> 医务科随访专员每月要处理上百条随访通话转写记录：逐条听录音、填量表、判异常、排复诊。120 条随访记录手工处理要 6 小时，还容易漏掉异常患者。本文记录如何用 WorkBuddy 云端助理，将随访记录结构化从 6 小时压缩到 25 分钟，降幅 93%。

**难度**: 初级 | **适用读者**: 医务科随访专员、慢病管理团队、AI办公工具评估者

**环境**: WorkBuddy 桌面端 2026-09 版本

**声明**: 本文数据全部为虚构脱敏示例，不涉及任何真实患者信息；文中产出为办公流程演示，非诊疗建议，临床判断以执业医师意见为准。


## 1. 场景开篇

2026 年 8 月底，区人民医院医务科的随访专员小李面对电脑发呆。

她负责高血压和糖尿病两个慢病随访队列，过去 3 个月积攒了 120 条随访通话的录音转写文本。医务科的规定是：每条随访记录要整理成结构化报告——患者基础信息、量表评分（血压/血糖/用药依从性）、异常发现、复诊安排，归档进随访系统。

她的工作流程是：逐条打开转写文本 → 通读对话 → 对照量表逐项打分 → 判断有无异常（血压超标/血糖波动/漏服药）→ 有异常的登记到异常清单 → 需要复诊的排复诊提醒 → 归档。

一条记录平均 3 分钟，120 条就是 6 小时。最要命的是第 80 条之后，人已经麻了——7 月她就漏登记了一位收缩压 175 的患者，隔了两周家属打电话来问"随访是不是白做了"，被投诉到科主任那里。

她想着，这种逐条读文本、填量表、判异常的活，能不能交给 WorkBuddy 的云端助理。


## 2. 手工模式痛点量化

| 环节 | 单条耗时 | 120条合计 | 痛点 |
|------|---------|----------|------|
| 通读转写文本 | 1.2 分钟 | 144 分钟 | 患者口语描述零散，关键信息（数值/症状）埋在对话里 |
| 量表评分 | 1 分钟 | 120 分钟 | 血压/血糖/依从性逐项对照打分，口径容易漂移 |
| 异常判断与登记 | 0.5 分钟 | 60 分钟 | 后半程疲劳，异常容易漏登记（上月投诉即由此而来） |
| 复诊安排 | 0.3 分钟 | 36 分钟 | 需要对照患者基础信息表查联系方式和责任护士 |
| **合计** | **约3分钟/条** | **约360分钟（6小时）** | |

![014-workbuddy-follow-up-structured-report 图 1](https://developer.qcloudimg.com/http-save/yehe-2059497/09248d9ac2930b7d39eef0fd0c9c5ced.png)


## 3. 为什么选 WorkBuddy

随访结构化的核心挑战是：批量转写文本阅读 + 量表结构化提取 + 异常分级判断。我盘了一下可选方案。

也想过用语音转写平台自带的"智能摘要"。转写平台确实能出摘要，但摘要是给人看的段落话，不是量表——血压读数、依从性分级、异常等级这些结构化字段还是得人工再提一遍。而且摘要不看量表阈值，"血压有点高"和"收缩压175需要立即复诊"在它嘴里是一个语气。

自己写脚本处理倒是准确，但转写文本口语化严重，同一种表述有十几种说法（"降压药有时候忘了吃"/"药三天两头断"/"不规律服药"），正则写不完，维护成本比手工还高。

WorkBuddy 云端助理模式专为这类批量文本结构化任务设计——量表模板可以直接作为附件给它，阈值判断规则写进指令，120 条一次跑完。7x24 云端托管，任务跑着的时候我可以先干别的归档。

| 方案 | 能力 | 局限 |
|------|------|------|
| 手工整理 | 判断最可靠 | 120 条 6 小时，疲劳期漏登记 |
| 转写平台智能摘要 | 自动出段落摘要 | 非量表结构，阈值不判断，仍需人工二次提取 |
| 自写脚本 | 规则明确可复用 | 口语化表述变体太多，规则维护成本高 |
| WorkBuddy 云端助理 | 批量文本理解 + 量表提取 + 阈值分级 + 三表产出 | 口语与术语映射偶有失真；隐私脱敏必须前置；同患者多记录需显式声明合并规则 |

坦率地说局限。第一，转写文本必须先脱敏——患者姓名、身份证号、手机号要在送入 WorkBuddy 前替换为编号，我们用医务科现成的脱敏脚本预处理。第二，口语到量表术语的映射不是 100% 可靠，这次有 3 条记录的依从性分级需要人工修正。第三，同一患者 3 个月内有 2-3 条记录，不声明合并规则的话会被当成独立患者统计。

