香港聯合交易所有限公司及證券及期貨事務監察委員會對本聆訊後資料集的內容概不負責，對其準確性或 完整性亦不發表任何聲明，並表明概不就因本聆訊後資料集全部或任何部分內容而產生或依賴該等內容而 引致的任何損失承擔任何責任。 Hangzhou Diagens Biotechnology Co., Ltd. 杭州德適生物科技股份有限公司 （「本公司」） （於中華人民共和國註冊成立的股份有限公司） 聆訊後資料集 警告 本聆訊後資料集乃根據香港聯合交易所有限公司（「聯交所」）及證券及期貨事務監察委員會的要求而刊 發，僅用作向香港公眾人士提供資料。 本聆訊後資料集為草擬本，其所載資料並不完整，亦可能會作出重大變動。 閣下閱覽本文件，即表 示 閣下知悉、接納並向本公司、其各自保薦人、整體協調人、顧問及包銷團成員表示同意： 倘在適當時候向香港公眾人士提出要約或邀請，有意投資者務請僅依據於香港公司註冊處處長註冊的本公 司招股章程作出投資決定。該文件的文本將於發售期內向公眾人士派發。 (a) 本文件僅為向香港公眾人士提供有關本公司的資料，概無任何其他目的。投資者不應根據本文件所 載資料作出投資決定； (b) 在聯交所網站登載本文件或 ...

文章核心观点 - 常州一院作为一家地市级三甲医院，通过将人工智能技术深度嵌入诊疗与管理全流程，成功构建了一套以提升效率、规范流程为核心的“人工智能+”智慧医疗实践样本，并已开始尝试对外输出其整体解决方案 [1][10][12] AI医疗应用落地与具体成效 - 人形机器人“智能导诊员”在医院门诊大厅上岗，提供预检分诊等服务，其背后的“数字人”系统已累计提供超过8.4万人次的交互服务 [1] - 全院约43%-45%的门诊电子病历由AI辅助生成，预计下个月将突破50% [1][10] - AI辅助病理诊断将效率提升约30%，在医学影像科，AI筛查系统敏感度可达94%以上 [1][7] - 智能影像分析系统可将平面影像转为立体实景，辅助评估动脉瘤破裂风险，在AI导航下，相关手术耗时仅20分钟，比传统手术缩短近一半时间 [7] - 门诊医生使用智能麦克风“听转”对话生成病历草稿，手术室医生语音记录手术要点并同步转文本，手术记录及时率从15%跃升至88% [3][10] 创新运营模式与技术路径 - 医院创新“低空飞行+医疗救治”模式，开通江苏省首条5G-A医联体常态化医疗物资航线，无人机将原本26分钟的地面通勤缩短至7分钟，目前已建立四条航线，每天飞行十几趟，计划今年再增2到3条 [8] - AI应用采取“叠加式”路径，在既有病历系统、HIS&EMR等体系上引入AI能力，降低了切换成本与复制难度 [10] - 医院所用AI系统语音识别准确率从最初的82%提升至96%，并增加了多模态输入功能 [10] - AI承担质控前置角色，在病历形成阶段即完成规范校验，提升了组织运行效率 [11] 合作模式与产业化探索 - 医院“人工智能+”应用覆盖八大场景，与华为、百度、商汤医疗、全诊医学等十几家科技企业合作，由医院主导整体架构与落地节奏，而非简单采购通用大模型 [12] - 医院坚持本地化建立存储算力平台以保障数据安全，但面临基础设施投入大、回报周期长的财务压力 [13] - 医院通过将骨干医生送去脱产培训，培养其自主训练小型智能体的能力，以解决“医工交叉”复合型人才匮乏的问题 [13] - 医院已开始对外输出经验，包括流程设计、管理机制和实施路径，已有外地医院在部分场景中进行复制探索 [12] - 2025年累计接待全国24个省级行政区的政府部门及医疗机构54批次、近千人参访，示范效应显著 [14] 未来发展规划 - 管理端计划进一步开发“管理类智能体”，如财务报销机器人、不良事件管理智能体等 [14] - 临床端计划向呼吸科、眼科、麻醉科等专科深处挺进，训练符合专科需求的小型垂类模型 [14]

