基于大語言模型的智慧醫(yī)院熱點主題演變研究

【摘要】目的通過梳理智慧醫(yī)院研究相關文獻，識別智慧醫(yī)院研究方向以及熱點主題演變情況，為智慧醫(yī)院建設提供新思路。方法將以智慧醫(yī)院為主題的文獻作為研究對象，使用大語言模型進行關鍵詞和主題識別，計算主題頻率。通過繪制不同年份主題頻率的變化曲線，確認演變趨勢。結果最終納入1 828篇文獻，文獻時間跨度為2010年4月-2024年5月。智慧醫(yī)院研究涉及10個熱點主題，其中：熱度上升型主題為質量與安全管理、財務管理與運營分析、患者服務與模式創(chuàng)新、人工智能與機器學習；熱度平穩(wěn)型主題為醫(yī)療技術與創(chuàng)新、數(shù)據(jù)管理與分析、醫(yī)療教育與人才培養(yǎng)；熱度下降型主題為信息化與系統(tǒng)建設、后勤與供應鏈管理以及管理與政策法規(guī)等。

【關鍵詞】大語言模型；智慧醫(yī)院；熱點主題；主題演變

中圖分類號：R 197.324文獻標識碼：B

Research on the Evolution of Hot Topics in Smart Hospitals Based on Large Language Model/WU Danmai， ZHANG Xiaoli， HOU Xumin.//Chinese Health Quality Management，2025，32（2）：01-05

AbstractObjectiveTo identify the research trends of smart hospitals and the evolution of hot topics by combing the relevant literature of smart hospitals research， so as to provide new idea for the construction of smart hospitals.MethodsTaking the literature with the theme of smart hospitals as the study object， the Large Language Model was used to identify keywords and topics， and the topics frequency was calculated. By drawing the change curve of theme frequency in different years， the evolution trend was confirmed.ResultsA total of 1 828 articles were included， and the time span of the literature was from April 2010 to May 2024. Research on smart hospitals involved 10 hot topics， among which the rising topics included quality and safety management， financial management and operational analysis， patient services and model innovation， as well as artificial intelligence and machine learning. The stable topics were medical technology and innovation， data management and analysis， and medical education and talent cultivation. The declining topics included informatization and system construction， logistics and supply chain management， as well as management and policies and regulations.

Key wordsLarge Language Model;Smart Hospitals;Hot Topics;Theme Evolution

Firstauthor's addressShanghai Chest Hospital，Shanghai Jiao Tong University School of Medicine，Shanghai，200030，China

2019年3月，國家衛(wèi)生健康委辦公廳《關于印發(fā)醫(yī)院智慧服務分級評估標準體系（試行）的通知》首次明確智慧醫(yī)院范圍是面向醫(yī)務人員的“智慧醫(yī)療”、面向患者的“智慧服務”和面向管理者的“智慧管理”3大領域［1］。之后又相繼頒發(fā)電子病歷、智慧服務、智慧管理評級標準，持續(xù)引領和加速醫(yī)院智慧化建設進程。醫(yī)院智慧化建設已成為公立醫(yī)院高質量發(fā)展的必由之路，通過云計算、人工智能、物聯(lián)網(wǎng)、5G等新興技術與醫(yī)療行業(yè)不斷融合，推動智慧醫(yī)院建設理念、場景構建、運行模式等持續(xù)迭代與演進，引導公立醫(yī)院向精細化、規(guī)范化方向發(fā)展。

經過多年探索與實踐，國內關于智慧醫(yī)院建設已經發(fā)表了較多的研究成果。其中，期刊文獻是科研成果的重要載體，對之進行全面系統(tǒng)的主題分析，可科學揭示智慧醫(yī)院的研究熱點。基于此，本研究采用大語言模型（Large Language Model，LLM），對國內有關智慧醫(yī)院研究的文獻進行全面深入分析，通過挖掘智慧醫(yī)院的研究主題詞，識別智慧醫(yī)院研究熱點，并通過計算主題頻率，將智慧醫(yī)院研究主題分為熱度上升型主題、熱度平穩(wěn)型主題及熱度下降型主題，為下一步智慧醫(yī)院的建設和研究提供新思路。

