划重点
只要工作中涉及重复的数据处理，都能从中获得启发。
前段时间，我收到一个案例投稿，案例来自贵州医科大学附属肿瘤医院的郑易军医生。郑医生干了件挺有意思的事：他用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，缩短到了几秒钟。
听起来好像没什么特别的，但关键是：郑医生自己其实并不是编程的专家。
我们都知道，AI编程现在挺火的。虽然很多AI编程软件或AI自媒体都在鼓吹“只要会说话，就能用AI编程”，但整个过程中，还是会出现大量让小白望而却步的专业名词，比如后端、接口、API、部署等等。
因此，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，这事儿本身就挺有挑战性。更重要的是，这个软件不是只能在自己电脑上运行的测试品，而是真正解决了他们科室的核心问题，甚至改变了全省血透室的工作模式。
简单介绍一下郑医生，他在血液透析中心工作，管着近300个患者。需要血液透析的患者每周来医院3次，每次4小时，这类患者基础疾病多、并发症多、治疗周期长，由此就产生了海量数据。
这些数据可不是摆设。每个患者的检查、检验结果，会直接影响他下个月的检查频次和治疗方案。医生需要掌握这些数据在时间上的变化趋势，从个体数据看它符不符合总体趋势。如果个体数据和全科数据存在差异，就要判断这个患者的病情是向好的变化还是恶化了，这会影响个体方案的制定，决定是需要提前预警，还是这一轮治疗不需要特殊干预。
02 数据分析处理的难题但问题来了，怎么能快速准确地做数据分析呢？这一直是他们的老大难问题，主要卡在几个地方：
数据量大而杂
首先，数据量非常大，还特别复杂。每个月大概有200来个患者要做各种检查，占患者总数的六七成。按照《肾病专业医疗质量控制指标（2020年版）》的要求，他们需要统计20项血液透析监测指标，加上科室自己的指标，总共要分析约28项。到了季度末还要增加到38项指标。
郑医生每个月要处理的数据表界面
人工处理易出错
其次，这么多的数据指标，处理起来不仅费人还容易出错。传统处理方式，需要两个人干一个星期，几乎把上班时间全耗在这上面：其中4天用来抓取数据，得从医院检验系统以及纸质版透析记录单提取信息，再把每个患者的数据手工录入到Excel表格里；另外3天用来分析数据，手工计算各种指标、制作相关图表。
而且数据处理特别容易出错，一旦发现数据有问题，就得把所有数据重新核对一遍。这就像好不容易堆起一个三层楼高的积木，只要有人轻轻抽掉底部的一小块，整个“大厦”就全部崩塌了。
培训成本过高
还有个痛点，就是培训成本太高了。血液透析是四级学科，在医院里算小科室，不会专门配很多医生。很多医生都是从肾内科临时轮转过来的，对血透不熟悉。每个医生往往需要接受3个月的培训，才能独立做出符合要求的统计。但问题是，他们刚熟悉，可能3个月后又轮转出去了。这边刚培训完，那边又来新人，又得重新开始。
痛苦的数据分析过程
再和你具体聊聊，传统的数据分析过程到底有多痛苦？我们先来看看郑医生他们之前是怎么干这活的。
最开始，完全靠手工。先把数据录到Excel里，然后在纸上算，算完再把百分比填回Excel生成图表。数据一旦出错，对患者的治疗方案有直接影响。比如一位贫血患者，本来应该一周或两周复查一次，如果被误安排成一个月复查，那就会延误治疗时机。
后来为了提高效率，郑医生用Excel函数做了一个半自动化表格，至少后面的统计和制表能自动完成，但前面录数据还是得人工干，这主要受限于医院的系统。
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没办法把小于90天的数据单独提取出来，他们只能手动取数——先排序，再把小于90天的数取出来，然后手工计算结果。
这种状况持续了好几年，直到AI的出现。
03 AI编程的探索与实践郑医生以前懂一些很基础的Python知识，但要开发一个软件还是完全超出了他的能力范围。
他想到了一个思路：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，还写出了对应的Python代码。
最开始，郑医生想让AI一口气写出完整程序。结果代码太多，以他的编程能力根本无法完成调试。后来，他又发现AI输出的字数可能超过聊天窗口的限制，没法一次性输出太长的代码。
于是他改变了策略：采用模块化开发。先让AI写统计报表功能，跑通了再写图表功能，最后让AI把两段代码合并。每个功能模块单独编码，一旦能运行就立即存档，这样成功率高多了。
与AI对话的具体方法
具体是怎么和AI对话的呢？郑医生用ChatGPT、智谱、DeepSeek这几个工具，把医学统计需求用大白话告诉了AI。他一般会先跟AI说清楚要做什么，然后看看AI给出的计划有什么准备工作、可能会遇到什么坑，然后按AI给的思路一步步来推进。
