肠易激综合征症状高度主观，5 分钟门诊难以采全。医院基于 MOI 构建 IBS 智能问诊系统，患者在家即可完成引导式问诊，医生侧获得回复建议、分型判断与病历自动生成。
客户为国内顶尖的一所三甲医院，集医疗、教学、科研于一体，拥有雄厚的技术力量和先进的医疗设备，但目前在功能性胃肠病，如肠易激综合征（IBS）的临床诊疗上面临数据资产利用的内在困境与外部压力。
IBS是一种慢性病，多数情况下症状并不危及生命，患者往往不愿为此专门跑一趟医院。相比复杂繁琐的线下就诊流程，他们更倾向于便捷的线上问诊。然而，现有的线下诊疗模式不仅费时费力，还因问诊过程缺乏标准化而存在漏诊误诊风险，也难以提供长期、个性化的随访与管理，这与IBS患者的实际需求存在明显脱节。
医院内部积累了大量有价值的临床病例数据，但这些数据通常无法直接导出用于分析和模型训练。这种数据孤岛和非标准化问题，导致珍贵的医疗数据难以被有效利用，无法支持大规模的数据驱动研究或AI模型的开发，限制了临床科研与实践的深度融合。
庞大的IBS患者群体对有限的专科门诊资源造成了巨大压力，加重了医疗体系的运行负担。同时，该智能问诊系统作为一款医疗器械软件，其开发和应用必须严格遵循监管要求，必须确保产品的安全性和有效性，并通过临床验证，这是获得医疗器械II类软件注册证并推向市场的关键前提，也是评审专家重点关注的环节。
为了应对上述挑战，该三甲医院引入了MatrixOne Intelligence，一个面向多模态数据的AI数据智能解决方案，旨在构建一套从数据处理到智能应用的端到端IBS智能问诊系统。
MatrixOne Intelligence平台集成了数据治理、智能解析、多模态搜索和超融合数据底座等功能。它能够通过其核心组件，对PDF、音视频、图片等各类非结构化数据进行智能解析和结构化抽取，并支持针对特定AI模型的需求，构建和生成高质量的训练数据集，从而为AI应用的落地提供坚实的数据基础。
利用MatrixOne Intelligence平台的能力，对识别出的非结构化文本（脱敏后）进行结构化抽取，按照预设的Schema（如患者信息、主诉、现病史、诊断等）转换成规范化的JSON格式数据。这一步成功地将原本锁定在图片中的"死数据"转化为可供机器分析和利用的"活数据"，为后续AI模型开发奠定了高质量的数据基础。
基础对话生成：基于上一步获得的结构化病历数据，利用本地部署的大语言模型（如Qwen3-32B）和结合就诊流程设计的Prompt，生成了高度模拟真实诊疗场景的医患对话（QA）数据集。 - 数据扩增与优化：为解决AI模型在开发初期的回复机械化和"过度确诊"等瓶颈问题，项目采取了先进的数据扩增策略： - 引入Persona角色：模拟不同性格、表达方式各异的患者角色，重新生成对话数据，极大地丰富了数据多样性，提升了模型的共情能力和对话自然度。 - 引入负样本：为了纠正模型将所有对话都诊断为IBS的过拟合倾向，团队引入了10%-20%的非IBS病例或具有迷惑性的对抗样本作为负样本。这有效训练了模型的鉴别诊断能力，使其能更准确地区分IBS与其他病症。
提升诊疗效率：自动化问诊和病历生成功能将医生从重复性工作中解放出来，节省了大量时间。 - 规范诊疗流程与患者管理：系统确保了数据采集遵循最新的临床指南和专家共识，减少了漏诊风险。同时，系统能够根据患者具体情况生成个性化的循证治疗方案，有助于提升患者的治疗依从性和长期管理效果。 - 优化医疗资源分配与患者体验：通过在线预问诊可以有效分流轻症患者，缓解消化内科专科门诊的接诊压力。患者也从中获得了更便捷、私密的线上咨询渠道，整体就医体验和信任度得到提升。 - 推动临床科研发展：该项目成功将医院内沉睡的数据资产转化为宝贵的研究资源。系统积累的大量结构化真实世界数据，为探索IBS发病机制、亚型转换规律等前沿科学研究提供了前所未有的数据支持。