1大語言模型（LLM）介紹

LLM是一種基于海量文本數(shù)據(jù)訓練的深度學習模型，其核心在于通過無監(jiān)督學習從數(shù)據(jù)中自動提取語言模式和結構。該模型不僅能夠生成連貫、自然的文本，還能在一定程度上理解輸入文本的含義，并進行邏輯推理和信息檢索，相較于目前的靜態(tài)分析工具FlowDroid與Soot，其精確度可提升10%～400%［2］。該模型作為深度學習技術在處理和理解自然語言方面的一項重要成果，目前逐漸被應用于循證醫(yī)學、材料學、建筑業(yè)等領域。羅旭飛等［3］全面分析了LLM在循證醫(yī)學領域的應用，認為其可提高醫(yī)學診療效率；時宗斌等［4］通過LLM構建合理的提示指令和人機協(xié)作模式，可以靈活、高效抽取所需主題下的實驗信息，準確率達到0.98；魏楚元等［5］認為LLM在城市規(guī)劃、建筑設計、工程管理、智慧城市等方面具有無限的發(fā)展?jié)摿Α?/p>

LLM憑借強大的語言理解和生成能力，在醫(yī)學領域的應用十分廣泛，在醫(yī)學文獻分析與摘要生成、醫(yī)療記錄與報告撰寫、患者教育與互動、醫(yī)療對話系統(tǒng)、醫(yī)療知識圖譜構建等方面發(fā)揮了積極作用［6］。因此，面對智慧醫(yī)院文獻內容繁多、篇數(shù)龐大的現(xiàn)狀，LLM具備分析優(yōu)勢。本研究采用DeepSeek團隊發(fā)布的LLM，可降低計算成本，保持模型的規(guī)模和性能［7］。

2研究設計

2.1研究方法

研究步驟包括數(shù)據(jù)采集與預處理、子主題識別、主題識別以及主題演變分析。首先，在中國知網(wǎng)數(shù)據(jù)庫進行文獻檢索，獲取相關文獻，并對文本數(shù)據(jù)進行預處理。其次，基于LLM進行文本挖掘，識別每一篇文章的研究關鍵詞，并作為本研究的子主題。再次，基于“主題詞-子主題”詞頻分布情況，形成智慧醫(yī)院研究主題詞。最后，分析每年各主題分布情況，計算年主題頻率，分析隨著時間推移主題頻率變化情況。使用Python軟件進行統(tǒng)計分析。具體研究框架見圖1。

2.2數(shù)據(jù)采集與預處理

基于中國知網(wǎng)數(shù)據(jù)庫，以SU%=智慧醫(yī)院 OR （SU%=信息化 OR SU%=智慧化 OR SU%=互聯(lián)網(wǎng)醫(yī)院AND SU%＝國內）為檢索策略。檢索時間截至2024年5月22日，共獲取2 222篇相關文獻，經篩選，排除會議、簡訊、報紙、編者按等不相關和無效類型文獻，最終納入1 828篇文獻。將智慧醫(yī)院相關的期刊文獻全文納入清洗范圍，統(tǒng)一格式，去除無關字符和停用影響語義理解的常用詞，如本研究、本文、背景等，最終將文本轉化為計算機易于處理的格式。

2.3主題識別與演變分析

利用LLM文本自動提取功能，從預處理后的每篇文獻中提取關鍵詞（這些關鍵詞反映了文獻研究的主題和核心內容），并形成子主題庫。根據(jù)所提取的關鍵詞，進行主題識別。使用聚類算法，通過計算關鍵詞之間的相似度和共現(xiàn)關系，將相似主題歸為一類，形成不同的主題，并計算各主題頻率，這些主題體現(xiàn)了智慧醫(yī)院建設的熱點和重點領域。

2.4主題演變分析

為深入分析熱點主題的演變趨勢，本研究分別計算出每個主題在不同年份的主題頻率，公式為：年主題頻率=各主題內的年子主題詞頻總和/年子主題詞頻總和。同時，根據(jù)每年主題頻率繪制不同年份主題頻率的變化曲線，確認該主題不同時間段的演變趨勢，為預測未來智慧醫(yī)院研究發(fā)展趨勢提供參考。

