王姐到医院做年度体检。她不知道，从挂号那一刻起，她的信息就开始了接力赛：挂号处登记了姓名年龄，影像科前台安排了 CT 时间，拍完的片子被送进档案馆，化验室则取走了她的血样——这些环节背后，是四个互不相识却必须紧密协作的计算机系统，它们不说同一种「方言」，却能分毫不差地传递信息。这就是医院 IT 生态集成。它像一个精明的小镇：挂号处（HIS）、影像中心（RIS）、照片档案馆（PACS）、化验室（LIS）各司其职，部门之间靠标准表格、统一身份和智能邮局交换信息。本文带你走进这个小镇，看懂系统如何对话、数据如何流转，以及 AI 这位新员工如何顺利入职。

岗位关联

读懂医院系统的对话机制，是医疗 AI 落地时「接得进、喂得饱、返得回」的硬门槛——这正是医疗 AI 工程师区别于普通算法工程师的核心能力。

目录
  1. 可视化演示
  2. 系统全景：小镇的四个部门
  3. 接口协议：统一表格语言
  4. 数据标准：统一身份证
  5. 集成架构：小镇建起邮政总局
  6. AI接入落地：读片专家入职记
  7. 工程质量：接力棒不能掉地上
  8. 演进趋势：连上全国交通网
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示PACS、HIS、RIS、LIS四系统互联拓扑与患者就诊数据流转路径，切换模式查看接口延迟与吞吐性能。

本节配有交互动效（进入视口后自动加载，约 3KB）。

模式1：四系统互联拓扑 HIS为中枢连接PACS/RIS/LIS HL7/DICOM接口实现跨系统通信 Integration = HL7 + DICOM + FHIR HIS中枢模式统一患者标识与数据路由。

系统全景：小镇的四个部门

镇上新来了居民老王，他先到社区政务大厅办手续，再去影像中心排队拍 CT，照片被归档进档案馆，血样送到化验室。这四件事分别由四个部门负责——它们就是 HIS、RIS、PACS、LIS：HIS（医院信息系统）是综合管理中枢，管挂号、收费、开医嘱、写病历；RIS（放射信息系统）管影像检查的登记、排队、报告书写；PACS（影像归档与通信系统）管理影像的存储与调阅，是名副其实的档案馆；LIS（检验信息系统）则统筹检验申请、标本处理和结果审核，像化验室的流水线。四个系统各管一段，但医疗流程是连续的，所以信息必须在它们之间频繁接力。

问题随之而来：系统越多，两两互联的接口数就越多。这源于一个简单的组合问题——n 个系统两两相连需要的连接数。它揭示了医院集成复杂度爆炸式增长的根本原因。

老王这趟检查下来，四个部门之间已经发生了至少三次信息接力：挂号信息给影像科、检查申请给 PACS、检验申请给化验室。系统越多，接力棒越多，掉棒风险越高——所以小镇需要更聪明的沟通机制，这正是后续章节要讲的协议、标准与邮局。

I=C(n,2)=n(n−1)2I = C(n, 2) = \displaystyle \frac{n(n-1)}{2}
接口数 = 从 n 个系统里任选 2 个建立连接的组合数。
  1. 组合数 C(n,2)$C(n,2)$ 表示从 n 个系统中任取 2 个建立连接的方案数，读作「n 取 2」。A 连 B 和 B 连 A 算同一条线，所以是组合而非排列。
    C(n,2)C(n, 2)
  2. 展开为阶乘形式组合数展开后得到 $\frac{n!}{2!(n-2)!}$，化简即 $\frac{n(n-1)}{2}$——每个系统都与其他 n-1 个系统有潜在连接，但每一对重复计数，故除以 2。
    n(n−1)2\displaystyle \frac{n(n-1)}{2}
  3. 代入实例n=4 时 I=6，n=8 时 I=28，n=20 时 I=190。这正是「点对点直连」模式的代价：每新增一个系统，就要新增 n-1 条线。
    n=4⇒I=6;n=20⇒I=190\displaystyle n=4 \Rightarrow I=6; \quad n=20 \Rightarrow I=190

接口协议：统一表格语言

部门之间传递信息，不能各写各的便条——老王的化验结果到了门诊，大夫必须看得懂。于是小镇立了规矩：所有跨部门单据必须用统一格式的表格填写，这就是 HL7 协议。它规定了表格的排版方式：用竖线 | 分隔字段，用回车分隔多行段（Segment）。

