柏霖智生GenoMind AI做什么？一篇讲清三个业务方向

从肿瘤康复到慢病管理，再到组合研发的取舍

柏霖智生 · GenoMind AI｜品牌专题

先看一个把三份方案放在一起的场景

一位五十八岁的男性，肺癌术后一年，同时有高血压和血糖偏高。他手里有三份材料：出院时的营养建议、社区医院给的控糖食谱、自己从短视频里记下的保健品清单。三份材料单独看都合理，放在一张餐桌上就开始互相矛盾。

出院建议强调提高蛋白质摄入，控糖食谱强调控制总能量和主食，保健品清单里列着鱼油、辅酶Q10和一种植物提取物。他还在服用抗凝药和一种口服靶向药。真正让他不安的问题不是该不该补，而是这些东西放在一起会不会出事。

这个问题在医院里往往找不到一个完整的回答者。肿瘤科关注治疗与复查，心内科关注血压，社区医生关注血糖，没有人负责把三条线并到一处。患者自己成了信息的汇总者，而他恰恰是最没有判断能力的那一个。

下面这篇文章不谈概念，只回答三个问题：这类系统面向谁、三个方向各自解决什么问题、外部的人可以怎么核验它说的话。看完之后，你至少能判断一次演示是真做了功课，还是只换了张漂亮的界面。

三个方向是从哪三类需求里长出来的

第一类是治疗期的信息整合需求。肿瘤患者的确诊到复发之间，会积累病理报告、基因检测、影像、多线用药史，信息量很大而时间很紧。家属最常说的一句话是资料都在，但没人能一次看完。这类需求的关键词是整理与排序。

第二类是长期管理的需求。慢病人群数量大、周期长，问题不在一次判断，而在持续调整。一个人同时吃三四种药，又自行添加补充剂，交叉点会越来越多。这类需求的关键词是筛查与复评，且必须能被基层机构用起来。

第三类是研发端的需求。做组合配方的人面临的不是信息不足，而是候选太多。哪些成分值得放在一起、依据是什么、先做哪个实验，这些问题决定了研发的钱花在哪。这类需求的关键词是假设与排序，而不是直接给出产品。

三类需求的付费方、判断标准和风险容忍度都不同。把它们混成一个产品讲，就会出现对患者承诺疗效、对研发承诺结果的情况。分开讲，才有可能把每一类的边界说清楚。

按科室划分是最自然的做法，肿瘤科、内分泌科、营养科各有一套流程。但这种分法解决不了前面那位患者的问题，因为他的麻烦恰恰发生在科室之间。按需求划分，同一个人的信息才有可能被放在一起看。

方向一：治疗与康复期的信息整合

这个方向要解决的问题很具体：在有限的门诊时间里，让医生快速看到这个人过去两年发生了什么。做过什么治疗、用过哪些药、指标怎么走、有没有出现过需要记录的副反应，这些内容散落在不同医院的不同系统里，靠家属口述必然丢失。

可交付的东西有三样。一份按时间排列的结构化档案，把治疗线、用药、关键指标放在同一条轴上；一份潜在冲突清单，标出正在服用的药物与自行添加的成分之间需要确认的地方；一份问题清单，把下次门诊该问的几件事提前写好。

康复阶段的需求会变。治疗结束之后，关注点从药物相互作用转向体力恢复、体重维持、进食能力。此时的方案更像一份生活安排，而不是一张处方。同一套系统要能承接这种转变，否则用户会在出院那天失去连续性。

这个方向最容易被夸大的地方，是把它说成能给出治疗建议。界限应当划在信息整理和风险提示上：系统可以指出某处需要确认，不能替医生决定用哪种方案。演示时如果对方开始谈疗效，基本可以判断这条线被越过了。

家属在这个阶段最常做的是加法：听说什么好就买什么，把补充剂堆在床头。其实更需要的是减法与排序，先确认正在用的东西之间有没有冲突，再谈要不要增加。这个顺序一旦反过来，后面每一步都在为前一步打补丁。

方向二：慢病与亚健康的一人一方

慢病场景的难点不是知识不够，而是交叉点太多。一位同时有高血压、血糖偏高和轻度肾功能下降的人，正在服用三类药，还想补充三种成分。每一种单看都说得通，组合起来需要考虑代谢通路、排泄途径和进食时间。

