暑期研学

7月29日，暑期研学营学子齐聚上海交通大学医学院东9楼三楼学术报告厅，围绕“医+X创新前沿”与“临床研究理论与实践”展开全天学习。

从医生与工程师携手破解临床难题，到人工智能赋能乳腺癌数据库建设与多学科诊疗，再到观察性研究方法和经典案例解析，三场课程分别从技术创新、临床应用和研究设计切入，共同回答了一个贯穿医学发展的重要问题：

面对复杂的疾病与真实的临床需求，医学工作者应当如何发现问题、整合资源，并以可靠证据寻找答案？

破界共创——

从临床问题出发，连接医学与工程

上午第一场课程中，上海交通大学医学院附属瑞金医院牛传欣老师以“医生和工程师都是解决问题的人”为切入点，引导学员重新理解医学与工程之间的关系。

医生身处临床一线，能够敏锐捕捉患者诊疗、功能恢复和健康管理中的现实需求；工程师则善于将复杂问题拆解为可分析、可设计、可验证的技术任务。二者虽然使用不同的专业语言，却拥有相同的目标——让尚未被解决的问题获得更可靠、更有效的答案。

牛传欣老师长期从事运动控制、仿生康复设备及康复科研转化工作，担任瑞金康复科研转化平台负责人、Med-X研究院神经康复工程实验室副主任，其研究本身便体现了临床医学与工程技术的深度协同。

围绕“医+X”的创新路径，学员们进一步认识到，一项真正面向临床的技术创新，往往需要经历从发现痛点、明确需求，到建立模型、形成原型，再到临床验证与迭代优化的完整过程。医学问题不能简单地被“翻译”为技术功能，工程方案也不能脱离患者需求独立生长。只有医生、工程师及相关学科人员在共同目标下持续沟通，才能让实验室中的设想真正走进临床场景。

医学创新不是某一学科的独奏，而是多种知识体系围绕患者需求展开的合奏。对医学生而言，未来不仅要掌握疾病诊疗知识，也需要培养提出问题、表达需求和跨学科合作的能力。

智启临床——

从数据积累到智慧决策

随后，上海交通大学医学院附属瑞金医院陈小松老师以乳腺癌诊疗为具体场景，带领学员走近人工智能与临床医学融合的真实应用。

医学人工智能的基础首先是数据。高质量临床数据库并非简单汇总病例资料，而需要对患者基本信息、影像检查、病理结果、治疗方案、疗效评价和长期随访等内容进行规范化、结构化整理，并在数据录入、质量控制和持续维护中保障信息的完整性与准确性。瑞金医院相关培训也将乳腺疾病随访数据库建设与维护、大数据助力乳腺健康等内容纳入乳腺专科人才培养体系。

在规范数据库的支撑下，人工智能可以参与临床信息整理、风险分层和诊疗辅助，为医生快速把握复杂病例提供新的工具。但技术的价值并不在于替代医生，而在于帮助医生从海量、分散的信息中发现更有意义的联系。

乳腺癌诊疗本身具有鲜明的多学科属性。瑞金医院乳腺疾病诊治中心整合乳腺外科、肿瘤内科、放疗科、病理科、影像科、超声科、康复科等多学科力量，根据患者的手术方式、病理报告、影像资料、基因检测和身体状况，共同讨论个体化治疗方案。

“智慧MDT”正是在这一基础上的进一步延伸。通过对病例资料进行标准化整合与辅助分析，智能系统能够提高信息汇总效率，为多学科专家讨论提供更加清晰的参考；而最终的诊疗判断，仍需要医生结合患者的具体情况、临床指南和专业经验共同完成。当前智慧医疗研究也强调，以规范化影像、电子病历及多模态临床数据为基础，构建辅助诊断和临床决策模型。

从一份病例资料到一个不断积累的数据库，从不同学科的独立判断到围绕患者展开的共同决策，学员们看见了人工智能进入医学的真实路径：技术并不是悬浮于临床之外的附加工具，而应当扎根于规范数据、专业协作与患者需求之中。

循证求真——

在观察中发现规律，在设计中接近答案

下午，上海交通大学公共卫生学院徐刚老师带来“观察性研究及案例分享”专题课程，将学员们从技术应用的前沿现场，引入临床研究的方法世界。

课程首先梳理了临床研究的基本流程：从现实问题中提出研究问题，在文献基础上建立假设，选择恰当的研究设计并收集资料，随后进行资料整理、统计分析和结果报告。一个可靠的研究结论，并不是从数据分析阶段才开始形成，而是从问题提出与方案设计之初便已奠定基础。

