受近期业内对MCP（Model Context Protocol）技术的关注启发，越来越多医疗信息化从业者开始思考AI如何真正落地临床、服务业务。当医疗AI从技术热潮走向实用阶段，构建“业务可理解、系统可协同”的AI与HIT数据融合机制，正成为推动医疗AI投入产出比达到预期的关键一环。
本文尝试从技术演进视角出发，探讨MCP加持下的集成平台，如何能让AI在医院本地化应用构建更加简单高效且更具可及性。
MCP，全称Model Context Protocol，本质上是一种用于大语言模型（LLM）与外部服务之间进行语义交互的协调协议, 通过引入标准化的工具描述语言和上下文解析机制，让模型“理解”可用工具、“推理”使用条件，并“选择”合适的处理方式，从而使大模型在安全可控、权限策略约束下调用系统资源时，具备一定的自适应与调度能力。目前MCP已逐渐成为LLM与外部环境之间操作协议的事实标准。
图1 MCP如何连接AI大模型
传统AI模型如同孤岛，被困在静态训练数据中，难以访问医院内部系统、临床文件或实时信息，导致应用难以落地。为此，医疗机构希望通过调用外部模型和AI应用工具，实现动态数据交互。
然而，这一过程面临两大难点：
数据分散，标准不统一，获取难度大：AI模型既要接入外部科研、公共卫生和诊疗信息，也要读取院内各类系统的数据。由于不同来源的数据标准不统一，数据质量往往参差不齐、分散无序，常常导致 AI 应用落地效果难以达到预期。
AI大模型同各系统打通复杂繁琐：AI应用落地需要对接外部系统或数据时，需要投入大量研发成本，并且难以在不同项目间复用，开发复杂繁琐，成本高。
而MCP提供的统一的模型上下文组织与调用机制，打破AI模型接入与协作的技术壁垒，能有效解决系统对接复杂，难以复用的问题。
集成平台具有强大的集成能力，同时可以对外将HIT数据资产通过API服务的方式统一发布，解决了数据碎片化、获取难、管理繁等问题，而MCP协议的引入，则为集成平台提供了同LLM交互的标准框架，原有APIs在无需调整下即可快速转换为模型可识别的“工具集”，为LLM提供所需现实数据和知识。
例如，当临床管理人员在对话界面输入：“请统计本周骨科门诊患者的年龄分布，并生成表格，通过邮件发送至xxx@xxx.com”时，背后的大模型需要调用“获取门诊患者信息工具”、“制表工具”、“邮件发送工具”，实现数据查询、统计分析、表格生成和邮件分发的操作。
在没有MCP协议的情况下，LLM如需获取现实数据或调用服务，需研发人员预先编辑好对应的服务接口，并通过工作流方式提前预制好。这种方式开发周期长、投入大、灵活性低，且后续升级维护困难。
而在支持MCP协议的集成平台上构建AI应用时，开发者能够直接复用现有API接口。利用MCP协议的图形化能力，快速构建AI工具。随后，AI应用能够自主分析任务需求，判断并调用可能需要的工具。这种方式大幅降低了开发难度与周期，同时显著提升了接口服务的质量、实时性、安全可靠性以及可维护性。
目前，Odin引擎已率先完成对MCP协议的深度融合，不仅能够作为“MCP Server”为LLM提供AI工具快速构建能力，同时也在集成流程中作为“MCP Client”调用外部工具，利用Odin引擎自有的强大流程编排和多协议适配力，实现医疗AI智能体的快速开发。
这种“双向MCP”能力融合形态，保障了AI模型落地的高效性与合规性，也大幅提升了全链路集成流程的智能化与运维效率，重塑医疗集成体验，为医院信息化建设迎来一场真正的AI生产力革命。
集成平台作为连接各类业务系统的数据“主动脉”，正在迎来新的智能化演进方向。在MCP的加持下，平台具备了类似“神经中枢”的调度能力，使其在支撑AI应用的落地过程中扮演更加关键的角色，助力医疗机构构建高效、可控、价值可及的AI应用新生态。
（本文由ODIN供稿）