HL7（Health Level 7）是医疗系统间交换文字信息的主流标准。一条消息以消息头 MSH 开头，后面挂若干数据段：PID 记录患者身份，PV1 记录就诊信息，ORC 记录医嘱，OBR 记录检查申请，OBX 记录检查结果。按用途划分有三大类消息：ADT（患者入出转）、ORM（医嘱与申请）、ORU（结果回报）。整条消息就是若干段的依序拼接。

有了 HL7 这套「标准表格」，老王在化验室的结果、影像中心的结论，都能用同一种表格方言传回 HIS，医生一键就能查看完整报告。HL7 就是小镇部门之间的「统一单据」。

M=MSH∥PID∥PV1∥ORC∥OBR∥OBXM = \mathrm{MSH} \parallel \mathrm{PID} \parallel \mathrm{PV1} \parallel \mathrm{ORC} \parallel \mathrm{OBR} \parallel \mathrm{OBX}
一条 HL7 消息 = 消息头 + 若干业务数据段，像把一页页表格摞成一份标准档案。
  1. 拼接符号$\parallel$ 表示「把数据段按顺序连接起来」，数据结构上等价于把各段字符串依序拼接，段与段之间用回车分隔。
    ∥\parallel
  2. 消息头 MSH每条消息的第一段，包含发送方、接收方、时间戳和消息类型，相当于信封上的邮戳与收发地址。缺了 MSH，接收方就不知道这封信从哪来、该回给谁。
    MSH  (Message Header)\mathrm{MSH}\,\,(\mathrm{Message\ Header})
  3. 业务数据段PID 是患者身份段、PV1 是就诊段、ORC 是医嘱段、OBR 是检查申请段、OBX 是观察结果段——它们像表格里的不同区块，各司其职。
    PID, PV1, ORC, OBR, OBX\mathrm{PID,\, PV1,\, ORC,\, OBR,\, OBX}
  4. 实例拆解OBX 段 OBX|1|TX|CT0001^诊断||结节|||F 表示一条文本型结果：第 1 位是序号，第 2 位 TX 是数据类型，第 4 位是检验项编号，第 5 位是结果值，第 11 位 F 表示最终结果。
    OBX∣1∣TX∣CT0001∣∣结节∣∣∣F\mathrm{OBX\vert 1\vert TX\vert CT0001\vert\vert 结节\vert\vert\vert F}

数据标准：统一身份证

小镇归档老王的信息时出了岔子：挂号处写「王小明」，影像科写「Wang Xiaoming」，化验室写「王小明 1990-03-15」。同一人，三个条目。如果系统按姓名匹配、按出生日期去重，就可能张冠李戴，甚至把两个同名患者的报告弄混。

医院用「患者主索引（MPI，Master Patient Index）」解决这个问题：为每个患者分配一个全局唯一 ID，并维护各系统内部 ID 到该全局 ID 的映射表。跨院区共享时升级为 EMPI（企业级主索引）。MPI 的核心工作是对两条记录做「是否是同一个人」的判断——靠多个字段的加权相似度评分。

老王的档案有了「全国通行的身份证号」后，无论他在哪个部门出现，系统都能认出「这是同一个人」。同时，诊断结果用 ICD-10 编码、检验项目用 LOINC 编码、影像用 DICOM 头字段标识——所有数据都有了统一的「普通话」词汇表。

S=∑i=1kwi×sim(fi)S = \displaystyle \sum_{i=1}^{k} w_i \times \mathrm{sim}(f_i)
患者匹配总分 = 各字段（姓名、出生日期、证件号等）相似度按其可信度加权累加。
  1. 字段相似度$\mathrm{sim}(f_i)$ 表示第 i 个字段（如姓名、出生日期、性别）的相似度，取值 0 到 1——完全相同为 1，完全不同为 0。身份证号这类强标识字段的相似度判断采用精确相等。
    sim(fi)∈[0,1]\mathrm{sim}(f_i) \in [0, 1]
  2. 权重 w_i$w_i$ 是该字段的可信度权重。身份证号权重最高，出生日期次之，性别权重最低——让强字段主导判断，弱字段仅作辅助。
    wiw_i
  3. 求和运算$\sum$ 表示将各字段的加权分累加。总分 S 超过预设阈值，就判定两条记录属于同一患者，自动合并索引。
    S=∑i=1kwi×sim(fi)\displaystyle S = \sum_{i=1}^{k} w_i \times \mathrm{sim}(f_i)