行业趋势与市场表现 - 春节期间，面向消费者(C端)的AI大模型应用掀起热潮，用户使用频繁且场景特定[1] - 千问日活跃用户数已超7000万，基本与豆包持平[1][8] - 元宝日活跃用户数已近2000万[1] - 蚂蚁阿福每天解答用户健康咨询已达1000万次[1] - 苹果App Store中国区免费榜显示，千问、蚂蚁阿福、元宝、豆包曾一度包揽榜单前四名[8] - 大模型这股风正加速吹向下沉市场，在县城等下沉市场的使用已不鲜见[1] 用户应用场景与案例 - 用户将大模型用作“健康顾问”，用于健康咨询、体检报告解读和康复指导[1][5] - 案例显示，大模型能提供甲状腺结节恶变概率低于5%甚至1%的权威信息，缓解用户焦虑[5] - 用户通过大模型辅助梳理健康问题、排查症状，例如识别出过敏原而非普通感冒[1][6] - 用户行为已不局限于咨询，部分人开始根据大模型推荐的药品进行线下咨询和购买[5] - 知名财经博主分享案例，AI健康助手解决了老人长期未能确诊的头痛难题[6] 技术能力与当前局限 - 目前医疗大模型在健康科普、轻症咨询、慢病监测管理、就医导诊、检查报告解读框架、诊后指导等应用已比较扎实[7] - 用大模型“看病”是激进提法，“幻觉”问题是主要限制，不能替代医生的诊断[7] - 技术层面可通过权威素材和“安全围栏”提高输入输出质量，并以人工审查作为补充[7] - 未来若能打通患者照片、视频、病历、检验、影像、病理等全链条数据，可能整合成更个性化的健康“顾问”[12] 合规与监管风险 - 大模型若针对特定人具体症状给出明确药品名称、剂量或疗程，则构成事实上的诊疗行为，存在合规风险[8] - 普适性、知识性的健康科普/建议通常处于“绿灯区域”[8] - 平台若纵容“打擦边球”行为，可能面临行政处罚、民事赔偿，甚至刑事犯罪风险[9] - 医疗健康信息的隐私合规存在风险，包括信息过度收集、用户同意环节不透明、数据去标识化而非真匿名、以及向第三方共享数据等问题[9][10] - 2026年，个人信息综合治理向“严执行”纵深推进，一揽子授权将成为历史[10] - 当前对AI健康咨询的监管存在空白，通用健康大模型成为“灰色地带”，近乎零门槛准入[11] - 律师建议明确责任归属、建立高风险AI强制备案与审查制度、并由监管部门出具负面清单以明确监管协同[11] 商业模式与可持续发展 - 当前各类大模型应用通过红包补贴和广告轰炸争夺用户，底层商业逻辑是互联网流量思维在医疗领域的再次探索[15] - 科技公司也有将AI医疗加入业务组合的资本市场逻辑[15] - 可持续发展的关键在于能否识别未满足的健康需求，并落实到检验、药品、器械的“提供”本身[16] - 增量业务的抓手需要回到药品/器械的“提供”，可能是生产或供应链环节[15] - 利用大模型进行纯粹问诊的盈利模式仍在探索，需要整个生态的摸索进化[16] - 面向政府、支付方、医院、医生、企业、病人和消费者等已出现一些商业化场景，大模型问诊是补充工具[16] - 盈利模型的清晰化是可持续发展方向，需明确产品服务、解决问题、目标客户及定价[16] 产业协同与未来展望 - 政策提出目标，到2027年形成一批临床专病专科垂直大模型，到2030年基层诊疗智能辅助应用基本实现全覆盖[13] - 在政策推动下，基层可能成为AI落地的主战场[13] - C端健康软件与基层医疗协同，可放大优质资源辐射半径，例如“AI预问诊+基层医生复核”、“AI辅助诊断系统+基层机构”等模式[13] - 需做好医生与AI的协同以及线上线下的协同[13] - 有专家担忧过度依赖AI可能弱化年轻医生临床思维的培养[13] - 观察认为，若使用者能将AI的帮助“内化”，整体上可实现螺旋式上升的良性协同[14] - 线上线下的衔接需关注数据互通与互认、患者信息转诊、支付联动和处方流转等[14]