举个例子，在开发肾性贫血分层分析这个功能时，他跟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，算出百分比。”
AI不仅写出了代码，还处理了数据格式问题，比如数据类型不对、多了空格少了空格，并能准确定位到第几行第几列。
调试过程也很关键。 AI生成的代码不是一次就完美的，需要不断调试。郑医生学聪明了，把所有能跑的代码都单独存档，避免在AI修改的过程中把原本正确的代码给改错了，这样还能随时回到之前的版本。
为了让程序更好用，后来他还开发了视窗界面。整个过程中，郑医生慢慢摸索出一些经验：
- 保存那些有效的提示词当模板
- 需要生成长代码时，就开启新会话
- 完整保存每个可运行的版本
最终，他真的做出来了一个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
效果怎么样？用一个数字就能说明：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，而整体工作周期从一周缩短到半天。为什么还需要半天？因为录数据还是得人工做，这个主要受医院系统限制，暂时没办法解决。
但仅仅是分析环节的提速，就带来了质的变化。现在他们每周都能做一次数据分析，而过去每月才能做一次。
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，如果数据显示他贫血了，现在能马上安排他一周或两周复查一次；如果数据正常，就按常规一个月复查。以前每月分析一次，可能要等一个月才发现问题，而现在每周分析，就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个月学那些统计公式了，只要把Excel表导入程序，程序就自动出结果。对郑医生来说，不用反复培训新来的医生了；对那些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 案例带来的启发听完这个案例，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。不管你是做财务、人事、销售，还是其他工作，只要涉及重复性的数据处理，都能从中找到启发。他总结了几个关键点：
第一，从最痛的数据处理环节下手。不要想着一口气解决所有问题，先找那些最费时间、最容易出错的数据处理步骤，比如分类统计、条件筛选这些Excel难高效完成的地方。
第二，用大白话跟AI描述你的数据需求。不要说“计算血红蛋白分层统计”，而要说“把血红蛋白数据分成三档，统计每一档有多少人”，这样AI更容易理解具体的操作步骤。
第三，一个功能一个功能地开发。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，避免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，贵州全省有53%的血透室部署了信息化系统，但真正能做到自动分析数据的寥寥无几。一个关键问题就是数据定义不统一：比如对于“长透患者”的定义，他们的定义是“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长透患者；再比如高血压控制率的计算，他们算的是“13次透析的平均值达标”，但有些中心要求13次都达标才算，还有些中心超过半数达标就行。
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”，把所有血液透析相关的医学指南、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。我也把郑医生的知识库二维码也放在了文稿末尾的附录里，你也可以看看。
只有当大家都用同样的方法去分析数据，才能扩大样本量，后续分析和对比趋势的时候才更有参考性。 这个价值比单纯让一个人提效更大，是让整个行业都受益。
05 结语：小工具的大意义说实话，郑医生这个案例让我挺感慨的。我们经常听到AI在医疗领域的各种宏大叙事——什么“颠覆性突破”、“革命性变化”，但真正落到实处的，往往就是这种看起来不起眼的小工具。
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。我也把他开发的软件界面截图、开发流程截图，都放在文稿末尾的附录了。虽然每个人的需求不一样，但是你可以看看整个思路能给你带来什么样的启发。
最后提醒一下，如果你也在工作中用AI解决过实际问题，或者你的公司正在思考AI落地的问题，欢迎扫码填写下方问卷，分享你的实践心得。只要拿到过结果，我们就会约你的时间做更深入的交流，让更多人认识你。
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