徐刚老师进一步围绕临床研究的三要素展开讲解。研究者需要明确“研究谁”“观察什么”以及“用什么指标评价结果”，即准确界定研究对象、研究因素和效应指标。研究对象的地理范围、时间范围、人群特征与疾病分类，暴露或干预因素的定义，以及患病率、发病率、生存率等结局指标的选择，都会直接影响研究结果的解释。

从时间方向读懂研究设计

在研究设计部分，课程以清晰的分类框架帮助学员辨析实验性研究与观察性研究。观察性研究可进一步分为描述性研究和分析性研究；根据暴露与结局的时间关系，又可形成现况调查、病例对照研究和队列研究等不同类型：

现况调查在同一时点或时期观察暴露与结局；病例对照研究从结局出发，回溯既往暴露；队列研究则从暴露出发，追踪结局发生。

不同设计各有适用场景，也面临不同的偏倚与局限，不能脱离具体研究问题简单比较优劣。

现况调查能够描述特定人群中疾病或健康状态及相关因素的分布，为进一步提出病因假设提供线索；在实际实施中，还需要考虑调查目的、研究对象、样本量与抽样方法等问题。

于经典案例中检验研究思维

为了让抽象的方法落到具体研究中，课程结合多项经典案例，引导学员从研究问题、对象选择、暴露测量、对照设置、混杂因素控制与结果解释等角度展开分析。

从我国40岁及以上人群慢性呼吸系统疾病症状流行现况研究，到母亲孕期使用己烯雌酚与女儿阴道腺癌关系的经典病例对照研究，再到围孕期被动吸烟与子代先天性心脏病关系的研究，案例将不同观察性研究设计的逻辑逐一呈现。

研究对象是否具有代表性？病例与对照是否来自同一目标人群？暴露信息是否准确？哪些变量可能同时影响暴露与结局？样本量能否支撑研究结论？面对一个看似明确的统计结果，仍需不断追问其背后的设计质量与解释边界。

这场课程让学员们更加清晰地认识到：数据不会自动生成证据，统计学上的相关也不等于因果。严谨的研究设计、规范的资料收集和审慎的结果解释，才是临床研究接近真实的关键。

学员感悟

25临床新医科 钟雨彤

今天的课程像一把钥匙，彻底打开了我对医学疆界的想象。上午“医生和工程师都是解决问题的人”课程，让我突然意识到，我们与工程师共享着同一种底层逻辑——为生命破局。AI与乳腺癌数据库的实例则更令人震撼，当数据开始串联起影像、病理和基因组学，多学科会诊（MDT）便从经验碰撞进化为智能协同，这才是技术真正赋予我们的“新听诊器”。而下午干预性研究的设计逻辑，像一剂清醒剂，提醒我任何前沿算法若未经过严谨的临床验证，终究只是空中楼阁。身处“医+X”的交叉点，我决心未来不仅要深耕临床，更要主动拿起工程与数据的语言，做一个能融汇多学科智慧、真正为患者找到最优解的人。

24临床（5+3）孙杭哲

今天的课程让我重新理解了医学创新的起点。真正有价值的技术，并不是简单地把人工智能、工程方法或大数据叠加到医学之上，而是从患者尚未被解决的临床问题出发，寻找更准确、更高效的解决方案。上午的课程让我看到，医生负责发现疾病中的真实需求，工程师则能够将需求转化为可实现的工具；乳腺癌数据库的案例进一步说明，当影像、病理与基因信息被整合起来，临床决策便不再依赖单一经验，而是建立在多维证据之上。下午关于干预性研究的学习又让我认识到，创新不能止步于模型性能和技术展示，只有经过科学研究设计和真实临床场景的检验，才能最终转化为患者获益。未来，我希望自己既能保持医生对生命和疾病的敏感，也能培养工程思维与数据能力，在临床需求、技术研发和效果验证之间搭建桥梁，让“医+X”不只是学科交叉的口号，而成为解决实际医学问题的方法。

结语｜以问题为始，以证据为尺

一日三课，由医工协同走向智慧医疗，再由临床应用深入研究方法，看似跨越不同领域，却始终围绕医学创新的同一条主线展开。

上午的课程告诉学员，面对尚未解决的临床难题，需要打破学科边界，让医学需求与工程技术、人工智能相互连接；下午的课程则提醒大家，任何创新设想都需要经受严谨研究设计与可靠证据的检验。

创新为解决问题打开新的可能，循证则为医学实践标定可靠的方向。

愿学员们始终保持对临床问题的敏锐、对新兴技术的开放与对科学证据的敬畏，在交叉融合中寻找突破，在求真务实中稳步前行，将课堂所得逐渐转化为探索医学、服务患者的真实能力。