公司近期治理与股东动态 - 主要股东主动延长股份禁售期 原定于2025年12月29日到期的禁售期被延长一年至2026年12月29日 期间承诺不减持公司股份 [2] - 延长禁售期的股东合计持有公司H股比例达68.25% 占总股本比例达72.86% 此举被视为对公司长期发展信心的体现 [2] 重大项目与商业模式转型 - 公司于2025年12月以4.28亿元中标国家人工智能应用中试基地（医疗领域基层卫生服务方向）软件服务项目 [3] - 该项目服务周期延续至2028年 要求研发千亿级参数医学大模型并建设医疗数据平台 [3] - 该项目标志着公司从传统软件交付向“模型即服务”（MaaS）商业模式转型 项目执行可能带来持续收入并强化行业地位 [3] 行业政策与市场前景 - 根据国家卫健委等部门政策 如《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》 AI医疗赛道预计在2026年迎来大规模应用浪潮 [4] - 作为基层医疗AI解决方案的领先企业 公司可能持续受益于政策驱动下的订单增长和市场扩张 [4] 业务与技术商业化进展 - 公司基于自研“星火”医疗大模型持续优化产品性能 例如2025年7月升级的X1版本 [5] - 公司在全科辅助诊断、健康咨询等场景保持行业领先 技术已覆盖500余家等级医院 [5] - 技术升级与临床落地可能进一步推动其GBC（政府、医院、患者）商业闭环的变现能力 [5] 公司近期经营业绩 - 2025年上半年公司营收同比增长30.26%至2.99亿元 [6] - 2025年上半年公司净亏损同比收窄42.86% [6] - 2025年全年医疗大模型订单集中落地可能提升公司盈利的确定性 [6]

行业政策与区域战略 - 国家层面发布《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》，明确提出到2030年实现基层诊疗智能辅助全覆盖的目标 [3] - 佛山市南海区发布“人工智能+医疗卫生”生态共建框架，标志着区域智慧医疗生态建设从试点迈入标准化、规模化推进的新阶段 [1] - 区域推进机制采用“一体两翼三轮驱动”模式，即以“人民健康”为主体，依托“技术突破”与“场景深化”两翼，通过“产、研、用”三方协同驱动 [3][4] 框架核心内容与重点任务 - 框架明确了四大重点任务：夯实“智能基座”、深化“智慧场景”、构建“产业生态”、创新“体制机制” [4] - “智慧场景”深化重点推动人工智能在临床诊疗、患者服务、中医药服务及科研教学等应用，并推动AI从医院向社区延伸 [4] - 构建“产业生态”旨在探索“政府推动、多方参与、合作共赢、利益共享”的共建模式，以形成特色产业集群 [4] 实践成果与效能验证 - 佛山市南海区人民医院等机构打造的“AI原生智慧医疗系统”已完成落地验证，成功跑通“产研用”协同路径 [1] - 该系统上线后累计服务12.67万名患者，错号率降低20%，病历质量提升60% [6] - 这一“南海实践”为生态共建框架的规模化推广提供了坚实的样板支撑与实践基础 [1][6] 技术平台与生态协作 - 浪潮信息通过其元脑企智EPAI企业大模型开发平台，为医疗智能体提供基座，支持数据准备、模型训练、服务部署等全流程工具，以降低AI+医疗规模化落地的门槛 [7] - 该平台可调度多元算力与多模算法，支持伙伴通过工作流可视化编排调试智能体，实现大模型应用与医院业务流程的深度契合 [7] - 通过清晰的产业分工与生态协作，形成可复制的产业落地机制，解决“临床需求与技术研发两张皮”的难题 [7] - 浪潮信息将持续深化“平台+生态”双轮驱动战略，携手生态伙伴迭代升级核心产品能力，推动优质医疗资源通过AI技术下沉 [8]