集成架构：小镇建起邮政总局

小镇最初部门少，两两之间直接拉电话线——点对点直连。后来部门变多，满地线缆：新增一个部门就得拉一排新线，老部门之间还得互相协调调试。于是镇上建了邮政总局：所有部门只需把信交给总局，由总局统一路由、翻译、转发。这个总局就是集成中间件（ESB，企业服务总线）。

医院集成平台基于 ESB 架构，提供五项核心能力：协议适配（把 HL7、DICOM、HTTP 互转）、消息路由（按目的系统转发）、字段映射（源字段转目标字段）、队列重试（对方没收到就重发）、监控日志（全链路追踪）。接入模式从「网状」变为「星型」。

老王的信息不再需要「每个部门各通知一遍」：挂号处把消息交给总局，总局自动抄送给影像科（RIS）、档案馆（PACS）和化验室（LIS）。邮局还做了登记和验收——消息是否送达、谁还没回执，一目了然。

Istar=nI_{star} = n
星型架构下，每个系统只与中心平台连一条线，总接口数等于系统数。
  1. 单个系统连接数每个业务系统只需与中心集成平台建立 1 条逻辑连接，不用关心其他系统在哪里、用什么协议。
    每系统连接数=1\text{每系统连接数} = 1
  2. 总量求和n 个系统的总连接数为 n。与点对点的 $\frac{n(n-1)}{2}$ 相比，当 n>3 时始终更少，且系统越多优势越明显。
    Istar=n≪n(n−1)2\displaystyle I_{star} = n \ll \frac{n(n-1)}{2}
  3. 数值对比n=4 时直连 6 条、星型 4 条；n=10 时直连 45 条、星型仅 10 条。这就是集成平台的规模价值——接口数从平方级降为线性级。
    n=10:45→10\displaystyle n=10: \quad 45 \rightarrow 10

AI接入落地：读片专家入职记

镇医院新来了一位不占工位的读片专家——AI 模型。它不需要挂号，但需要三种特权：能收到「有新检查」的通知、能调阅档案馆的 CT 片子（PACS）、能把诊断意见写到影像中心的报告单上（RIS）。它必须会说 DICOM 和 HL7 两种「行话」，否则寸步难行。

医疗 AI 影像产品（如肺结节筛查）在医院的完整落地链条是：RIS 把 Worklist 检查列表发给 AI 服务 → AI 按影像唯一标识向 PACS 拉取 DICOM 影像 → 推理得到病灶概率 → 将结论以 DICOM SR（结构化报告）或 HL7 OBX 的格式写回 RIS → 医生参考 AI 结果完成正式报告。整条链路涉及四个系统、两类协议，以及一张三类医疗器械注册证。

AI 决策的本质，是选择概率最大的那个类别。

AI 专家的读片结论最终变成一行 OBX 消息，搭着 HL7 表格回到 HIS，自动填入医生的报告模板。AI 不再是一个孤立的算法脚本，而是小镇里一位正式入职、持证上岗（NMPA 三类注册）的读片专家。

y^=arg⁡max⁡yP(y∣x)\hat{y} = \arg\max_y P(y \mid x)
AI 的读片结论 = 所有候选诊断中，条件概率最大的那一类。
  1. 输入影像 x$x$ 代表一张由 PACS 传来的 CT 图像，经 DICOM 解码后转为模型可读取的张量。输入质量直接决定输出可靠性。
    xx
  2. 条件概率分布$P(y \mid x)$ 表示模型判断该影像属于类别 y 的概率，y 的取值为「结节 / 肺炎 / 正常」等预定义诊断标签，通常由 Softmax 层归一化输出。
    P(y∣x)P(y \mid x)
  3. argmax 取优$\arg\max$ 返回使概率达到最大的那个类别 $\hat{y}$——注意它是「取类别本身」而非「取概率值」，这正是 AI 从「概率分布」到「诊断结论」的关键一步。
    y^=arg⁡max⁡yP(y∣x)\hat{y} = \arg\max_y P(y \mid x)