![014-workbuddy-follow-up-structured-report 图 2](https://developer.qcloudimg.com/http-save/yehe-2059497/ab13f04e90fec84d1c0ec68bfff5b8fe.png)

## 4. 实战：给 WorkBuddy 下达随访结构化任务

### Step 1: 素材准备

在桌面创建随访结构化素材文件夹：

```
2026-08-followup-structure/
  transcripts/     # 120条随访转写文本（命名：队列_患者编号_随访日期.txt）
  patient-info/    # 患者基础信息表（Excel：编号/队列/责任护士/联系电话占位）
  scale-template/  # 随访量表模板（阈值与分级规则）
```

![随访结构化素材文件夹：转写文本、患者信息表与量表模板](https://developer.qcloudimg.com/http-save/yehe-2059497/7d42643258924f0f4587557d4aa9dfcb.png)

### Step 2: 下达任务

在 WorkBuddy 中使用云端助理模式，输入以下指令：

```text
请帮我整理过去3个月的慢病随访记录。素材在桌面 2026-08-followup-structure/ 文件夹下，包含：
- transcripts/：120条随访转写文本（已脱敏，患者以编号标识）
- patient-info/：患者基础信息表
- scale-template/：随访量表模板（含阈值与分级规则）

验收标准：
1. 每条记录提取：患者编号、随访日期、队列（高血压/糖尿病）、血压读数、血糖读数、用药依从性分级、症状描述
2. 异常分级（对照量表阈值）：收缩压≥160或舒张压≥100标"红色-需尽快复诊"；血糖空腹≥9.0mmol/L或餐后≥13.0mmol/L标"红色-需尽快复诊"；轻度超标标"黄色-加强监测"；用药依从性"经常漏服"标"黄色"
3. 同一患者编号有多条记录时，合并为一条，取最近一次读数，列出历史变化趋势
4. 产出三份文件：结构化随访报告（逐条）、异常患者清单（红/黄分级）、复诊提醒任务表（红色患者，含责任护士和建议复诊期限）
5. 所有产出中只出现患者编号，不还原任何真实身份信息
```

![WorkBuddy 云端助理：下达随访结构化任务指令](https://developer.qcloudimg.com/http-save/yehe-2059497/6e098f38e54fe4438e468eb5fcedde3b.png)

### Step 3: 过程观察

WorkBuddy 云端助理自主拆解为 4 个子步骤：

1. 批量读取 120 条转写文本，逐条做文本理解
2. 对照量表模板提取结构化字段（编号/日期/读数/依从性/症状）
3. 阈值比对，做红/黄异常分级
4. 按患者编号合并多期记录，生成三份产出文件

![云端助理的关键判定与假设：依从性映射、合并规则、复诊期限口径](https://developer.qcloudimg.com/http-save/yehe-2059497/89d7023c76a4190e28346de95f41963b.png)

执行过程中出现一次纠偏：汇总后的患者数是 96 人，但基础信息表里有 103 人。追问："基础信息表共103人，找出没有随访记录的7人，在报告中单独列出。"

云端助理核对后列出 7 人清单——4 人是转写文件命名编号录错导致匹配失败（P086-P096 共 19 条记录未入清单索引，补齐后合并入库），3 人（P097-P103）确实无随访记录，是本月失访患者。修正编号后重新处理，96 人完整入库，7 位无随访记录患者单独标注。

![追问核对失访患者：以程序求差集，确认 P097-P103 共 7 人](https://developer.qcloudimg.com/http-save/yehe-2059497/f8eeba0eb226bda767497cbc18b4356f.png)

### Step 4: 产出验收

WorkBuddy 在 25 分钟内完成全部步骤，产出 3 份文件：

- **结构化随访报告**（96 名患者逐人归档，含历史趋势）
- **异常患者清单**（红色 42 人 + 黄色 43 人 + 备注 4 人）
- **复诊提醒任务表**（42 位红色患者，含责任护士与建议复诊期限）

![014-workbuddy-follow-up-structured-report 图 3](https://developer.qcloudimg.com/http-save/yehe-2059497/9ccf68710317c5db231725b73f13f0f5.png)

![结构化随访报告 CSV 产出：96 名患者逐人一行](https://developer.qcloudimg.com/http-save/yehe-2059497/7fdac1de34a580a334eca8674dabedb4.png)

![异常患者清单 CSV 产出：红/黄分级，含触发原因与超标项](https://developer.qcloudimg.com/http-save/yehe-2059497/ac54c825e235ac7ce761f2f2aa74dfe6.png)