行业政策与规划 - 国家卫健委于2023年11月发布《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》，明确了众多AI应用场景 [1] - 北京市卫健委于2023年12月印发《北京市支持医疗健康领域人工智能应用发展行动计划（2026-2027年）》及《北京市医疗健康领域支持人工智能产业创新发展若干措施（2026-2027年）》 [2] - 北京市在2025年成功获批首批国家人工智能应用中试基地，计划于2024年进行建设 [3] - 西城区卫健委计划在2024年依托一体化平台构建健康大数据与人工智能底座，以推动更多“AI+医疗”应用场景落地 [4] - 有建议提出，应将医疗人工智能纳入健康城市与数字化治理的重要布局，促进产业、医院、科研、监管协同发展 [10] 临床应用现状与案例 - AI辅助诊断、病历书写、预问诊等功能已在线下医院开展应用 [1] - 首都医科大学附属复兴医院自2024年下半年起，逐渐引入肺结节影像辅助诊断、DeepSeek检索、AI导诊等系统 [4] - 北京市二龙路医院已开始使用AI预问诊、电子病历书写、辅助诊断等功能 [4] - 已出现北大医院肾病模型、同仁医院便携式眼底相机、安贞医院“先心安”模型等具体AI医疗产品 [3] - AI在影像识别、病理判读、随访预测、科研建模等领域展现出较高效率，可缩短诊断时间、减少人为误差并提升决策一致性 [3] - AI在分级诊疗、临床科研转化、慢病管理、居家监测等场景中能发挥较大作用 [3] 技术潜力与具体研发 - 针对新生儿膈疝，全球出生缺陷结构畸形产前诊断准确率平均仅为30%-60%，AI大模型研发旨在帮助基层超声医生识别有救治可能的胎儿 [2] - 经过训练的AI可通过脏器质地、边界、位置关系、毗邻情况等特点对新生儿膈疝做出辅助诊断，扮演外科医生的角色 [7] - AI可作为一种可能性提示，帮助超声医生发起远程会诊申请，实现大医院外科医生的线上会诊和指导 [7] 面临的挑战与担忧 - AI的准确性并非百分之百，其学习基于既往信息数据，但在真实医疗场景中的表现并不完全稳定 [6] - AI模型难以处理医疗决策中涉及的患者经济承受能力、家庭支持系统、心理状态及文化背景等人文伦理因素 [6] - 有医院因AI辅助诊断功能输出速度较慢、结果实用性不强而主动关闭该功能，目前仍处于摸索体验阶段 [6] - 存在对年轻医生过早使用AI可能改变其训练过程、未来难以鉴别AI对错的担忧 [5] - AI面临临床适用性不足、责任划分机制缺乏、临床疗效与长期安全性评价不足、基层可及性不足、数据治理与隐私风险等问题 [9] 产业发展与商业化瓶颈 - AI研发需要资金支持，但目前缺乏专门的投入，建议建立AI妇幼专项定向支持资助 [8] - 目前人工智能辅助影像学诊断缺乏成熟的医院收费系统和医保报销申请机制，商业化落地问题亟待解决 [8] - 建议在产品通过评审并获得上市许可后，在产品定价、医保准入等方面出台支持政策，以推动临床科研成果转化 [8] 规范发展与未来建议 - 建议建立人工智能医疗产品的临床准入与分级评价体系，由卫健委牵头，联合药监、医保与行业协会，参考药械监管体系 [9] - 评价体系应包括分级准入标准、真实世界临床评估机制、数据透明与算法可解释要求、不良事件与偏差报告制度 [9] - 建议在试点阶段明确责任划分：医生使用AI属于“辅助决策”，决策权仍在医生；厂商对模型算法与产品质量承担主体责任；医疗机构承担使用与验证责任 [9] - 行政监管部门应建立纠纷处理机制，避免因责任模糊影响技术推广 [9] - 建议选择社区卫生服务中心、二级医院或康养机构开展示范应用，形成可推广模式，为未来纳入医保支付提供依据 [10]

核心观点 - 广东省及广州市梅毒新发病例数在2025年1-11月期间同比显著下降，显示防控措施取得成效，但病例基数依然较高，防控工作不可松懈 [1][5] - 广州市通过结合策略创新、技术突破与数字化管理，形成了一套有效的梅毒防控“组合拳”，其经验已在全国范围内推广 [3][4] - 隐性梅毒在患者中占比极高，且缺乏临床症状，对筛查和诊断构成挑战，是当前防控工作的重点和难点 [1][2] 疫情数据与趋势 - 2025年1月至11月，广东省梅毒新发病例较2024年同期减少9704例，同比下降12.4% [1] - 