在一次院内验证中，温州医科大学附属第一医院医师资格考试风险预警模型将外科住培三年级学员小林（化名）列入高风险区间。该模型分析了他此前的阶段考核、出勤、日常评价和教学活动等数据，据此预测其通过医师资格考试的概率，并给出提示。

　　一名研教部教学管理人员没有把这项结果直接转给小林，也没有马上给他贴标签。她先调出小林骨科轮转阶段的原始记录：两次清创缝合日常评价都是“C”，两位不同的带教老师的评语都提到“无菌观念需加强”；还有一次教学病例讨论显示未参加。随后，她核对了小林的轮转安排、考勤和医院信息系统中的临床实践记录。

　　第二天，这名教学管理人员找到小林：“你在前面几个科室清创都挺好，怎么到骨科就不行了？”

　　小林沉默了一会儿。刚进骨科时，有一次换药操作不够流畅，患者当时表达了不满，带教老师也批评了几句。自那以后，他每次清创都有点缩手缩脚，越紧张越出错，到后面甚至开始躲着相关的操作。至于那次未参加的病例讨论，是因为他当时正送一个急诊病人去手术室。

　　几项被模型识别的异常，在查清原因之后有了不同的处理。这名教学管理人员和带教老师重新查看原始评价，结合小林的说明，为他安排针对性训练；那次教学病例讨论的缺席，也不再被用来评价小林的学习态度。

　　预警之后

　　根据单次缺勤或一项低分发送提醒，常规信息系统即可完成。住培评价不能只看最后一次考试，还要看能力怎样在三年轮转和临床实践中逐步形成。风险预警模型进一步利用跨轮转、跨阶段积累的多项过程信息，估算学员通过医师资格考试的概率，从中识别需要提前关注的对象。平台完成信息归集、关联分析和风险提示后，再由教学管理人员结合具体培养情境作出判断：记录错误的予以更正，排班冲突的及时协调，确认存在薄弱环节后安排谈话、补训和再次评价。

　　风险预警模型综合阶段考核、出勤、日常评价和教学活动等过程信息，预测考试通过概率并形成供教师提前核查的风险提示。（温州医科大学附属第一医院供图）

　　这种分析依赖平台长期沉淀的数据基础。轮转、考勤、教学活动、阶段考核和日常评价，按学员、轮转阶段和培养任务归入培养轨迹。平台已接入医院信息系统，部分临床实践信息可以与轮转安排、教学活动及考核记录相互参照。

　　温州医科大学附属第一医院智慧教育平台首页。轮转、考核、教学活动等培养信息在平台持续归集。（温州医科大学附属第一医院供图） 

　　由个体缺项反查培养环节

　　个体数据汇总后，也能反映培养环节的问题。在一次管理例会上，医院分管教学工作的负责人注意到，系统显示多个专业基地学员的“深静脉穿刺”实践记录偏低。这名负责人会同研教部负责人组织核对轮转计划和临床数据后发现，随着床旁超声引导下穿刺的推广，临床操作方式已经变化，教学要求与学员实际能接触到的操作机会之间出现了偏差。研教部随后协调临床技能中心增加模拟训练模块，重新调配相关培养资源。

　　当一项缺项只出现在个别学员身上，教师需要核查具体原因；当同类情况在一个专业基地反复出现，专业基地需要检查轮转和教学安排；多个基地同时出现的共性问题，则进入院级管理。平台由此将分散的个体记录转化为检查培养条件的依据，也用来检验轮转安排、教学资源和培养要求是否与临床实践的变化相适应。

　　智能评估辅助技能训练

　　预警模型关注的是三年培养中哪些人需要被提前关注。平台上另一个方向的探索，是让标准化操作也能留下可供复盘的记录。

　　在技能训练室，学员的一段换药视频进入智能化临床技能评估系统后，经过与专家评分样本比对，系统给出参考分数，同时返回最相近的参考视频供教师复核。相关研究已发表于《npj Digital Medicine》，在模拟环境的内部验证中取得94.01%的峰值分类准确率，论文同时报告了模型在细分评分上存在系统性偏高。该功能已初步接入平台，主要用于院内验证和训练复盘，相关结果不直接形成日常考核结论。分数由机器给出，但分数意味着什么、该练哪里，仍由教师判断。

　　临床技能智能评估模型根据待评换药视频与专家评分支持样本的相似度生成预测分数，并返回相近参考视频供教师复核。（温州医科大学附属第一医院供图）

　　住培是一项长周期的医学人才培养。数智技术进入这一过程，不是要把学员简单换算成一组指标，而是帮助教师更早发现真实困难，也帮助医院看见培养安排中的缺口。平台能够归集数据、预测风险、辅助评价，但最终检验其价值的，仍是青年医生能否在持续、充分的临床实践中成长起来。（杨崇猛）