期刊信息
友情链接
热门文章
基于DeepSeek的智能减重管理系统设计与应用
发布人：yaot 发布时间：2025/9/2 18:38:17 浏览次数：1548次
——熊浩 邓维姝
【摘要】目的 实现标准化智能减重管理，精准减重并降低慢病风险。方法 根据医院减重业务流程和需求调研分析，开发了一款基于DeepSeek-R1大模型的智能减重管理系统。结果 该系统试运行12周，共管理79例肥胖患者，平均减重4.4 kg，体脂率平均下降3.5%，系统共登录15 263次，完成记录4 266条，体重变化预测误差小于1 kg，自主选择健康饮食率达70%，运动目标完成率达63%，体重管理可持续性较好。结论 智能减重管理系统有助于提升患者就医依从性，减轻临床工作负担，推动医疗智能化发展。
【关键词】DeepSeek；医疗大模型；精准筛查；人工智能；减重管理
中图分类号：R197.324文献标识码：B
Design and Application of an Intelligent Weight-Loss Management System Based on DeepSeek/XIONG Hao, DENG Weishu.//Chinese Health Quality Management，2025,32(8):77-82
Abstract Objective To achieve standardized and intelligent weight-loss management, facilitate precise weight-loss, and reduce the risk of chronic diseases.Methods Based on the investigation and analysis of the hospital's weight-loss business processes and requirements, an intelligent weight-loss management system was developed using the DeepSeek-R1 large model.Results During a 12-week trial period, the system managed 79 obese patients, achieving an average weight loss of 4.4 kg and an average reduction in body fat percentage of 3.5%. The system was logged into 15 263 times, with 4 266 records completed. The prediction error for weight change was less than 1 kg. The rate of patients autonomously choosing healthy diets reached 70%, and the completion rate of exercise goals was 63%, indicating a certain improvement in the sustainability of weight management. Conclusion The intelligent weight-loss system contributes to enhancing patient compliance with medical advice, alleviating the clinical workload, and promoting the development of intelligent healthcare.
Key words DeepSeek; Large Medical Model; Precise Screening; Artificial Intelligence; Weight-Loss Management
Firstauthor's address Zhongnan Hospital of Wuhan University,Wuhan,Hubei,430071,China
国家卫生健康委发布的《肥胖症诊疗指南（2024年版）》显示，我国18岁及以上居民的超重率为34.3%，肥胖率为16.4%。研究预测，到2030年，我国成年人超重肥胖率可能达到65.3%，与肥胖相关的高血压、糖尿病、 心脑血管等慢性疾病的患病率也呈上升趋势，归因于超重肥胖的医疗费用可达4 180亿元人民币，约占全国医疗费用总额的21.5%，肥胖症已成为较为突出的公共卫生问题。基于此，国家卫生健康委等在《关于印发“体重管理年”活动实施方案的通知 （国卫医急发〔2024〕21号）》中指出，为落实《健康中国行动（2019—2030年）》有关工作要求，倡导和推进文明健康生活方式，提升全民体重管理意识和技能，预防和控制超重肥胖，切实推动慢性病防治关口的前移。
当前肥胖管理应用市场上多数健康管理工具普遍存在功能趋同、数据整合与标准化不足、个性化与智能化水平有限、隐私安全隐患、可持续性差等问题。尤其在减重管理领域，缺乏专门面向肥胖、代谢紊乱等内分泌问题设计的算法支持，人工智能（artificial intelligence，AI）与减重管理相结合的应用不多。而在数字化转型深入推进的当下，DeepSeek类生成式人工智能正以颠覆性力量重构医疗服务领域，使医疗服务从“经验驱动”转向“数据驱动”［1］。国务院办公厅发布的《关于进一步完善医疗卫生服务体系的意见》中也明确指出，要积极运用人工智能技术完善医疗服务流程。将AI与肥胖管理应用相结合，通过AI技术重塑肥胖干预范式，是解决当前肥胖管理困境的一个新方向。
在此背景下，武汉市某医院开启智能减重管理课题，以DeepSeek-R1大模型为核心构建AI减重管理系统，将大语言模型与临床诊疗路径深度耦合。以专属减重场景的数据建模、患者分群、动态干预优化算法为创新基础，提出切实可行的系统设计应用方案，解决个体差异、动态适应与持续干预等减重核心难题，实现了从传统经验医学向数字循证医学转变。