3結果

3.1期刊文獻發(fā)表情況

共有1 828篇文獻納入研究，時間跨度為2010年4月-2024年5月，平均每年發(fā)表約130篇文獻。由于2014年前發(fā)表文獻量較少以及2024年僅納入前5個月的數(shù)據(jù)，因此本研究將2010年4月-2014年歸為一個時間段，2023年-2024年5月歸為一個時間段，共設10個時間段。2010年4月-2014年共發(fā)表57篇文獻，說明早期關于智慧醫(yī)院研究較少。2023年-2024年5月共發(fā)表478篇文獻，其中2023年發(fā)表357篇，相較于2010年4月-2014年這個階段，增長率達到738.6%，見圖2。

國外“智慧醫(yī)院”的概念最早可追溯到2009年的美國醫(yī)療健康論壇［8］，提出智慧醫(yī)院的建設目標是將智能技術廣泛應用于醫(yī)院各個科室和部門［9］。由此可見，隨著概念的提出以及智慧醫(yī)院重要性的增加，關于智慧醫(yī)院的研究整體呈現(xiàn)增長態(tài)勢，逐漸受到學界和業(yè)界的廣泛關注。研究發(fā)現(xiàn)，2018年以后研究文獻的數(shù)量均大于100篇，這可能與《智慧醫(yī)院建設規(guī)范》《醫(yī)院智慧服務分級評估標準體系（試行）》等一系列政策文件有關。

3.2研究主題分析

根據(jù)LLM文本挖掘，共獲取關鍵詞4 770個，構成子主題庫。其中，子主題詞頻前10位為智慧醫(yī)療、人工智能、信息化、大數(shù)據(jù)、物聯(lián)網(wǎng)、智慧財務、智慧管理、智慧服務、電子病歷、互聯(lián)網(wǎng)+。主題詞詞頻云圖見圖3。

將所有子主題進行聚類分析，總結和歸納最具代表性的10類研究主題，并計算主題頻率。主題頻率排名前3分別為信息化與系統(tǒng)建設、醫(yī)療技術與創(chuàng)新、患者服務與模式創(chuàng)新。 智慧醫(yī)院主題詞及子主題頻率分布見表1。

3.3主題演變類型分析

本研究參考胥梓薇等［10］的分類方法，將主題演變分為3大類，分別為熱度上升型主題、熱度平穩(wěn)型主題、熱度下降型主題。結果顯示：熱度上升型主題為質量與安全管理、財務管理與運營分析、患者服務與模式創(chuàng)新、人工智能與機器學習，相較于2014年前，主題頻率增幅分別為52.41%、105.41%、94.51%、374.49%；熱度平穩(wěn)型主題為醫(yī)療技術與創(chuàng)新、數(shù)據(jù)管理與分析、醫(yī)療教育與人才培養(yǎng)，每年波動較小；熱度下降型主題為信息化與系統(tǒng)建設、后勤與供應鏈管理以及管理與政策法規(guī)，其中后勤與供應鏈管理、管理與政策法規(guī)下降后逐漸趨于平穩(wěn)，相較于2014年前，主題頻率降幅分別為-36.78%、-31.93%、-23.67%。

4討論

4.1熱度上升型主題趨勢分析

（1）質量與安全管理的研究熱度上升反映出當前醫(yī)療行業(yè)對安全和質量的高度關注。一方面，智慧醫(yī)院通過引入信息技術和物聯(lián)網(wǎng)設備，能夠實時監(jiān)控醫(yī)療過程，降低人為錯誤，提高醫(yī)療質量和安全水平。另一方面，醫(yī)院需要警惕新興技術快速發(fā)展帶來的風險，包括技術成熟度風險以及數(shù)據(jù)隱私泄露風險。技術不成熟可能導致系統(tǒng)穩(wěn)定性差、數(shù)據(jù)準確性不高等問題。數(shù)據(jù)隱私泄露保護風險是指智慧醫(yī)院在運營過程中會產生大量的醫(yī)療數(shù)據(jù)，包括患者的個人信息、病情數(shù)據(jù)等，一旦數(shù)據(jù)泄露、數(shù)據(jù)濫用等數(shù)據(jù)違法事件發(fā)生，會對醫(yī)院和患者造成嚴重影響。因此，未來應圍繞質量與安全管理，醫(yī)院管理者除關注醫(yī)院自身智慧化需求外，還要從技術風險管控、網(wǎng)絡安全建設和數(shù)據(jù)安全管理等方面出發(fā)，構建多層次、全方位的保護體系，為患者提供更安全、更高效的醫(yī)療服務。

