Kupasan Kes Tencent WorkBuddy dalam Industri Kesihatan: Mengapa analisis data perubatan, pemprosesan EMR dan pengesahan pangkalan data berskala jutaan kini mula diserahkan kepada AI Agent?

Kalau anda memahami nilai WorkBuddy dalam industri kesihatan sekadar sebagai “alat yang membantu doktor menulis ringkasan” atau “satu lagi AI yang boleh bersembang”, besar kemungkinan anda tersasar.

Kali ini saya sengaja menyemak beberapa artikel awam yang berkait terus dengan analisis data perubatan, rekod perubatan elektronik (EMR), laporan pemeriksaan kesihatan, rekod transaksi insurans kesihatan, penerokaan pangkalan data berskala jutaan dan pengesahan kualiti data. Selepas membaca semuanya, kesimpulan saya cukup jelas:

Nilai paling besar WorkBuddy dalam industri kesihatan bukanlah menulis ayat dengan lebih cantik, tetapi memasuki aliran kerja data perubatan yang sebenar.

Bagi pasukan data kesihatan, beban paling berat selalunya bukan “tidak tahu menganalisis”, tetapi:

• terlalu banyak sumber data
• terlalu banyak jadual
• struktur yang bercampur-aduk
• kerja pembersihan dan pengesahan yang memakan masa
• output piawai yang perlu diulang berkali-kali

Sebab itu saya rasa industri kesihatan sebenarnya antara bidang yang paling cepat boleh menunjukkan nilai sebenar untuk AI Agent seperti WorkBuddy.

Ringkasan awal

• Setakat 29 Jun 2026, penggunaan WorkBuddy yang paling meyakinkan dalam industri kesihatan, berdasarkan bahan awam, tertumpu pada tiga jalur utama:
  1. Pembersihan data perubatan, penerokaan medan dan pengesahan kualiti
  2. Pemprosesan berstruktur untuk EMR, laporan pemeriksaan kesihatan, rekod transaksi insurans kesihatan dan bahan heterogen lain
  3. Hubungan berbilang jadual, profil pesakit dan penjanaan laporan statistik piawai
• Berdasarkan artikel terbuka di Komuniti Pembangun Tencent Cloud, kes-kes ini bukan lagi tahap “mencuba AI untuk suka-suka”, tetapi sudah mula menunjukkan dengan agak jelas:
  • skala data
  • jenis data
  • struktur berbilang jadual
  • output laporan kualiti
  • pemadanan semula melalui Skill
  • serta angka kecekapan yang lebih nyata
• Jika anda kini bekerja dalam IT hospital, analisis data perubatan, data ujian klinikal, BI, data insurans perubatan atau pemprosesan data farmaseutikal, rujukan daripada jalur ini jauh lebih bernilai berbanding demo AI pejabat biasa.

Mengapa industri kesihatan paling mudah tertarik dengan “AI berasaskan proses”

Apa yang benar-benar meletihkan pasukan kesihatan selalunya bukan kekurangan pertimbangan, tetapi:

• terlalu banyak jadual
• terlalu banyak medan
• sumber bahan terlalu berpecah
• struktur data tidak stabil
• laporan mingguan dan bulanan perlu dihasilkan berulang kali

Maksudnya, bahagian yang paling menyakitkan dalam industri kesihatan biasanya bukan “tak tahu nak tulis kesimpulan”, tetapi:

daripada data mentah masuk, ke penerokaan medan, penandaan anomali, output statistik dan pengesahan kualiti, keseluruhan rantaian ini memang terlalu panjang.