同期广州市梅毒报告数同比降幅同样为12.4%，增长势头已得到有效遏制 [1] - 自2010年国家规划实施以来，广州各类梅毒发病率显著下降：一期梅毒下降23.6%，二期梅毒下降12.8%，三期梅毒下降37.9%，隐性梅毒下降11.9% [2] - 2025年3月，广东省单月梅毒新发病例仍有6725例，表明病例基数依然较高 [5] - 2020年广州早期梅毒发病率降至10/10万以下，胎传梅毒发病率降至6/10万活产数 [4] 疾病特征与人群分布 - 梅毒是由梅毒螺旋体感染引起的慢性系统性性传播疾病，绝大多数通过性接触传染，是我国危害性最大的性病之一 [1] - 广州市梅毒患者中，隐性梅毒占比高达90%-92% [1][2] - 隐性梅毒患者血清抗体阳性但无临床症状，只能通过血清抗体检查发现，易导致延误就诊和诊断挑战 [2] - 高发群体主要集中在60岁以上老年人和性活跃期的中青年，且男性患者占比较高 [2] - 老年人的隐性梅毒大多通过住院术前检查发现 [2] 防控策略与技术创新 - 行业将梅毒防治与HIV感染防治相结合，建立了完善的检测和监测体系，着力提高疫情报告准确率、防治知晓率及规范治疗率 [3] - 行业开发的“羊城医访”智能平台是国内首个将风险评估与诊疗转介相结合的数字化平台，2025年迭代升级后，1年来累计完成梅毒感染风险评估1324人次，发现高风险人群705人，为超过1万公众提供服务 [3] - 该平台已获得3项软件著作权并申报1项发明专利，入选广东省“人工智能+医疗卫生”应用场景优秀案例 [3] - 行业首创的巢式实时定量PCR检测技术，通过耳垂血检测辅助诊断神经梅毒，敏感性可达2个TP分子/mL [4] - 通过大样本队列研究优化的孕期梅毒治疗方案，证实1个疗程与2个疗程驱梅治疗效果无差异，避免了过度治疗 [4] 母婴传播阻断与法规推动 - 广东省是全国首批消除梅毒母婴传播的省份 [4] - 新修订的《广东省母婴保健管理条例》于2023年6月1日起实施，率先将消除艾滋病、梅毒和乙肝母婴传播工作纳入地方性法规 [5] - 近5年来，广东住院分娩孕产妇梅毒免费筛查率达到99%以上 [5] - 2023年广东省先天梅毒发病率为6.93/10万 [5] - 全省已建立超过100家母婴健康E门诊，实现地市全覆盖，为感染孕产妇及所生儿童提供“一站式”服务 [5] 成果推广与行业影响 - 相关研究成果已在全国性病控制中心、广东多地及非政府组织推广，培训专业人员3000余人次 [4] - 广州的梅毒防控实践表明，通过“科研-技术-应用”的全链条转化，性病防控能够实现精准高效推进，为公共卫生防控提供有益范例 [5]

互联网医院行业概述 - 互联网医院是以实体医院为依托，以在线复诊和常规咨询为主，集问诊、处方、支付及药物配送为一体的一站式服务平台，连通医疗服务需求方、服务方、支付方和药品提供方，提供分层、协同、联合、全程、连续的医疗保健服务 [4] - 服务内容主要分为四类：远程诊疗、远程诊断、院后管理及健康管理 [4] - 主要存在两种模式：一种是医院自建平台进行网上问诊，目的是维持门诊量；另一种是医院主导、第三方平台提供技术服务，目的是促进患者或商家消费 [6] 行业发展历程与驱动因素 - 2011年春雨医生成立，集中于在线咨询和挂号等医疗外围服务 [9] - 2015年乌镇互联网医院成立，是中国第一个以“互联网医院”命名的医院，标志着行业进入新阶段 [9] - 2018年国务院办公厅印发《关于促进“互联网+医疗健康”发展的意见》，允许医疗机构开展部分常见病、慢性病复诊等互联网医疗服务 [9] - 2020年新冠疫情成为行业重要催化剂，互联网医院以其覆盖广、效率高、成本低、跨地域等优势，在疫情防控中起到分流患者、疏解线下压力的作用，引发全国建设热潮，当年新增数量超500家 [1][9][14] 行业规模与用户数据 - 截至2022年10月，全国设置超过2700家互联网医院，开展互联网诊疗服务超过2590万人次 [1][14] - 