工程质量：接力棒不能掉地上

接力跑最怕掉棒。医院信息也一样：检查申请发丢了、结果重复记账、消息乱序，都可能酿成医疗差错。小镇的邮政总局为此立了几条军规：每封信必须有回执（ACK/NAK）；没收到回执就反复重投（重试）；信送到后登记存档（日志）；总机永不关机（高可用）。

具体到技术层面：HL7 的 ACK/NAK 机制确认消息送达；集成平台用持久化队列保证系统宕机后消息不丢；幂等设计让重复消息不造成重复计费；脱敏与权限控制保护患者隐私。整体可用性用 SLA 衡量，医疗核心链路通常要求 99.9% 以上——换算成一年停机时间，标准就变得非常具体。

老王的一次拍片，从申请到报告涉及至少 4 次跨系统传递，任何一次掉棒都要靠「回执 + 重试 + 日志」兜底。医疗行业对数据完整性和隐私安全的要求极高，这也是接口工程远比写一个 Demo 复杂的原因。

Tdown=365×24×(1−A)T_{down} = 365 \times 24 \times (1 - A)
年停机时间 = 一年总小时数 × 不可用比例。可用性每多一个「9」，允许的宕机时间就少一个数量级。
  1. 一年总小时数365 天 × 24 小时 = 8760 小时，作为全年基准时间。
    365×24=8760365 \times 24 = 8760
  2. 不可用比例$(1 - A)$ 是可用性 A 的补集。A=0.999 时不可用比例为 0.001，即千分之一。
    (1−A)=0.001(1 - A) = 0.001
  3. 年停机时间相乘得 8.76 小时/年；若提到「四个九」A=0.9999，则仅 52.6 分钟/年。这就是医院集成招标写「可用性 ≥99.9%」背后的含义。
    Tdown=8760×0.001=8.76 小时T_{down} = 8760 \times 0.001 = 8.76\ \text{小时}

演进趋势：连上全国交通网

随着小镇合并成医疗集团，不同小镇之间也要互认检查结果。单靠传统的内部表格（HL7 2.x）已经不够——新一代标准 FHIR（快速医疗互操作资源）登场：把每个患者、每条检查结果都变成「网页资源」，像访问网站一样用 REST API 读写数据。

FHIR 以 RESTful API 为核心交互方式，资源地址形如 /Patient/123、/Observation/456，数据格式采用 JSON/XML，天然贴近互联网技术栈，开发者上手成本低。与此同时，PACS 影像向云端迁移（云 PACS），使多院区调阅成为可能，但影像文件动辄上百 MB，传输时延受网络带宽直接约束。

老王在外地旅游时摔伤，当地医院通过区域平台调出了他的历史 CT——影像跨院区共享，靠的是 FHIR 统一资源、云 PACS 存储和足够的带宽。小镇已经不再是一座孤岛，而是全国交通网上的一个节点。

T=SBT = \displaystyle \frac{S}{B}
影像传输时间 = 数据量 ÷ 带宽。文件越大、带宽越窄，等待时间越长。
  1. 数据量 S$S$ 是一次传输的影像数据量，单位比特。一张 512×512×16bit 的 CT 原始图像约 0.5MB，一个检查常达数十至数百 MB。
    S=文件大小(bit)S = \text{文件大小}(\text{bit})
  2. 带宽 B$B$ 是网络传输速率，单位 bit/s。院内千兆网约 1Gbps，院间专线可能只有 10–100Mbps——带宽是云化部署的首要瓶颈。
    BB
  3. 传输时间代入 $T = S / B$：100MB 影像在 100Mbps 下需 8 秒，在 10Mbps 下则需 80 秒。这说明影像云化必须配合预取、压缩与分片策略。
    T=100×8×106100×106=8 秒T = \frac{100 \times 8 \times 10^6}{100 \times 10^6} = 8\ \text{秒}

AI 应用场景

场景一：AI 肺结节筛查产品接入 PACS/RIS

阶段：模型部署与系统集成

解决的问题：传统肺结节筛查依赖影像科医生肉眼逐层读片，耗时且易漏诊。AI 产品通过 DICOM 接口自动获取 CT 序列、推理生成病灶提示，再通过 HL7 消息把结果整合进 RIS 报告工作站，医生打开报告时可直接看到 AI 的标记与概率。