Dan dalam kes awam yang saya semak, ciri paling ketara WorkBuddy ialah ia bukan tetingkap sembang terpencil, tetapi bergerak ke langkah seperti:

• muat turun data
• pembersihan data
• penerokaan medan
• hubungan berbilang jadual
• output Word / Excel
• penggunaan semula peraturan
• pemadanan Skill

Ini menjadikannya lebih kelihatan seperti:

hab automasi data perubatan

dan bukannya:

sekadar tetingkap model yang membantu menggilap kesimpulan

Kes 1: Data perubatan berskala jutaan bukan sekadar “semak cepat”

Artikel awam pertama yang paling hampir dengan persekitaran pengeluaran perubatan sebenar ialah artikel Komuniti Pembangun Tencent Cloud ini:

WorkBuddy 使用心得：一个医疗数据工作者的 AI 效率革命

Nilai paling besar artikel ini ialah ia menerangkan kerja harian penganalisis data perubatan dengan sangat spesifik, bukannya bercakap secara umum.

Artikel awam itu secara terus menyatakan bahawa penulis setiap hari berurusan dengan:

• jutaan rekod data perubatan
• preskripsi pesakit luar
• arahan rawatan pesakit dalam
• rekod pengeluaran ubat
• ratusan jadual dan jutaan rekod dalam satu-satu masa

Ini memang sangat dekat dengan persekitaran pengeluaran sebenar. Ia bukan demonstrasi menggunakan jadual sampel kecil, tetapi gambaran situasi sebenar:

SQL ditulis sampai pening, skrip Python disunting sampai letih, dan penerokaan medan serta pembersihan data sahaja sudah memakan sebahagian besar masa.

Dalam artikel ini, nilai utama WorkBuddy bukan sekadar “menerangkan nama medan”, tetapi mengambil alih kerja berulang seperti:

• meneroka logik medan
• menandakan nilai anomali
• menjana jadual ringkasan Excel
• menjana laporan pengesahan kualiti data dalam format Word

Artikel tersebut juga memberikan ukuran kecekapan yang agak jelas:

• penerokaan satu jadual turun daripada 2 hingga 3 jam kepada 15 minit
• analisis hubungan berbilang jadual turun daripada 1 hingga 2 hari kepada 1 hingga 2 jam
• perbandingan dua versi data turun daripada 3 hingga 4 jam kepada 10 minit
• sesetengah langkah menjimatkan sehingga 95%

Mengapa senario seperti ini terasa nyata? Kerana beban terbesar pasukan data perubatan memang bukannya “ada atau tidak AI yang boleh menulis ringkasan”, tetapi:

di sebalik satu output yang kelihatan mudah, mereka terpaksa berulang kali membersih, membanding, merumus dan mengesahkan data yang langsung tidak kreatif tetapi sangat meletihkan.

Kes 2: Dalam data perubatan, yang paling bernilai bukan sekadar SQL, tetapi sama ada proses boleh dipadatkan menjadi standard

Dalam artikel yang sama, satu lagi poin yang sangat patut dimasukkan ke artikel SEO ialah sebutan jelas tentang Skill.

Penulis memadatkan satu set penuh aliran kerja menjadi keupayaan yang boleh digunakan semula:

• muat turun pangkalan data perubatan
• pembersihan
• penjanaan jadual ringkasan
• penjanaan laporan pengesahan

Selepas itu, setiap kali menerima data baharu, cukup dengan satu arahan:

• “proseskan ikut aliran kerja data perubatan”

dan sistem boleh menjalankan keseluruhan langkah secara automatik.

Bagi saya, poin ini sangat penting. Dalam industri kesihatan, bahagian yang benar-benar menyeksakan bukan melakukan sekali, tetapi:

proses yang sama perlu diulang setiap minggu, setiap bulan dan untuk setiap projek.

Kalau WorkBuddy benar-benar boleh memadatkan tindakan ini ke dalam Skill, maknanya bukan sekadar “jimat masa”, tetapi:

ia mula mengubah proses tersirat dalam kepala penganalisis menjadi aliran kerja piawai yang boleh dijalankan berulang kali.