截至2024年底，互联网医院数量达3340所，每年提供互联网诊疗服务量超1亿诊疗人次 [1][14] - 截至2025年9月，全国互联网医院已达到3756家，去年诊疗人次高达1.3亿 [1][14] - 截至2024年12月，中国互联网医疗用户规模达4.18亿人，使用率为37.7% [13] - 截至2025年6月，互联网医疗用户规模达3.93亿人，使用率为35% [13] 政策环境 - 国家政策支持力度持续加大，互联网医院迎来政策红利时期 [11] - 2024年2月，北京市政府印发《2024年市政府工作报告重点任务清单》，拓展“京通”移动端应用，对接互联网医院、在线缴费等服务，电子证照累计亮证数量达200种 [11] - 2025年11月，国家卫健委等五部门印发《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》，目标到2030年基层诊疗智能辅助应用基本实现全覆盖，推动二级以上医院普遍开展医学影像智能辅助诊断、临床诊疗智能辅助决策等应用 [11] 产业链结构 - 产业链上游涉及医疗设备、信息化硬件等硬件设备，以及人工智能、大数据与云计算、区块链、5G通信、物联网等软件与技术 [11] - 产业链中游为互联网医院解决方案集成商 [11] - 产业链下游为患者 [11] 市场竞争格局与重点企业 - 主要市场品牌包括平安健康、好大夫在线、京东健康、微医、春雨医生、妙手医生、阿里健康、医联、未来医生、39健康网等 [15] - **平安健康医疗科技有限公司**：平安集团旗下互联网医疗健康服务平台，深耕“家庭医生”“养老管家”两大核心枢纽建设，2025年上半年医疗服务营业收入为12.78亿元，同比增长20.23% [15][16] - **京东健康股份有限公司**：致力于以医药及健康产品供应链为核心，医疗服务为抓手，打造数字驱动的用户全生命周期全场景健康管理平台，2025年1月首次发布医疗大模型产品体系“AI京医” [17] - 京东健康2025年上半年商品收入（医药和健康产品销售收入）为293.31亿元，同比增长22.67%；服务收入（平台、广告及其他服务收入）为59.59亿元，同比增长34.39% [17] 行业发展面临的问题 - **患者信息共享问题**：服务深度不足，难以实现诊前-诊中-诊后体系贯通，不同地区医院间患者信息数据共享仍是难题 [18] - **医保异地结算问题**：异地就医医保报销手续流程复杂，时空条件存在限制，线上结算支付方式亟待推出 [19] - **互联网医院监管问题**：相关法律法规多处于试行阶段，需不断完善监管细则，特别是绩效分配、推广管理和互联互通问题 [20] - **医疗风险问题**：线上诊疗存在更大不确定性，包括病情复杂性、真实性及医患纠纷，诊断准确性需进一步提高 [21] 行业未来发展趋势 - **技术驱动的智能化与个性化服务**：未来核心将演变为以数据驱动、具身智能赋能的个人健康管理中枢，通过大模型整合个体全维度健康数据，生成动态疾病风险预测和个性化干预方案，AI“数字医生”提供7x24小时伴随式咨询，实现从“千人一药”到“千人千案”的转变 [22] - **远程医疗服务的深度普及与结构性优化**：远程医疗将成为分级诊疗体系中常态化、标准化的核心服务模块，服务将从顶级医院广泛覆盖至县域医共体与社区卫生中心，内容将从传统视频会诊向远程病理判读、超声实时指导、手术方案模拟等高价值专科领域深化 [23] - **线上线下深度融合的闭环服务模式**：互联网医院将与实体医疗机构从“协同”走向“融合”，构建“诊前-诊中-诊后”全流程无缝衔接的O2O服务闭环，线上平台负责精准导流与健康监测，线下机构承接深度检查与复杂治疗，通过统一数据平台实现病历、医嘱与支付的无缝流转 [24]