（2）財務管理與運營分析的研究熱度上升反映了醫(yī)院對優(yōu)化資源配置、提高運營效率的需求。財務管理作為醫(yī)院運營的基石，不僅關系到資金的合理配置和使用，而且是醫(yī)院穩(wěn)健發(fā)展的重要保障。運營分析是對醫(yī)院日常運營數(shù)據(jù)的深入挖掘，可為醫(yī)院管理者的決策提供依據(jù)。智慧醫(yī)院借助大數(shù)據(jù)和云計算技術，實現(xiàn)了對醫(yī)院運營的全面監(jiān)控和深入分析。隨著醫(yī)療改革的深入和市場競爭的加劇，醫(yī)院需要更加精細化、個性化的財務管理和運營分析來應對挑戰(zhàn)。相較于傳統(tǒng)的決策模式，智慧醫(yī)院可通過底層數(shù)據(jù)，構建一系列關鍵業(yè)務指標，對醫(yī)院事務進行精準高效決策。與此同時，除行政管理部門外，臨床科室負責人對智慧決策的聚焦度也不斷提升，尤其是對門診人次數(shù)、出院人次數(shù)、病床周轉次數(shù)、平均病床工作日等關鍵數(shù)據(jù)的關注，對床位使用效率、患者就診流程、醫(yī)療質量與安全、病種難度等方面實時分析的要求逐步提高，進一步提示智慧醫(yī)院建設要更加注重數(shù)據(jù)的深度挖掘與智能應用，完善數(shù)據(jù)驅動的決策支持系統(tǒng)，建立全面、準確、實時的數(shù)據(jù)采集與分析體系。

（3）患者服務與模式創(chuàng)新的研究熱度上升體現(xiàn)了醫(yī)院對改善患者就醫(yī)體驗和提升服務質量的不懈追求。智慧醫(yī)院通過提供便捷、高效的醫(yī)療服務，如互聯(lián)網(wǎng)醫(yī)院、遠程醫(yī)療等，能夠極大地提升患者滿意度。前沿技術的快速發(fā)展將不斷催生醫(yī)療新模式、新格局。因此，智慧醫(yī)院的研究趨勢將聚焦于如何利用最新的科技手段，進一步優(yōu)化患者服務模式，提升服務質量。一方面，新興技術的應用能夠為患者提供更加個性化的醫(yī)療方案；另一方面，智慧醫(yī)院不僅僅是技術上的升級，更是服務模式的創(chuàng)新。智慧醫(yī)院需積極探索新的服務模式，如家庭醫(yī)生制度、全生命周期健康管理模式等，以滿足患者更加全面的醫(yī)療需求。

（4）人工智能與機器學習在智慧醫(yī)院研究中的熱度增長尤為顯著，增幅高達374.49%。這主要與人工智能技術在醫(yī)療領域的廣泛應用和快速發(fā)展有關，也意味著人工智能與機器學習在醫(yī)療領域中的潛力巨大。人工智能技術在智慧醫(yī)院中的作用日益凸顯，不僅在臨床輔助診療決策中發(fā)揮著關鍵作用，同時，通過深度學習和模式識別，可為醫(yī)生提供精準的診斷建議和治療方案。未來，智慧醫(yī)院的研究將可能更加聚焦于人工智能與機器學習技術的創(chuàng)新與應用，深入融合醫(yī)療全流程，注重跨學科研究，探索人工智能與生物技術、健康管理、醫(yī)學影像學等領域的融合，以推動醫(yī)療科技的全面進步。

4.2熱度平穩(wěn)型主題趨勢分析

（1）醫(yī)療技術與創(chuàng)新歷來受到研究者的重視，是推動醫(yī)療行業(yè)可持續(xù)和高質量發(fā)展的關鍵。一方面，醫(yī)療技術與創(chuàng)新促進了智慧醫(yī)院的整體發(fā)展，助力醫(yī)院實現(xiàn)從經驗醫(yī)療向精準醫(yī)療轉變，提升醫(yī)療服務的科學性和可靠性；另一方面，醫(yī)療技術與創(chuàng)新推動了醫(yī)療設備的更新?lián)Q代，為醫(yī)院提供了更加先進的診療工具。未來，醫(yī)療技術與創(chuàng)新將愈發(fā)傾向于跨學科的交融與跨界合作的創(chuàng)新路徑，持續(xù)探索更多新技術在醫(yī)療領域的應用，從而不斷催生出新產業(yè)、新模式、新動能，同時更加注重臨床轉化和實際應用，以解決臨床實際問題。在不斷創(chuàng)新的過程中，醫(yī)療技術發(fā)展也面臨諸多挑戰(zhàn)，包括技術難題、倫理問題、法律監(jiān)管等。如何在挑戰(zhàn)中抓住機遇，通過不同學科的交叉融合，產生新的科研范式和思維模式，推動醫(yī)療技術的不斷創(chuàng)新和突破，是研究者需要不斷思考的問題。