Kes 3: 2.4 juta rekod, 9 jadual, inilah rupa tugasan penerokaan pangkalan data yang sebenar

Artikel kedua yang sangat layak dimasukkan ke topik kesihatan ialah:

WorkBuddy 实战教程：从零完成百万级医疗数据库探查与质量校验

Artikel ini bernilai tinggi kerana ia memberikan skala tugasan yang sangat spesifik:

• 9 jadual
• sekitar 2.4 juta rekod perubatan simulasi
• meliputi:
  • preskripsi pesakit luar
  • arahan rawatan pesakit dalam
  • pengeluaran ubat
  • butiran kos

Selain itu, artikel terbuka itu memecahkan tugasan dengan cara yang sangat mirip projek sebenar:

1. meneroka logik medan satu demi satu jadual serta menandakan anomali dan item yang hilang
2. merumuskan data pengeluaran berdasarkan dimensi ubat
3. menjana laporan pengesahan kualiti data yang standard
4. menggunakan pelbagai kaedah untuk mengesahkan silang hasil

Ini bukan lagi tugasan ringan “semak satu jadual”, tetapi kerja pangkalan data perubatan yang sangat tipikal.

Perbandingan kecekapan dalam artikel itu juga sangat menarik:

• muat turun data daripada sekitar 30 minit kepada 5 minit
• penerokaan medan daripada 3 hingga 4 jam kepada 15 minit
• laporan kualiti daripada 2 hingga 3 jam kepada 5 minit
• pengesahan melalui pelbagai kaedah daripada 3 hingga 4 jam kepada 10 minit
• keseluruhan proses daripada sekitar 2 hari kepada sekitar 45 minit
• peningkatan kecekapan sekitar 95%

Mengapa ukuran seperti ini bernilai sebagai rujukan? Kerana ia menyelesaikan bahagian paling menyusahkan dalam kerja data perubatan:

bukan sekadar mendapat data, tetapi menentukan secepat mungkin sama ada data itu benar-benar boleh digunakan.

Kes 4: EMR, laporan pemeriksaan kesihatan dan rekod transaksi insurans kesihatan tidak boleh diselesaikan dengan satu format atau satu skrip sahaja

Artikel ketiga yang sangat sesuai untuk melengkapkan kerumitan data kesihatan ialah:

我用一只“龙虾”解放双手：WorkBuddy 深度赋能医学数据分析实战心得

Nilai utama artikel ini ialah ia menerangkan “kepelbagaian struktur” data kesihatan dengan lebih jelas.

Artikel tersebut secara langsung menyebut bahawa penulis kerap mengendalikan:

• data ujian klinikal
• rekod perubatan elektronik (EMR)
• laporan pemeriksaan kesihatan
• rekod transaksi insurans kesihatan

Ini sangat saling melengkapi dengan dua artikel terdahulu tentang “penerokaan pangkalan data”. Dalam persekitaran pengeluaran kesihatan sebenar, masalah terbesar selalunya bukan pangkalan data sahaja, tetapi:

• ada yang berbentuk jadual berstruktur
• ada yang berupa PDF / Word
• ada yang teks separa berstruktur
• dan ada juga penamaan medan serta peraturan yang tidak seragam merentasi sumber

Artikel itu menyebut beberapa tindakan yang memang terasa seperti kerja pengeluaran sebenar:

• memuat naik PDF sampel dan terus menjalankan pemahaman dokumen
• mengenal pasti simbol tinggi/rendah bagi indikator, kemudian memberi ulasan ringkas tentang maksud klinikal
• menghubungkan senarai diagnosis pesakit luar dalam Excel dengan senarai penggunaan ubat bahagian wad
• menggunakan left join pada berbilang jadual berdasarkan ID pesakit
• menjana “profil pesakit” ringkas dan medan komorbiditi

Maksudnya, dalam kes ini WorkBuddy bukan lagi sekadar “membaca jadual”, tetapi mula menyentuh:

• OCR / pemahaman dokumen
• penggunaan semula peraturan perubatan
• hubungan jadual
• output berstruktur

Ini sangat penting bagi pasukan data kesihatan, kerana kesukaran sebenar banyak kerja bukan terletak pada menulis SQL, tetapi:

bagaimana data daripada sumber yang berbeza boleh digabungkan dengan betul.