港股市场整体表现 - 1月13日港股震荡上涨，恒生指数收涨0.9%至26848.47点，恒生科技指数微涨0.11%至5869.79点，恒生中国企业指数上涨0.71%至9285.41点 [2] - 当日市场总成交额为3151.92亿港元，较前一交易日的3062.23亿港元有所增加 [2] - 恒生指数成份股中53只上涨，33只下跌 [4] 行业指数与个股成交 - 行业表现方面，恒生行业指数中原材料业指数上涨1.94%，能源业指数上涨1.60%，医疗保健业指数上涨1.59%；必需性消费行业指数下跌0.44%，电讯业指数下跌0.32%，资讯科技业指数下跌0.06% [6] - 成交额突出个股方面，阿里巴巴成交额达245.40亿港元，上涨3.6%；腾讯控股成交额达152.24亿港元，微涨0.7%；小米集团成交额为80.31亿港元，下跌2.0% [6] - 首日上市新股方面，兆易创新上涨37.5%，BBSB INTL上涨11.7%，红星冷链上涨0.3% [6] 医药与AI融合主题表现 - 医药股领涨，医药+AI主题表现突出，方舟健客股价开盘后狂飙，最高涨幅达76.37%，全天收于3.93港元/股，大涨65.8% [8] - 方舟健客近期与腾讯健康合作，举行“AI+慢病管理”解决方案发布会，为行业提供从技术验证到规模化部署的全链路支持 [9][10] - 此次合作基于方舟健客的“AI+H2H智慧医疗新生态”与腾讯云在云计算、大数据、人工智能等领域的技术优势，旨在推动“AI+慢病管理”领域的数智化升级 [10] - 合作背景契合国家卫生健康委等五部门印发的《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》，是推动AI医疗产业健康发展的重要实践 [10] 药明康德业绩驱动上涨 - 药明康德股价高开高走，一度大涨9.66%，全天收于120港元/股，上涨8.30%，领涨蓝筹股 [4][10] - 股价大涨主要原因是公司于1月12日发布正面盈利预告，预计2025年归母净利润同比增长约102.65% [10] - 具体业绩预告显示，公司预计2025年度营业收入约为454.56亿元，同比增长约15.84%，其中持续经营业务收入同比增长约21.40% [12] - 预计经调整归母净利润约为149.57亿元，同比增长约41.33%；扣除非经常性损益的归母净利润约为132.41亿元，同比增长约32.56%；归母净利润预计约为191.51亿元，同比增长约102.65% [13] - 利润总额预计约为239.06亿元，同比增长约107.16%；基本每股收益预计约为人民币6.70元/股，同比增长约104.27% [13] 药明生物业务进展与上涨 - 药明生物股价大幅上涨，最大涨幅达6.92%，全天收于39.78港元/股，上涨5.85%，涨幅在蓝筹股中位居第二 [4][16] - 公司将于1月14日出席第44届年度摩根大通医疗健康大会并披露业务简报 [17] - 简报PPT显示，公司凭借端到端CRDMO平台，2025年新增209个项目，累计项目总数达945个，其中74个为临床III期、25个为商业化生产项目 [18] - 平台支持600+个IND申报，FDA、EMA及NMPA检查通过率100%，原液与制剂生产成功率分别达98.3%和99.6% [18] - 过去五年，72家客户被收购，合计创造超1000亿美元市场价值 [18] - 2025年新签项目创历史新高（209个），研究服务首付款与总收款达历史新高，潜在里程碑付款超40亿美元 [20] - 商业化管线持续扩大，PPQ排期饱满，预计2026年商业化收入加速增长，公司对2026年保持乐观预期 [20] 其他领涨蓝筹股表现 - 除药明系公司外，阿里巴巴-W上涨3.63%，中国人寿上涨3.51%，翰森制药上涨3.44%，石药集团上涨3.38% [4][5] - 其他涨幅居前的恒指成份股包括恒基地产上涨2.99%，阿里健康上涨2.83%，中国海洋石油上涨2.58%，紫金矿业上涨2.39% [5] - 跌幅方面，康师傅控股下跌4.3%，华润万象生活下跌3.3% [5]