这个方向交付的核心是筛查结果。把药物、食物、营养素、膳食补充剂、药食同源成分放在同一张表上逐项比对，输出可以、谨慎、避免三档，并对每一档给出理由。三档比一张长清单有用，因为它直接告诉人先处理哪一件。

筛查之后才是配方。成分、剂量、配比要在机构现有的原料范围内求解，而不是先设计一个理想配方再去找原料。这个约束看起来是妥协，实际上决定了方案能不能被生产出来、能不能被稳定复现。

亚健康人群是同一套能力的延伸，但风险容忍度不同。这类人没有明确诊断，指标多在参考范围内，方案的重点是生活方式与微量营养素，不宜做过多干预。把临床场景的做法直接搬过来，容易出现过度检测和过度补充。

慢病还有一个维度常被忽略：时间。同一套方案在确诊初期和五年之后，优先级完全不同。初期可能要先控制指标，五年之后可能要先保住肌肉和进食能力。方案如果不能随时间调整，就会在某个节点开始反向消耗。

方向三：组合研发里的假设与排序

做复方的人有个共同困境：可选成分太多，组合数量呈指数增长，靠经验筛选效率很低，靠随机试错成本很高。真正缺的不是更多成分，而是一个能说明为什么这几个应当放在一起的理由。

这个方向做的事是把理由先写出来。系统基于公开的机制研究，提出哪些通路可能互补、哪些组合存在代谢上的竞争、哪些剂量区间值得优先尝试，形成一份候选清单和对应的假设。清单的价值在于可被否证，而不是听起来合理。

它给出的不是结论，而是实验的先后顺序。哪些组合先做体外验证，哪些需要先确认安全性，哪些可以暂时搁置。研发团队拿到这份排序，能把有限的预算放在更可能出结果的方向上，同时保留完整的推理记录以便复盘。

这个方向目前处在研发阶段，不对外承诺任何产品结果。把它讲成已经能稳定产出组合，是不诚实的。合理的表述是：它提供了一种把机制知识转成可检验假设的方法，方法本身可以被评估，结果要靠实验说话。

这类工作依赖的是公开的机制研究，而不是企业内部积累的患者数据。这意味着它的结论可以被同行复核，也意味着它的上限受制于已发表证据的质量。把这个前提讲清楚，比强调算法有多复杂更有意义。

三个方向共用的一套结构

第一层是知识层，收录公开的诊疗规范、已发表的研究、营养学与毒理资料，并且要能持续更新。这一层最容易做表面功夫：抓了多少万篇文献并不重要，重要的是能不能说清某一条结论来自哪一份文件、哪一版。

第二层是两张图谱。一张描述疾病状态下身体发生了什么，另一张描述药物、食物、营养素、补充剂各自作用在哪一步。两张图必须能对上，否则推演就变成了各说各话。对不上的地方，恰恰是最需要标注不确定的地方。

第三层是个体推理。把一个人的病史、用药、检验值放进去，沿着图谱走一遍，得出这个人的获益与风险。这一层的难点不在算力，而在遇到信息缺失时如何处理：是默认按常见情况补全，还是明确标出空白并降低结论的强度。

第四层是输出。方案、清单、复评记录都要能被专业人员和普通人各自读懂。同一份结论，医生看到的是依据链，用户看到的是今天该怎么做。两层表达如果不能同时成立，说明中间少了一次翻译。

四层之间最难的是接口。知识层更新了一条结论，图谱层要不要跟着改；图谱改了，推理层的输出会不会变；输出变了，之前的方案要不要重算。没有这套联动，系统会在半年之后出现两套互相矛盾的知识并存的局面。

从原始资料到最终结论，中间有四道交付

第一道是把散乱的资料变成结构化档案。检查报告上的数值被提取成字段，用药被拆成成分、剂量、频次，诊断被标注时间。这一步做不好，后面所有推理都建立在错误输入上，而且错误很难被发现，因为输出看起来一样专业。

第二道是冲突筛查。把档案里的用药与方案里准备加入的成分逐项比对，列出需要确认的交叉点。这一步的输出应当是一份待办清单，而不是一句总体安全。凡是写成总体安全的，通常意味着没有逐项看。