Kes 5: Laporan statistik piawai ialah kerja berat yang paling kerap berulang untuk banyak pasukan data perubatan

Dalam artikel yang sama, ada satu lagi poin yang saya rasa sangat layak dimasukkan:

• penjanaan automatik Laporan Mingguan Data Keselamatan Subjek Ujian Klinikal

Senario seperti ini memang sangat lazim dalam industri kesihatan. Setiap minggu, setiap bulan dan setiap projek, pasukan perlu menyediakan:

• laporan keselamatan mingguan
• statistik kejadian luar biasa
• kesimpulan perbandingan
• penjelasan trend indikator

Pendekatan yang disebut dalam artikel itu ialah:

• menetapkan peranan tetap untuk WorkBuddy
• menetapkan format output tetap
• membiarkannya merumuskan sendiri kejadian buruk baharu setiap minggu serta perubahan perbandingan

Bagi saya, poin ini sangat bernilai kerana ia menunjukkan bahawa WorkBuddy dalam industri kesihatan bukan hanya memproses data mentah, tetapi sudah mula bergerak ke keseluruhan rantaian penghantaran:

• pemprosesan data
• output statistik
• laporan teks

Berdasarkan bahan awam, laluan platform kesihatan ini memang sejak awal menekankan “platformisasi” dan “pengarkiban”

Kalau tiga artikel tadi lebih condong kepada praktikal barisan hadapan oleh individu atau pasukan kecil, bahan terbuka Tencent Healthcare pula memberi satu isyarat makro yang lebih jelas:

• laluan data perubatan dan pengimejan perubatan pada asalnya memang senario yang menekankan platform, arkib dan kolaborasi.

Daripada rajah awam itu, kita boleh terus melihat:

• arkib pengimejan pesakit
• diagnosis jarak jauh
• konsultasi jarak jauh
• perkongsian pemeriksaan
• pengurusan ahli

Walaupun ini bukan tangkap layar WorkBuddy sendiri, ia membantu kita memahami satu perkara:

industri kesihatan sememangnya mempunyai permintaan yang sangat kuat terhadap gabungan “platform + data + peraturan + kolaborasi”.

Dan WorkBuddy, yang pandai menyambungkan pemprosesan data, penggunaan semula peraturan dan output laporan, memang mudah disisipkan ke dalam persekitaran seperti ini.

Daripada kes awam ini, begini rupa persekitaran pengeluaran kesihatan yang saya nampak

Kalau kita gabungkan semua artikel tadi, persekitaran pengeluaran WorkBuddy dalam industri kesihatan sudah menunjukkan beberapa persamaan jelas:

• ada skala data sebenar, bukan sampel demo
  • jutaan rekod
  • 2.4 juta rekod
  • 9 jadual
• ada jenis data sebenar, bukan satu jadual sahaja
  • preskripsi pesakit luar
  • arahan rawatan pesakit dalam
  • pengeluaran ubat
  • butiran kos
  • EMR
  • laporan pemeriksaan kesihatan
  • rekod transaksi insurans kesihatan
• ada keperluan output sebenar, bukan sekadar menjawab soalan
  • jadual ringkasan Excel
  • laporan pengesahan Word
  • profil pesakit
  • laporan mingguan ujian klinikal
• ada kaedah sebenar, bukan sekadar “tolong analisis”
  • penerokaan medan
  • penandaan anomali
  • hubungan berbilang jadual
  • pengesahan silang melalui pelbagai kaedah
  • pemadanan Skill

Sebab itu saya rasa ia lebih menyerupai:

stesen kerja automasi data perubatan

dan bukannya:

AI sembang biasa

Pasukan kesihatan jenis apa yang paling sesuai mencubanya sekarang

Pasukan yang patut cuba segera

• pasukan IT hospital dan analisis data perubatan
• pasukan yang perlu membersih EMR, laporan pemeriksaan kesihatan dan rekod transaksi insurans kesihatan
• pasukan ujian klinikal, keselamatan ubat serta pasukan yang kerap menghasilkan laporan mingguan dan bulanan
• pasukan BI yang perlu melakukan hubungan berbilang jadual, profil pesakit dan pengesahan medan
• organisasi yang sudah ada proses tetap dan mahu memadatkannya menjadi Skill