（2）數(shù)據(jù)管理與分析。醫(yī)院各類各樣數(shù)據(jù)的快速增長和復雜化，使得該領域的研究具有持續(xù)性和緊迫性。也就是說，該主題研究在未來將持續(xù)受到關注。數(shù)據(jù)作為第五生產要素，隨著2023年12月《“數(shù)據(jù)要素X”三年行動計劃（2024—2026年）》、2024年3月《關于進一步加強本市數(shù)據(jù)資產管理的通知》等一系列文件的發(fā)布，發(fā)揮數(shù)據(jù)要素價值已經逐漸上升至國家戰(zhàn)略層面。研究人員可圍繞如何充分發(fā)揮數(shù)據(jù)資產價值作用，激活數(shù)據(jù)要素潛能進行探索。

（3）醫(yī)療教育與人才培養(yǎng)的研究平穩(wěn)熱度體現(xiàn)了其在智慧醫(yī)院建設中的基礎性作用。在智慧醫(yī)院建設過程中，應聚焦智慧人才的全面塑造。如何通過系統(tǒng)、全面的教育培養(yǎng)，打造一批既具備醫(yī)學專業(yè)素養(yǎng)又精通信息技術的智慧人才，值得研究者和醫(yī)院管理者重點考慮。因此，醫(yī)療教育與人才培養(yǎng)體系必須進行全面升級，以適應這一新需求。其中，加強與高等院校、科研機構、醫(yī)療機構的合作，通過共同開展智慧醫(yī)院技術研發(fā)和成果轉化工作，建立產、學、研、用合作機制，從而促進智慧人才的全面塑造和培養(yǎng)，是醫(yī)療教育與人才培養(yǎng)的可行路徑。

4.3熱度下降型主題趨勢分析

主題研究熱度出現(xiàn)下降趨勢，并不意味著它們的重要性降低，而是反映了當前研究焦點的轉移和深化。

（1）信息化與系統(tǒng)建設。從技術發(fā)展的角度來看，隨著信息化建設的不斷推進和普及，醫(yī)院信息化建設的門檻逐漸降低，大部分醫(yī)院已經基本完成了信息化基礎設施的建設，這可能導致研究者對于信息化與系統(tǒng)建設的研究興趣降低。換言之，研究者可能更加關注如何進一步優(yōu)化現(xiàn)有系統(tǒng)，將信息化技術與醫(yī)療服務深度融合成為智慧醫(yī)院發(fā)展中的新挑戰(zhàn)。

（2）后勤與供應鏈管理的熱度雖然有所下降但逐漸趨于平穩(wěn)。這可能是因為醫(yī)院后勤與供應鏈管理的優(yōu)化已經取得了一定成效，進入了一個相對穩(wěn)定和成熟的發(fā)展階段，缺乏新的突破點，而進一步的優(yōu)化需要更多的技術創(chuàng)新、管理創(chuàng)新以及成本投入。同時，隨著財務管理與運營分析的研究熱度提升，醫(yī)院后勤與供應鏈管理逐步納入醫(yī)院整體的運營管理研究范疇，這種整合式的管理思路要求后勤與供應鏈管理部門不僅要關注自身的效率提升，還要積極參與到醫(yī)院的整體戰(zhàn)略規(guī)劃和日常運營決策中，實現(xiàn)資源的最優(yōu)配置和整體效益的最大化［11］。

（3）管理與政策法規(guī)。從政策環(huán)境的角度來看，隨著國家對智慧醫(yī)院的重視和投入增加，相關政策法規(guī)持續(xù)完善，支持力度不斷加大，為醫(yī)院的管理與運營提供了更加明確和穩(wěn)定的政策環(huán)境，從而導致研究者對于管理與政策法規(guī)的研究興趣降低。面對新一輪科技革命和產業(yè)變革，研究者需要結合當前國家戰(zhàn)略和形勢實現(xiàn)政策法規(guī)的創(chuàng)新和發(fā)展，圍繞全新理論、新興概念等探索其與智慧醫(yī)院相結合的可行性，以持續(xù)的理論創(chuàng)新和實踐革新不斷指導公立醫(yī)院高質量發(fā)展。

