医院开展数据治理工作，往往要从晦涩的数据库表名、字段编码入手。一串串字符背后，承载着患者身份标识、诊疗记录、业务运行参数等关键信息。只有读懂字段背后真实业务含义，才能精准判定数据类别，落实对应的安全保护要求。

但在真实业务场景中，大量医疗数据库存在字段缩写表意模糊、中文注释缺失等现实痛点。针对这一行业难题，霍因科技推出人马座医疗专业大模型，该模型基于Qwen3‑8B底座，结合海量医疗行业真实业务数据完成专项训练与微调。在总计约8.4万道内部评测试题中，模型字段识别完全匹配率可达85.6%，性能约为通用对照模型的4.8倍。

图1 两项字段识别指标的差值与平台任务处理速度

一、工具在进步，医疗行业字段语义仍需补齐

医疗行业的数据识别工作，已经具备相应的政策标准与技术工具基础。国家卫生健康委早在 2020年就发布相关指导意见，也指出医疗数据标准落地过程中，存在标准应用不协同、不统一等现实问题。[1]技术层面，行业普遍依靠业务词典、元数据、正则规则完成字段识别，不少产品也逐步引入大模型能力提升识别效果。[2]

可落到医院存量数据库表治理工作中，依旧绕不开复杂的业务语境难题。很多缺少注释的字段缩写往往具备多重释义，同一个字段编码，放置在不同业务数据表内，代表的业务含义也截然不同。传统规则、词典方案高度依赖完备的字段定义与特征库；一旦原始字段说明缺失，工作人员只能翻阅历史文档、梳理表结构，反复对接业务人员确认含义，耗费大量人力成本。

二、从医疗行业库表出发，让标签贴近业务

人马座大模型的研发针对这项基础工作展开。霍因围绕医疗行业库表结构、缩写编码和标注规范进行训练与微调，使模型结合表名与相关字段信息，生成中文业务标签。

例如在真实库表语境下，模型能够将 “HDDQ” 识别为 “活动地区”，将 “DJRYDM” 识别为 “登记人员代码”。原本晦涩的编码转化为可读的业务释义，为后续数据治理规则落地打下基础，当然具体释义仍需要结合数据表结构做二次校验。

整表梳理时，模型可一次处理多个字段；中文注释缺失时，可用于备注补全。输出按指定格式组织，方便平台接收。信息不足时可返回“未知”，留待补充上下文。这些能力适用于存量库表首轮标注和新增字段梳理。

三、约8.4万题评测，观察识别效果与任务适配

图2对照完全匹配率、包含金标准率和格式正确率。前两项分别考察与标准答案逐字一致、包含标准业务含义；格式正确率衡量是否按约定输出。

评测结果显示，人马座大模型完全匹配率达85.6%，相较通用对照模型的18.0% 提升 67.6 个百分点；包含金标准率87.3%，对比对照组19.2% 提升 68.1 个百分点，性能约为通用模型的 4.5 倍；格式正确率高达99.6%，保障输出结果可以被治理平台稳定解析调用。

图2 医疗行业字段标签识别三项指标对照

图3进一步区分四类任务。在约6300道题、7.2万个字段的多字段场景中，题内全部字段正确才计为完全匹配，人马座大模型得分85.8%，对照15.6%。单字段、格式变换同样列出对照结果；信息不足场景两模型成绩接近，用于观察存疑字段的处理表现。

图3 四类字段标注任务的完全匹配率与样本规模

四、HIS真实数据评测，分别检验两项业务任务

围绕某南方医院HIS系统真实数据，霍因开展备注补全与字段标签识别评测。两项任务各自列示训练、验证和测试结果，应用表现重点看测试集。

图4对应备注补全，即为数据库字段补齐中文说明。测试集完全匹配率为85.3%，对照5.2%，提高80.1个百分点；包含金标准率为86.9%，对照8.4%。两项指标共同观察备注是否符合标准答案及业务含义。

图4 HIS真实数据备注补全评测 训练验证测试结果分列

图5对应字段标签识别，以横向柱状图比较两模型表现。测试集完全匹配率85.1%，对照11.7%，提高73.4个百分点；包含金标准率86.2%，对照12.4%。与备注补全分开展示，便于判断两类任务的适配情况。

图5 HIS真实数据字段标签识别评测 两项指标横向对照

按现有平台任务统计，人马座大模型处理速度约为通用对照模型的3倍，为批量库表梳理提供效率参考。

五、让字段含义成为分类分级的依据

人马座大模型支持私有化部署，可在客户内网通过服务接口接入治理平台。标签或备注经业务字典及人员复核后，进入数据目录，再结合既有规则确定类别与等级。

面对历史存量库表，模型可以批量生成待复核的字段标签，大幅缩减人工标注工作量；面向业务持续迭代产生的新增字段，也能够提供可反复调用的常态化识别能力。如果医疗机构有字段识别、备注补全、平台对接相关需求，可联系霍因科技，沟通适配的测试与私有化部署方案。

段落参考文献：

[1] 国家卫生健康委 关于加强全民健康信息标准化体系建设的意见 2020年

[2] 阿里云 AI辅助数据分类分级  |  规则识别技术说明