文章核心观点 - 医疗大模型在从头部三甲医院向基层医疗机构下沉应用时，普遍出现“水土不服”现象，未能实现预期的“提效减负”目标，反而可能成为额外负担 [2][3][4] - 基层医院对AI有真实需求，但更需要功能克制、场景明确、成本可控的“智能助手”，而非为复杂疾病设计的精细大模型 [15] - 医疗大模型的基层落地面临数据完整性不足、疾病谱差异、持续成本高昂及效率逻辑错配等多重结构性挑战 [7][8][9][10][13] - 未来可行的路径可能包括通过医联体/医共体分摊成本、发展轻量化垂直模型，并依赖明确的支付预期和数据资产规则等制度条件的完善 [20][21][22] 基层医院应用大模型的现状与挑战 - **落地效果不及预期**：某基层医院引入的头部医疗大模型，在电子病历生成和辅助诊断上均未达预期，甚至因无法识别方言导致文书错乱，增加了医生手工校正负担 [2] - **普遍存在“水土不服”**：当头部医院训练好的大模型下沉到基层时，“水土不服”是普遍状况，根本原因在于模型的训练和应用场景存在错位 [3][4] - **数据完整性缺失**：基层医院数据缺乏结构化与互联互通，且患者就诊路径不连续，导致数据碎片化，模型所需的高质量输入变量无法完整获取 [8][9][10] - **疾病谱存在差异**：头部医院主要处理疑难杂症，而基层以常见病、多发病为主，用为复杂疾病训练的模型处理基层问题存在根本错位 [10] - **成为新的工作负担**：模型结论常与医生判断不一致，导致医生需花更多时间核对信息、补充检查或组织讨论，未能为基层医生减负 [11][12] 基层医院应用大模型的成本与效率矛盾 - **持续成本高昂**：一家非头部三甲医院院长透露，每年仅算力成本就要几百万元，几乎占掉全年信息化预算，且还需复合型人才进行数据清洗和流程适配 [13] - **投入产出比低**：投入几百万元算力仅换来工作效率的有限提升，既无法直接减少人员编制，也难以显著改善医院经营状况，导致决策层不满意 [14] - **效率逻辑存在错配**：医院人力配置围绕现有工作量平衡，AI带来的效率提升可能引发人员冗余问题；且现阶段AI多为“部分替代”，仍需大量人工监督校验，难以释放人力成本 [13] 基层医院的应对策略与探索 - **需求转向“智能助手”**：基层真正需要的是更贴近真实工作流、功能克制的工具，聚焦于慢病管理、患者随访、护理文书辅助及转诊协同等高频、低争议场景 [15] - **部分医院选择“自己干”**：有县级医院针对县域常见病种，研发多个专病小模型，单个项目成本控制在十几万元，并已实现成果输出至同级医院 [16] - **策略聚焦细分领域**：有医院将资源集中投向护理场景，研发辅助文书书写、智能化宣教等应用，以解放人力资源最紧张的护士岗位 [17] - **自研面临约束**：即便小模型，全院范围运行的服务器投入也可能达数百万元，且既懂医疗又懂数据的复合型人才在基层医院稀缺 [17] - **合作引入面临价格门槛**：外部AI厂商的大模型落地要价往往高达一两百万元，使医院望而却步 [18] 医疗大模型下沉的未来路径与条件 - **政策驱动明确**：国家政策目标为到2030年基层诊疗智能辅助应用基本实现全覆盖，持续抬高基层对信息化与智能化的要求 [4][5] - **医联体/医共体成为关键中间层**：可通过算力集中部署、模型统一维护、基层按需调用，降低单点投入，避免重复建设，并成为成本与收益的“缓冲器” [20][21] - **技术路径趋向轻量化与垂直化**：更现实的路径是围绕区域优势病种、高发慢病或特定工作流，构建轻量级、垂直化的模型或智能模块 [21] - **依赖制度条件叠加**：成功的基层大模型解法需要明确的支付预期、合理的数据资产规则、可分摊的成本结构以及对场景边界的克制选择 [22] - **建议审慎进入**：专家建议基层医院“让子弹飞一会儿”，先看清哪些坑已被踩过，再决定是否入场，避免花了钱却用不起来的真正失败 [22]