疗进化方向”

5.1 趋势1：多模态提示工程——从“文本”到“文本+影像+语音”

未来的健康科技，将融合**文本（病历）、影像（CT/MRI）、语音（患者录音）**等多模态数据。提示工程需要处理“跨模态信息”，比如：

• 输入：患者的语音记录（“我最近咳嗽得厉害，晚上睡不着”）+胸部CT影像（“右肺下叶炎症”）+电子病历（“有慢性支气管炎史”）；
• 提示：“结合患者的语音描述、CT影像和病历，给出临床建议，需引用《慢性支气管炎急性发作诊疗规范2023》。”
• 输出：“建议给予阿莫西林克拉维酸钾0.375g tid（抗生素）+氨溴索30mg tid（止咳化痰），3天后复查血常规。依据：《规范》第3章第1节。”

5.2 趋势2：个性化提示工程——匹配“用户画像”

不同医生、患者的需求差异很大：

• 给儿科医生的提示，需更关注“儿童用药剂量”（如“布洛芬的剂量是5-10mg/kg”）；
• 给老年患者的提示，需用更简单的语言（如“把‘餐后2小时血糖’说成‘吃完午饭2小时后测血糖’”）；
• 给基层医生的提示，需更注重“转诊建议”（如“若患者出现胸痛，立即转诊至上级医院”）。

5.3 趋势3：自动提示优化——用AI生成“更优提示”

目前的提示设计依赖“人工经验”，未来将用**强化学习（RL）**自动优化提示：

• 系统根据医生的反馈（如“这个建议太泛”）调整提示；
• 用“提示生成模型”（如GPT-4的Prompt Generator）自动生成符合要求的提示；
• 实现“提示的自我进化”，无需人工干预。

5.4 挑战与机遇

• 挑战1：医疗知识的快速更新（指南每年更新），需要及时调整提示；
• 挑战2：伦理与法律问题（如AI建议导致医疗事故，责任划分）；
• 机遇1：政策支持（如“健康中国2030”鼓励AI在医疗中的应用）；
• 机遇2：技术进步（如更强大的LLM、多模态模型）。

六、总结与思考

6.1 总结要点

• 提示工程是连接AI与医疗场景的桥梁，让AI输出的内容“符合临床规范、解决实际问题”；
• 医疗场景的提示设计需遵守准确性、合规性、可解释性、个性化四原则；
• 提示工程已在临床决策、病历结构化、患者随访、影像解读、ADR监测等场景落地，大幅提升效率和效果。

6.2 思考问题

1. 若提示工程生成的建议与医生的判断不一致，应该以谁为准？如何平衡AI的“建议权”与医生的“决策权”？
2. 如何确保提示工程中的“指南信息”是最新的？能否用AI自动监测指南更新？
3. 对于罕见病患者，提示工程如何处理“缺乏指南依据”的情况？

6.3 参考资源

1. 《提示工程入门》（书籍，作者：吴恩达）；
2. 《中国2型糖尿病防治指南2023》；
3. LangChain官方文档（https://python.langchain.com/）；
4. OpenAI提示工程最佳实践（https://platform.openai.com/docs/guides/prompt-engineering）；
5. 论文：《In-Context Learning for Medical Text Classification》（ACL 2023）。

结语

提示工程不是“魔法”，而是“精准的工程”——它需要结合医疗场景的专业知识，用“AI能听懂的语言”传递需求。未来，随着多模态、个性化提示的发展，提示工程将成为健康科技的“核心基础设施”，让AI真正成为医生的“助手”、患者的“朋友”。

如果你是健康科技从业者，不妨从“设计一个简单的病历提取提示”开始，感受提示工程的力量；如果你是患者，也许未来某一天，你收到的随访信息，就是提示工程的“作品”。

技术的价值，永远是“让复杂的事情变简单”——而提示工程，正在让医疗AI“更懂人”。