具体案例：某三甲医院部署肺结节 AI：CT 扫描完成 → 设备把序列推送至 PACS → AI 服务按 Worklist 通知拉取影像 → 5 秒内将结节坐标和概率写入 RIS 工作站 → 医生审核后一键生成正式报告。全程无需人工拷贝文件。

场景二：城市医联体检查结果互认

阶段：区域协同与互操作

解决的问题：患者跨院就诊需重复拍片，浪费医疗资源且增加辐射暴露。通过统一患者主索引（EMPI）+ FHIR API，各院区可跨机构调阅互认影像与报告，AI 还能自动对历史片做前后对比。

具体案例：某市卫健委建设区域影像云平台，下属 12 家医院接入。患者凭身份证号进行主索引匹配，医生可直接调阅其他医院的 PACS 影像；平台记录每次调阅日志，满足审计合规。

场景三：LIS 危急值实时推送

阶段：消息集成与实时告警

解决的问题：检验科发现患者血钾 6.8 mmol/L（危急值），传统电话通知可能漏接或延误救治。LIS 通过 HL7 ORU 消息实时推送到 HIS，门诊医生站弹窗告警，同时短信通知值班医生，形成闭环管理。

具体案例：某医院上线危急值闭环：LIS 触发 → ORU 推送 → HIS 接收 → 医生确认 → 确认消息回传 LIS → 全程留痕可溯源，平均响应时间从 30 分钟降到 3 分钟。

Python 演示

python45 行
# -*- coding: utf-8 -*-"""模拟医院集成场景: HIS 发检查申请 -> AI 读片 -> 报告回传."""  class HL7Message:    """极简 HL7 消息构造器, 按段与竖线字段组织."""     def __init__(self, msg_type):        self.segments = [            "MSH|^~\\&|HIS|PLAZA|RIS|PLAZA|20240310103000||"            + msg_type + "|202403100001|P|2.3"        ]     def add(self, segment):        self.segments.append(segment)     def build(self):        return "\r".join(self.segments)     @staticmethod    def parse(raw):        return [seg.split("|") for seg in raw.split("\r")]  # 1. HIS 发送胸部 CT 检查申请(ORM 消息)order = HL7Message("ORM^O01")order.add("PID|1||P001||Wang XiaoMing|19900315|M")order.add("PV1|1|O|OUTPATIENT||||20240310")order.add("ORC|NW|ORD20240310001|RIS20240310088")order.add("OBR|1|ORD20240310001|RIS20240310088|CT0001^ChestCT") # 2. AI 模型对影像做出诊断(模拟神经网络 Softmax 输出)probabilities = {"nodule": 0.92, "pneumonia": 0.84, "normal": 0.05}diagnosis = max(probabilities, key=probabilities.get) # 3. RIS 将 AI 结论组装为 ORU 结果回报消息result = HL7Message("ORU^R01")result.add("PID|1||P001||Wang XiaoMing|19900315|M")result.add("OBX|1|TX|CT0001^Impression||" + diagnosis           + "|" + "{:.2f}".format(probabilities[diagnosis]) + "|||F") raw = result.build()print(raw.replace("\r", "\n"))parsed = HL7Message.parse(raw)print("AI 诊断结论:", parsed[-1][5], "置信度:", parsed[-1][6])
目的：演示一条医疗 AI 消息链——HIS 发 CT 检查申请（ORM），AI 模型读片取最大概率类别（argmax），RIS 生成结果回报（ORU）。
  1. class HL7Message:定义一个极简 HL7 消息构造器，集中管理消息段列表。
  2. "，MSH|..." + msg_type构造消息头 MSH，消息类型（ORM/ORU）写在其中，相当于信封上的「业务类型」邮戳。
  3. return "\r".join(self.segments)HL7 标准用回车符分隔各数据段，最终组装成一条完整消息字符串。
  4. [seg.split("|") for seg in raw.split("\r")]解析器先按回车拆段，再按竖线拆字段，还原成二维数组。
  5. order.add("ORC|NW|ORD20240310001|RIS20240310088")ORC 段 NW 表示「新医嘱」，携带 HIS 的申请单号与 RIS 的检查号。
  6. diagnosis = max(probabilities, key=probabilities.get)取概率最大的诊断类别，正是公式中 argmax 的代码实现。
  7. result.add("OBX|1|TX|...")AI 结论写入 OBX 结果段，第 6 位字段为诊断文本、第 7 位为概率值，F 表示最终结果。
  8. parsed[-1][5]解析后取最后一行的第 6 个字段（诊断文本），验证消息结构正确。