![复诊提醒任务表 CSV 产出：红色患者、责任护士与建议复诊期限](https://developer.qcloudimg.com/http-save/yehe-2059497/0ee733ec8c59026c1e4ddd39121a3e67.png)

![产出完成汇总：三份交付文件与红/黄分级统计](https://developer.qcloudimg.com/http-save/yehe-2059497/32b2efda628db204429bff6dc21abc6d.png)


## 5. 产出物逐条验收

| 验收项 | 标准 | 实际结果 | 通过 |
|--------|------|---------|------|
| 结构化字段提取 | 7字段逐条提取 | 120条全部提取，编号/日期/队列/读数/依从性/症状齐全 | 通过（117/120准确，3条依从性分级需人工修正） |
| 异常分级 | 红/黄两级，对照量表阈值 | 红色42人、黄色43人、备注4人，抽查10条分级全部正确 | 通过 |
| 多期记录合并 | 同编号合并取最近 | 21位患者多期记录合并，含趋势变化 | 通过 |
| 失访核对 | 与信息表核对缺失 | 19条编号漏索引补齐，7位失访患者（P097-P103）单独标注 | 通过 |
| 隐私合规 | 只出现患者编号 | 三份产出均无姓名/电话等身份信息 | 通过 |

异常识别命中：之前人工判定为"需要关注"的患者，这次云端助理标红 42 人中人工复核确认 40 人，2 人为 borderline（如收缩压 158，接近阈值）——漏网的那位收缩压 175 的患者这次被稳定标红。


## 6. 量化效果与成本核算

| 环节 | 手工 | WorkBuddy | 降幅 |
|------|------|-----------|------|
| 通读文本 | 144 分钟 | 6 分钟（批量理解） | -96% |
| 量表评分 | 120 分钟 | 5 分钟（自动提取） | -96% |
| 异常判断登记 | 60 分钟 | 4 分钟（阈值比对） | -93% |
| 复诊安排 | 36 分钟 | 5 分钟（信息表匹配） | -86% |
| 人工验收修正 | - | 5 分钟 | - |
| **合计** | **360分钟** | **25分钟（+人工验收10分钟=35分钟）** | **-93%** |

![HTML 随访整理报告：概览卡片与异常患者清单](https://developer.qcloudimg.com/http-save/yehe-2059497/a2faf496f04328f3cadb4653a74cd42d.png)

按每季度 1 次全量随访整理、日常每周增量处理折算：

- 手工模式年耗时：约 60 小时，年成本 1.8 万元（300元/小时）
- WorkBuddy 模式年耗时：约 4.2 小时，年成本 1,260 元
- **年省约 55.8 小时，约 1.67万元/人**