Pasukan yang boleh tunggu dan lihat dahulu

• pasukan yang tiada proses stabil dan kerap, serta semua tugasan bersifat sekali jalan
• pasukan yang buat masa ini belum mahu menyusun peraturan dan format output piawai
• pasukan yang hanya mahu soal jawab ringkas dan tidak bercadang menyambungkan AI ke aliran kerja data

Jika anda mahu mengujinya sendiri, saya cadangkan begini

1. Mulakan dengan satu proses data kesihatan yang paling standard dan paling kerap berlaku. Jangan terus bercita-cita “mengubah seluruh hospital”.
2. Dalam senario kesihatan, titik permulaan yang paling sesuai biasanya ialah:
   • penerokaan medan dan penandaan anomali
   • laporan pengesahan kualiti data
   • penstrukturan EMR / laporan pemeriksaan kesihatan
   • penjanaan automatik laporan mingguan dan bulanan
3. Jangan hanya lihat “boleh jalan atau tidak”, tetapi beri perhatian pada:
   • sama ada peraturan itu stabil
   • sama ada format laporan boleh digunakan semula
   • sama ada hubungan berbilang jadual tepat
   • sama ada hasil penting menyokong semakan rawak dan pengesahan silang
4. Jika anda memang sudah melakukan kolaborasi merentas sistem, anda juga boleh terus bandingkan:
   • senario mana yang lebih sesuai untuk Agent gaya workstation seperti WorkBuddy
   • senario mana yang lebih sesuai untuk terus diatur sendiri melalui API atau platform data

Jika yang anda lebih ambil berat sekarang ialah: bagaimana hendak menyatukan model seperti Tencent, GLM, Kimi, DeepSeek dan StepFun ke dalam aliran kerja Agent anda sendiri, anda boleh lihat dahulu:

• Harga model
• Beli API Key
• Dokumentasi API

Penilaian akhir saya

Jika saya perlu merumuskan pandangan saya tentang kes WorkBuddy dalam industri kesihatan dalam satu ayat, ia ialah:

Perkara yang paling patut diberi perhatian bukanlah sama ada AI boleh menjimatkan sedikit masa untuk pasukan kesihatan, tetapi hakikat bahawa ia sudah mula masuk ke rantaian kerja yang benar-benar kerap, berulang dan memenatkan seperti pembersihan data perubatan, pemprosesan EMR, penerokaan pangkalan data berskala jutaan, pengesahan kualiti data dan laporan piawai.

Ini jauh lebih penting daripada sekadar “boleh atau tidak AI menulis satu ringkasan perubatan”. Sebab kerja data perubatan yang paling susah sejak awal lagi bukan satu ayat kesimpulan, tetapi:

bagaimana hendak menstabilkan satu aliran data yang heterogen, berulang, sangat ketat standardnya dan masih perlu disahkan silang.

Kalau WorkBuddy benar-benar berjalan lancar di bahagian ini, maknanya untuk industri kesihatan ia bukan lagi sekadar “sedikit peningkatan kecekapan”, tetapi:

ia mula mengalihkan rantaian analisis yang sebelum ini bergantung pada tenaga manusia untuk mengangkut dan mengesahkan data berulang kali, ke dalam satu workstation AI yang boleh diulang, diguna semula dan diskalakan secara berterusan.

Rujukan

• WorkBuddy 使用心得：一个医疗数据工作者的 AI 效率革命
• 我用一只“龙虾”解放双手：WorkBuddy 深度赋能医学数据分析实战心得
• WorkBuddy 实战教程：从零完成百万级医疗数据库探查与质量校验
• 腾讯医疗 AI 解决方案：以影像云与大模型技术提升诊疗效率与精准度