常见误区

误区两个系统要互通，最直接的办法是把 HIS 的数据库账号密码给 PACS，让对方直接读写表。反正数据都在库里，开放出来最省事。

正解医疗场景严禁共享数据库直连。正确做法是走消息接口（HL7/DICOM），系统只暴露必要的消息端点，由集成平台做转换和管控。直接连库会让系统耦合爆炸、安全失控——一旦对方的一个慢查询拖垮核心库，全院挂号缴费都会瘫痪。镇上的档案馆绝不会把库房钥匙直接交给每个科室，而是统一通过「借阅窗口」调档。

为何常见：数据库是「数据本体」，初学者容易把「数据在库中」等同于「可以直接访问」，不理解接口抽象与解耦的意义。

误区PACS 和 HIS 之间只需要一套协议。DICOM 能传影像，肯定也能传申请单，是不是就不用学 HL7 了？

正解两者分工完全不同。DICOM 只管影像及相关信息的存储、传输；流程类信息（申请、报告、挂号）走 HL7。一次检查的完整流程是：RIS 用 HL7 发申请，PACS 用 DICOM 传图，RIS 再通过 HL7 回报结果。它们像铁路和公路的关系——运货用铁路、送货上门用公路，互相配合而非彼此替代。

为何常见：两者都被称为「医疗信息标准」，名称相近，功能边界容易混淆。

误区两个系统之间接口联调通过、能发能收，就代表集成完成，之后不用再管了。

正解接口上线只是起点。生产环境会出现消息乱序、重复发送、字符编码错乱、连接中断后消息丢失、版本升级导致的字段变更等各种问题。集成平台必须提供持久化队列与 ACK/NAK 保障，配合 7×24 小时监控与日志追溯。就像接力赛训练时从不掉棒，不代表正式比赛不会掉——关键是有一套「掉了能捡起来」的机制。

为何常见：联调环境数据量小、链路稳定，生产环境的故障模式只有长期运行才会暴露。

误区AI 模型部署好之后，直接把 PACS 的影像文件夹挂载给它，就能开始诊断了。反正是内部系统，不用讲什么协议。

正解医疗数据不能「裸奔」。AI 必须走标准流程：通过 Worklist 获知新检查、按 DICOM 协议从 PACS 拉取、解析 DICOM 头与像素、做去隐私处理（移除患者姓名 ID），再把结果以 DICOM SR 或 HL7 OBX 格式写回。此外，AI 作为医疗器械还要通过 NMPA 三类注册审批才能临床使用。就像新入职的读片专家，得先办工牌、学制度、拿执业证，不能直接进档案室翻病历。

为何常见：开发环境用本地图片训练惯了，忽略了医院生产环境的接口协议、隐私合规与监管要求。

误区只有三四个系统时，直接点对点连接最快，上集成平台反而多了一层转发，纯粹增加延迟。

正解系统少时直连确实简单，但医院系统动辄十几个，且每新增一个系统，连接数就按 C(n,2) 增长。集成平台带来的不只是接口数量从平方级降为线性级，还有统一监控、重试、协议转换的能力。实际决策的权衡点是系统数量与演进频率：超过 5 个且还会持续增加，就应当上平台。小镇的故事是——电话线拉多了，终归要建邮局。

为何常见：前期只见当前成本，看不到后续维护与扩展的幂次增长，属于典型的「局部最优」思维。

面试题

Q1. HIS 系统在医院的四大核心系统中主要负责什么？

单选题 · easy

  • A.存储和管理医学影像文件
  • B.管理患者挂号、收费与医嘱流程← 正确答案
  • C.调度检验标本和上机检测
  • D.登记放射检查预约与排队

答案：B。HIS 是医院信息系统的中枢，管挂号、收费、开医嘱、写病历，相当于小镇的政务大厅；影像存储是 PACS 的职责，检验调度是 LIS 的职责，放射登记是 RIS 的职责。故选 B。

Q2. 下列哪个系统负责医学影像的长期归档与调阅？

单选题 · easy

  • A.HIS
  • B.RIS
  • C.PACS← 正确答案
  • D.LIS

答案：C。PACS（影像归档与通信系统）专门负责影像的存储、传输与调阅，是小镇的「照片档案馆」；RIS 管登记与报告流程，HIS 管综合业务，LIS 管检验数据。故选 C。