更重要的收益是非量化项：漏登记投诉从每季度 1 起降到 0——异常清单是系统比对出来的，不吃疲劳系数。


## 7. 踩坑复盘

### 1. 口语化描述与量表术语映射失真

**现象**：3 条记录的用药依从性分级被评低了——患者说"药三天两头断"，云端助理按"偶尔漏服"处理，实际语境是"经常漏服"。

**根因**：口语表述与量表分级术语没有一对一映射关系，"三天两头"这类方言化程度副词模型把握不准。

**解决**：在量表模板中补充典型口语示例对照表（"三天两头断"→经常漏服，"偶尔忘一顿"→偶尔漏服），追问时让云端助理按对照表重评。

**效果**：3 条记录重评后分级修正，全部命中。

**教训**：量表模板不能只写术语和阈值，要把采集过程中实际出现的口语表述样例一并沉淀进去，模板越"贴地"映射越准。

### 2. 隐私脱敏不彻底

**现象**：首跑产出中 2 条记录残留了患者的姓氏（转写文本中护士称呼"王阿姨"，脱敏脚本只替换了全名）。

**根因**：前置脱敏脚本只匹配全名和手机号，对话中"姓氏+称呼"的叫法漏掉了。

**解决**：追问云端助理扫描全部产出，将"X阿姨/X大爷"类称呼统一替换为患者编号。

**效果**：2 条记录称呼替换完成，产出合规。

**教训**：医疗场景脱敏必须在送入前做、产出后再做一次双向校验——对话体文本里的称呼、亲属关系词都是身份泄漏点，只替换全名远远不够。

### 3. 同一患者多条记录合并去重错误

**现象**：首版报告有 2 位患者的历史趋势写反了——把 6 月读数当成了"最近一次"，实际他们 8 月还有一条记录。

**根因**：转写文件按队列分目录存放，云端助理按文件顺序而非随访日期排序判断"最近"。

**解决**：追问声明"以患者编号+随访日期字段排序取最近记录，日期以转写文本内的随访日期为准，不以文件顺序为准"。

**效果**：重新合并后 21 位多期患者趋势全部正确。

**教训**：涉及"最近一次/历史趋势"类需求，必须显式声明排序依据字段，不能默认系统按文件顺序理解。


## 8. 可复用的 Prompt 模板与素材清单

### 随访结构化任务 Prompt 模板

```text
请帮我整理 {时间范围} 的慢病随访记录。素材在桌面 {文件夹名}/ 文件夹下，包含：
- transcripts/：随访转写文本（已脱敏，患者以编号标识）
- patient-info/：患者基础信息表
- scale-template/：随访量表模板（阈值/分级规则/口语对照表）

验收标准：
1. 每条记录提取：患者编号、随访日期、队列、血压读数、血糖读数、用药依从性分级、症状描述
2. 异常分级对照量表阈值执行，红/黄两级
3. 同编号多期记录合并，按"转写文本内随访日期"排序取最近，列趋势
4. 与基础信息表核对缺失，编号错配修正，失访单独标注
5. 产出：结构化报告 + 异常清单 + 复诊提醒任务表（红色患者，含责任护士）
6. 全部产出只出现患者编号，身份称呼类字样一并替换
```

### 素材文件夹清单模板

```
{month}-followup-structure/
  transcripts/     # 转写文本（命名：队列_患者编号_随访日期）
  patient-info/    # 患者基础信息表
  scale-template/  # 量表模板+口语对照表
```

### 边界说明

适用慢病随访、健康档案结构化等办公场景；不适用诊疗决策、用药调整等临床判断——那超出办公工具边界，必须由执业医师完成。


## 9. 总结与展望

回头看这次随访结构化，最大的感触是：量表模板的"口语对照表"比阈值本身更重要。阈值是死的，患者的话是活的——"三天两头断"这种表述，没有样例对照，机器就是拿不准。这次 3 条误判全部修在对照表上，下一季度会继续把新听到的说法补进去，让模板越用越准。

脱敏这件事怎么强调都不过分。首跑漏掉的"王阿姨"，暴露的是对话体文本的脱敏特殊性——它不是表格，身份信息藏在称呼里、亲属关系里。前置脱敏 + 产出后双向校验，现在是我们团队医疗类任务的标准动作。

失访患者是意外收获。手工整理时代，没随访到的人就悄悄沉底了；这次和基础信息表一核对，P097-P103 共 7 位无随访记录患者被显式列出来，科里据此启动了电话追访。结构化的副产品是"看不见的人变得看得见"。

WorkBuddy 不太适合的场景：需要临床知识推理的判断（并发症风险评估、用药方案建议），这超出办公结构化的边界；实时监护数据流处理，云端批处理模式跟不上时效。适合的场景：随访记录归档、量表批量评分、异常名单筛查、复诊提醒排程——批量文本 + 明确规则 + 三表产出的模式。

展望：下一步尝试把复诊提醒任务表与院内短信平台打通——任务表生成后按责任护士分组推送提醒，闭环到患者端。


## 10. 互动引导

本文为腾讯云《WorkBuddy 行业应用指南》征集投稿。

真实性声明：本文基于真实医务办公场景撰写，全部数据为虚构脱敏示例，无任何真实患者信息；产出为办公流程演示，非诊疗建议。

评论区交流：你们科室的随访整理要花多长时间？有没有用 AI 工具做过随访记录的结构化？医疗场景的隐私脱敏你是怎么做的？

医务科随访专员每月要处理上百条随访通话转写记录：逐条听录音、填量表、判异常、排复诊。120 条随访记录手工处理要 6 小时，还容易漏掉异常患者。本文记录如何用 WorkBuddy 云端助理，将随访记录结构化从 6 小时压缩到 25 分钟，降幅 93%。

WorkBuddy 实战：3 个月的随访记录，变成结构化随访报告和异常清单

人工智能

医务科随访专员用WorkBuddy云端助理将120条随访记录结构化处理从6小时压缩至25分钟，降幅93%。自动提取量表字段、红黄异常分级、多期合并与失访核对，产出结构化报告、异常清单和复诊任务表。漏登投诉归零，年省1.67万元/人。附带可复用Prompt模板与踩坑复盘。

代码解释

数据流

WorkBuddy 

短信

2026上云采购 | AI焕新·智启新局

workbuddy

语音产品特惠新用户14.9元起


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

WorkBuddy 实战：3 个月的随访记录，变成结构化随访报告和异常清单-腾讯云开发者社区-腾讯云

WorkBuddy 实战：3 个月的随访记录，变成结构化随访报告和异常清单

WorkBuddy 实战：3 个月的随访记录，变成结构化随访报告和异常清单

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