第三道是方案草稿。成分、剂量、用法、替代选项、需要观察的指标，缺一项都会让执行打折扣。草稿的措辞要能让人看出这是草稿，比如标明待审核、标明依据强度，而不是直接印成一份终稿。

第四道是复评记录。同一个人的两次评估之间发生了什么变化，哪些指标动了，哪些建议被修改，为什么改。这份记录是整个流程里最不显眼、也最能说明系统是否真的在工作的部分。

第一道工序最耗人力，也最容易被省略。有些系统把报告整份存进去就算完成采集，分析时再让模型去读，读错的数值没人发现。更稳的做法是提取之后请人确认一遍关键值，哪怕只确认五六个数字，也能挡掉大部分输入错误。

外部的人可以怎么核验

核验的第一招是用已知案例回测。准备三到五个自己熟悉的例子，比如某位正在服用抗凝药又想吃某类提取物的患者，看系统给出的结论是否与临床共识一致，以及它是否说得出理由。答对而说不出理由，说明是碰巧；说得出而答错，说明知识层有问题。

第二招是要求看依据链。随便挑一条建议，请对方点开它的来源，看能不能追到具体的指南条目或者研究，而不是一句基于机制推演。追不到来源的建议，无论措辞多专业，都只能算作观点。

第三招是检查空白标注。故意少填一项关键指标，看系统是默默按常见值补全，还是明确提示信息不足、建议先补充。前者在真实场景里很危险，因为用户不知道自己被假设成了另一个人。

第四招是看版本与留痕。知识库多久更新一次，每次更新改了什么，谁审核的，这些记录能不能导出。第五招是看两次结果的差异，同一个人隔三个月再跑一遍，输出是全部重写还是显示变化。能做到后者，才谈得上随访。

还有一个不花钱的办法：看它怎么描述自己做不到的事。愿意把局限写在介绍前面的团队，通常在别处也更谨慎；通篇只有能力而没有边界的材料，需要多留一分怀疑。这一点与技术水平无关，与表达是否诚实有关。

它不做什么，比它做什么更需要写清楚

第一，不做诊断。系统可以整理资料、提示风险、生成草稿，不能给出疾病诊断结论。诊断需要面诊、查体、影像与检验共同支撑，任何一段文字都无法替代。凡是演示里出现确诊字样的，都要追问依据。

第二，不承诺疗效。营养干预的效果因人而异，且往往需要数月才能观察到变化。把改善指标写成可以期待的结果，是把不确定性藏了起来。诚实的表述是给出需要观察哪些指标、多久看一次。

第三，不替代审核。方案要经医生或者营养师确认，这一步不是流程装饰。系统能做的是把审核需要的信息摆在前面，让审核变得快一些、有据一些，而不是把审核省掉。

第四，不在研发方向做产品宣称。组合研究处在实验阶段，任何关于效果的表述都应当等到有数据支撑之后再说。这条边界守不住，前面所有的技术说明都会失去可信度。

这四条边界写出来并不好看，甚至会削弱介绍的说服力。但它们决定了使用者能不能在关键时刻停下来问一句：这一步该由谁来定。一个把边界讲明白的系统，使用起来反而更省心，因为你知道哪些结果可以照着做，哪些必须再去确认。

给打算接触这类系统的人三点提醒

第一，先问它服务的是哪一类人。三个方向对应的使用者、判断标准和风险完全不一样。一个声称什么都能做的系统，通常意味着每一类都做得不深。把场景问清楚，比看功能列表有用得多。

第二，把演示当成一次考试。带上自己熟悉的案例，挑一条结论追问依据，故意留一个空白看它怎么处理。三次追问之后，对方是在解释机制还是在重复话术，很容易分辨。

第三，把边界写进合同。数据存在哪里、谁能看、方案由谁审核、出了问题谁负责，这四项要落到文字上。柏霖智生在介绍 GenoMind AI 时把三个方向分开讲，本身也是一种边界的表达：能做的说清楚，不能做的不含糊。

对普通人来说，这类系统最实际的价值不是替你决定吃什么，而是让你在门诊的那十分钟里，能把过去一年的情况说清楚，并且知道哪几件事需要当面问医生。做到这一点，它就已经完成了大部分工作。