Q3. HL7 中用于患者入出转登记的消息类型是？

单选题 · mid

  • A.ADT← 正确答案
  • B.ORM
  • C.ORU
  • D.DFT

答案：A。ADT（Admission, Discharge, Transfer）负责患者入院、出院、转科信息的广播，让各系统同步患者状态。ORM 是检查/医嘱申请，ORU 是结果回报，DFT 是收费明细。故选 A。

Q4. 关于 ORM 与 ORU 消息，下列说法正确的有？

多选题 · mid

  • A.发送检查申请的核心消息← 正确答案
  • B.回报检查结果的核心消息← 正确答案
  • C.两者都属于 HL7 消息协议← 正确答案
  • D.直接传输影像原始像素数据

答案：ABC。ORM 用于发送检查/医嘱申请（A 对），ORU 用于回报检查结果（B 对），两者都是 HL7 v2 标准消息类型（C 对）。影像像素数据的传输是 DICOM 的职责，HL7 不直接承载像素（D 错）。

Q5. 7 个医疗系统采用点对点直连，共需要多少条接口？

单选题 · hard

  • A.7 条
  • B.14 条
  • C.21 条← 正确答案
  • D.28 条

答案：C。点对点直连的接口数 = C(7,2) = 7×6/2 = 21 条。这正是「系统越多，两两互联越爆炸」的体现——7 个系统要 21 条线，14 个系统就要 91 条。若改用星型集成平台，只需 7 条。

Q6. PACS 中影像在设备与服务器之间传输采用的协议是？

单选题 · easy

  • A.HL7
  • B.DICOM← 正确答案
  • C.HTTP
  • D.SNMP

答案：B。DICOM 是医学影像的存储与传输标准，CT/MR 设备产生的影像序列通过 DICOM 协议推送到 PACS 归档。HL7 用于文字流程信息，HTTP 是互联网通用协议，SNMP 用于网络设备管理。故选 B。

Q7. RIS 中 Worklist（工作清单）的主要作用是什么？

单选题 · mid

  • A.统计影像科医生工作量
  • B.让设备自动拉取待检患者列表← 正确答案
  • C.存储历史影像报告
  • D.管理全院排班与考勤

答案：B。Worklist 是检查设备的「排队叫号系统」：当患者在 RIS 登记后，检查设备（如 CT 机）通过 DICOM Worklist 自动拉取待检患者列表，无需手工录入姓名。这是 AI 系统获知「有新检查」的同样机制。

Q8. 关于医疗 AI 接入医院 IT 生态，下列说法正确的有？

多选题 · hard

  • A.AI 可通过 DICOM 获取影像数据← 正确答案
  • B.AI 结果需整合回报告系统← 正确答案
  • C.AI 无需数据脱敏即可使用
  • D.AI 需遵循接口规范与监管要求← 正确答案

答案：ABD。AI 按 DICOM 协议从 PACS 拉取影像（A 对），推理结果以 DICOM SR 或 HL7 OBX 写回 RIS/HIS 报告系统（B 对），作为医疗器械还需通过 NMPA 注册审批（D 对）。医疗数据必须脱敏后才能用于开发与测试（C 错）。

Q9. 系统可用性为 99.9% 时，一年的停机时间约为多少？

单选题 · mid

  • A.约 52.6 分钟
  • B.约 8.76 小时← 正确答案
  • C.约 87.6 小时
  • D.约 3.65 天

答案：B。年停机时间 = 8760 小时 × (1 − 0.999) = 8.76 小时。若可用性提升到 99.99%，停机时间降到 52.6 分钟；99% 则意味着每年宕机 87.6 小时。医院核心链路通常要求 99.9% 以上。

Q10. 关于集成中间件（ESB）的优势，下列说法正确的有？

多选题 · mid

  • A.接口数量从 n(n-1)/2 降低为 n← 正确答案
  • B.提供接口监控与运行日志能力← 正确答案
  • C.各系统必须统一修改数据库表结构
  • D.支持异步消息可靠投递与重试← 正确答案

答案：ABD。ESB 星型架构将接口数从平方级降为线性级（A 对），并提供统一监控、日志、异步队列与重试机制（B、D 对）。ESB 不需要各系统修改数据库结构，它通过消息适配与字段映射兼容异构系统（C 错）。