5本研究局限

本研究借助 LLM對國內智慧醫(yī)院建設相關研究進行梳理和文本挖掘，展示了當前智慧醫(yī)院的10大主題，并通過分析不同年份主題頻率，確認該主題不同時間段關注度的演變趨勢以及主題類型。本研究存在一定局限：一是僅選取了中國知網(wǎng)數(shù)據(jù)庫作為研究對象，尚未考慮其他數(shù)據(jù)庫和外文文獻，未來研究可擴大研究對象范圍，進一步分析國內外研究主題的現(xiàn)狀和差異；二是本研究主要圍繞主題識別以及主題演變進行分析，對于主題之間的關聯(lián)性和演變規(guī)律研究較少，未來可采用語義網(wǎng)絡模型等研究方法進一步展開探討；三是LLM等大語言模型在理解復雜醫(yī)療領域知識和深度邏輯推理方面可能難以準確捕捉智慧醫(yī)院技術、管理和服務等方面的深層次變化和相互影響，導致結果可能存在一定偏倚。

參考文獻

［1］國家衛(wèi)生健康委辦公廳.關于印發(fā)醫(yī)院智慧服務分級評估標準體系（試行）的通知［EB/OL］.（2019-03-22）［2024-05-20］.http：//www.nhc.gov.cn/yzygj/s3593 g/201903/9fd8590dc00f4feeb66d70e3972ede 84.shtml.

［2］汪海沛，孫福特，張磊.一種利用大語言模型增強靜態(tài)分析代碼摘要能力的方法［J/OL］.小型微型計算機系統(tǒng)：1-9［2024-06-02］.http：//kns.cnki.net/kcms/detail/21.1106.TP.20240527.1559.014.html.

［3］羅旭飛， 呂晗， 史乾靈， 等. 大語言模型在循證醫(yī)學領域的應用［J］. 中國循證醫(yī)學雜志， 2024，24（4）：373-377.

［4］時宗彬，朱麗雅，樂小虬.基于本地大語言模型和提示工程的材料信息抽取方法研究［J］.數(shù)據(jù)分析與知識發(fā)現(xiàn)，2024，8 （7）：23-31.

［5］魏楚元， 王昕， 周小平， 等. 大型語言模型及其在建筑行業(yè)應用研究綜述［J］. 北京建筑大學學報， 2024，40（2）：1-14.

［6］李詩晨，王中卿，周國棟.大語言模型驅動的跨域屬性級情感分析［J/OL］.軟件學報：1-16［2024-06-02］.https：//doi.org/10.13328/j.cnki.jos.007156.

［7］DEEPSEEK-AI，AIXIN LIU，BEI FENG，et al.DeepSeek-V2： a strong， economical， and efficient mixture-of-experts language model［J］.ArXiv Preprint ArXiv，2024（5）：04434.

［8］胥婷，崔文彬，于廣軍.我國智慧醫(yī)院建設現(xiàn)狀及發(fā)展路徑［J］.中國醫(yī)院，2020，24（3）：1-3，10.

［9］楊慧清，胡建平，周光華，等.智慧醫(yī)院建設頂層設計與實施路徑［J］.中國衛(wèi)生信息管理雜志，2022，19（1）：1-6，11.

［10］胥梓薇， 程康耀， 陳汝婕， 等. 突發(fā)重大傳染病事件衛(wèi)生系統(tǒng)管理政策主題聚類與演化分析［J］. 中華急危重癥護理雜志， 2023，4（11）：1045-1051.

［11］陳燁，顧志儉，吳佳玙， 等. 風險預警機制在手術安全管理中的應用與思考［J］. 中國衛(wèi)生質量管理， 2021，28（1）：50-53.

通信作者：

張曉麗：上海市胸科醫(yī)院/上海交通大學醫(yī)學院附屬胸科醫(yī)院績效辦主任

E-mail： zhang_xl2014@163.com

收稿日期：2024-07-28

修回日期：2024-10-30