1需求分析
通过对该院体重管理中心的业务流程进行调研，并与达到世界卫生组织标准的肥胖症患者及临床减重专家进行深度访谈，从患者全周期管理角度出发，梳理出减重管理的业务流程，见图1。
基于业务流程，用户需求可以归纳为以下四个方面：第一，个性化和精准性。患者端需根据身体质量指数（body mass index, BMI）、体脂率等个人体征指标,内分泌、代谢、慢性病等病史背景,饮食习惯、运动能力、特殊情况（如产后哺乳女性）等个人状况，制定个性化减重方案。医生端要求系统整合实验室数据，辅助精准筛查患者类型，如合并代谢性疾病患者、亚健康人群等，避免与患者现有治疗方案冲突。第二，学科性与权威性。患者端系统需采用三甲医院临床验证过的减重方案，以确保其安全性。医生端需要嵌入权威医学标准，促使算法逻辑符合循证医学。第三，行为干预与可持续性。患者端需要AI通过心理状态识别（如情绪性饥饿）、游戏化激励等手段来提升依从性。医生端需设计阶段性拆解目标，避免患者因无法在短时间内获得成效而中断系统治疗，以保证医疗服务连续性。第四，医患协作与数据互通。患者端需实时获取相关数据的动态变化，以便医生查看并远程调整康复计划。医生端需自动生成健康报告，以节省门诊和随访时间，并为主治医生提供危急值预警。为满足上述需求，该院研发了智能减重系统，将标准化管理延伸至院外，集“筛、评、诊、治”为一体，能协助临床医护人员对肥胖症患者实施多方位全周期的减重管理，实现“院内诊疗服务+院外患者管理”的连通。
2系统设计
2.1大模型选择
结合大量文献及其他行业的成功经验，选择采用DeepSeek-R1作为此系统的大模型。DeepSeek是基于Transformer架构面向因果推理的开源大模型，DeepSeek-R1为该系列最新发布的模型之一。该模型对算力的要求较低，以1/10的成本实现了超过OpenAI o1的水平［2］。而减重系统作为医院的医疗系统之一，涉及大量隐私数据，系统及大模型须本地化部署。该院现有6台配备英伟达A800显卡的算力服务器，算力资源十分紧张，因此DeepSeek-R1打破“算力至上”的特性可以适配医院现有资源。其采用的群体相对策略优化算法（group relative policy optimization，GRPO），可在某些场景下减少对监督微调（super-vised fine-tuning，SFT）的依赖，甚至在某些特定任务中跳过SFT直接进行强化学习（reinforcement Learning，RL）训练，简化了训练过程，显著提升了模型的推理能力［3-4］。这种自主探索的推理能力适合非专业AI组织，如医院，大专院校等，能保证大模型快速上线使用。此外，DeepSeek对混合专家架构进行了重要创新，通过细粒度设计和共享专家策略，不仅提高了计算效率，也使得模型在处理复杂任务时表现出更高的专业性。在临床应用中，专业的数据处理和推理能力可以增加患者的信任度，从而提高患者对医院的粘性。
2.2大模型训练
模型训练本质是通过数据驱动的方式，让机器从大量示例中总结规律，最终泛化到未见过的场景。减重系统大模型训练在预训练语言模型中注入了大量医学专业知识，包括医学术语、标准病历格式、诊疗规范等，以确保模型能准确理解并生成符合标准的病历文书，再利用医院的临床数据进行增量预训练。数据来源为该院开展减重治疗8年来累计约30万条院内患者临床数据，涵盖多种来源的患者信息。其中，结构化数据（如生化指标、体重记录等）占70%，非结构化信息（如诊疗建议、患者行为日志等）占30%。冷启动阶段采用了2 850条院内历史案例数据与150条院外公开的减重研究高质量标注样本数据。经数据清洗确保数据的一致性后，进行特征工程的构建，从原始临床数据中提取有效特征，结合领域知识和统计分析，识别哪些特征对于目标变量（如减重的效果和进展）具有显著的影响力，以便不断提升模型的学习效果和预测能力。
训练DeepSeek-R1 70B模型使用了GRPO算法，跳过SFT阶段直接进入RL阶段。第一步，处理采样动作组，对于每个输入提示，从当前策略模型中生成多个输出，这些输出将用于后续的奖励评估。第二步，使用奖励模型对每个输出进行评分，奖励函数可以根据任务需求设计，例如准确性奖励，基于答案的正确性，输入各种体征指标后模型给出预期的减重方案。第三步，对同一提示下的多个输出进行奖励归一化，计算相对优势［5］。第四步，根据相对优势更新策略模型的参数，进行策略更新，目标是增加高奖励输出的概率，减少低奖励输出的概率［5］。最后，进行迭代优化，重复上述步骤，逐步优化策略模型，直到模型在目标任务上表现稳定。在迭代优化阶段动态生成约200万次干预反馈数据。测试数据为5万院内患者独立样本，占全部训练数据的16.7%。验证时，将大模型自动生成的减重方案与该院内分泌科专家评审的标准减重方案做对比，观察测试集表现，若大模型初始准确率最小值≥80%，则判断模型可投入使用。
2.3系统架构
该系统分为底层、中间层和表层三层架构。底层包括数据层和模型层，负责数据采集与清洗，以及模型训练与推理；中间层为健康管理服务配置与大模型应用的集成；表层为医生管理平台及患者健康服务平台。见图2。
该系统前端采用React架构，后端采用Spring与Redis，数据库采用Oracle Real Application Clusters。部署方式采用容器化部署，这样既能保证系统的高性能，又能满足信创转换要求。
系统安全方面，设计将患者移动端服务部署在隔离区（demilitarized zone, DMZ）的网络代理前置机服务器，通过域名对互联网提供访问服务。作为系统的第一道防线，前置机服务器会设置双防火墙和入侵检测与防御系统（IDS/IPS）［6］，以防止未经授权的访问和攻击。管理端应用部署在医院内网区的应用服务器，仅供医院内网访问，以确保系统的安全性。大模型部署在医院内网区的图形处理器（Graphics Processing Unit，GPU）服务器，联网前置机服务器和应用服务器。大模型平台作为数据处理和计算的核心枢纽，为保证其安全性，系统采用了多层次的安全防护措施［7-8］，包括数据加密、访问控制、定期审计日志记录等，以便管理员可以及时发现和处理潜在安全威胁。见图3。
……