基于DeepSeek的智能減重管理系統設計與應用

中圖分類號：R197.324 文獻標識碼：B

Abstract ObjectiveTo achieve standardized and intelligent weight-loss management，facilitate precise weightloss，and reducetherisk ofchronicdiseases.MethodsBasedontheinvestigation andanalysis of the hospitals weight -loss business processes and requirements，an intellgent 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 4.4kg 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 1kg . 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. ConclusionThe intelligent weight-loss system contributes toenhancing patientcompliance with medical advice，aleviating theclinical workload，and promoting the development of intelligent healthcare.

Key words DeepSeek;Large Medical Model;Precise Screening；Artificial Intelligence;Weight—Loss Management

國家衛生健康委發布的《肥胖癥診療指南（2024年版）》顯示，我國18歲及以上居民的超重率為 34.3% ，肥胖率為 16.4% 。研究預測，到2030年，我國成年人超重肥胖率可能達到65.3% ，與肥胖相關的高血壓、糖尿病、心腦血管等慢性疾病的患病率也呈上升趨勢，歸因于超重肥胖的醫療費用可達4180億元人民幣，約占全國醫療費用總額的 21.5% ，肥胖癥已成為較為突出的公共衛生問題。基于此，國家衛生健康委等在《關于印發“體重管理年”活動實施方案的通知（國衛醫急發[2024]21號）》中指出，為落實《健康中國行動（2019—2030年）》有關工作要求，倡導和推進文明健康生活方式，提升全民體重管理意識和技能，預防和控制超重肥胖，切實推動慢性病防治關口的前移。

當前肥胖管理應用市場上多數健康管理工具普遍存在功能趨同、數據整合與標準化不足、個性化與智能化水平有限、隱私安全隱患、可持續性差等問題。尤其在減重管理領域，缺乏專門面向肥胖、代謝紊亂等內分泌問題設計的算法支持，人工智能（artificialintelligence，AI）與減重管理相結合的應用不多。而在數字化轉型深人推進的當下，DeepSeek類生成式人工智能正以顛覆性力量重構醫療服務領域，使醫療服務從“經驗驅動\"轉向“數據驅動”[1]。國務院辦公廳發布的《關于進一步完善醫療衛生服務體系的意見》中也明確指出，要積極運用人工智能技術完善醫療服務流程。將AI與肥胖管理應用相結合，通過AI技術重塑肥胖干預范式，是解決當前肥胖管理困境的一個新方向。

在此背景下，武漢市某醫院開啟智能減重管理課題，以DeepSeek—R1大模型為核心構建AI減重管理系統，將大語言模型與臨床診療路徑深度耦合。以專屬減重場景的數據建模、患者分群、動態干預優化算法為創新基礎，提出切實可行的系統設計應用方案，解決個體差異、動態適應與持續干預等減重核心難題，實現了從傳統經驗醫學向數字循證醫學轉變。

需求分析

通過對該院體重管理中心的業務流程進行調研，并與達到世界衛生組織標準的肥胖癥患者及臨床減重專家進行深度訪談，從患者全周期管理角度出發，梳理出減重管理的業務流程，見圖1。

基于業務流程，用戶需求可以歸納為以下四個方面：第一，個性化和精準性。患者端需根據身體質量指數（bodymassindex，BMI）、體脂率等個人體征指標，內分泌、代謝、慢性病等病史背景，飲食習慣、運動能力、特殊情況（如產后哺乳女性）等個人狀況，制定個性化減重方案。醫生端要求系統整合實驗室數據，輔助精準篩查患者類型，如合并代謝性疾病患者、亞健康人群等，避免與患者現有治療方案沖突。第二，學科性與權威性。患者端系統需采用三甲醫院臨床驗證過的減重方案，以確保其安全性。醫生端需要嵌入權威醫學標準，促使算法邏輯符合循證醫學。第三，行為干預與可持續性。患者端需要AI通過心理狀態識別（如情緒性饑餓）、游戲化激勵等手段來提升依從性。醫生端需設計階段性拆解目標，避免患者因無法在短時間內獲得成效而中斷系統治療，以保證醫療服務連續性。第四，醫患協作與數據互通。患者端需實時獲取相關數據的動態變化，以便醫生查看并遠程調整康復計劃。醫生端需自動生成健康報告，以節省門診和隨訪時間，并為主治醫生提供危急值預警。為滿足上述需求，該院研發了智能減重系統，將標準化管理延伸至院外，集“篩、評、診、治”為一體，能協助臨床醫護人員對肥胖癥患者實施多方位全周期的減重管理，實現“院內診療服務+ 院外患者管理\"的連通。

2 系統設計

2.1 大模型選擇

結合大量文獻及其他行業的成功經驗，選擇采用DeepSeek一R1作為此系統的大模型。DeepSeek是基于Transformer架構面向因果推理的開源大模型，DeepSeek一R1為該系列最新發布的模型之一。該模型對算力的要求較低，以1/10的成本實現了超過OpenAIol的水平[2]。而減重系統作為醫院的醫療系統之一，涉及大量隱私數據，系統及大模型須本地化部署。該院現有6臺配備英偉達A800顯卡的算力服務器，算力資源十分緊張，因此DeepSeek—R1打破“算力至上”的特性可以適配醫院現有資源。其采用的群體相對策略優化算法（grouprelativepolicyoptimization，GRPO），可在某些場景下減少對監督微調（super一vised fine-tuning，SFT）的依賴，甚至在某些特定任務中跳過SFT直接進行強化學習（reinforcement Learn-ing，RL）訓練，簡化了訓練過程，顯著提升了模型的推理能力[3-4]。這種自主探索的推理能力適合非專業AI組織，如醫院，大專院校等，能保證大模型快速上線使用。此外，DeepSeek對混合專家架構進行了重要創新，通過細粒度設計和共享專家策略，不僅提高了計算效率，也使得模型在處理復雜任務時表現出更高的專業性。在臨床應用中，專業的數據處理和推理能力可以增加患者的信任度，從而提高患者對醫院的粘性。

圖1減重患者全周期治療業務流程

2.2 大模型訓練

模型訓練本質是通過數據驅動的方式，讓機器從大量示例中總結規律，最終泛化到未見過的場景。減重系統大模型訓練在預訓練語言模型中注入了大量醫學專業知識，包括醫學術語、標準病歷格式、診療規范等，以確保模型能準確理解并生成符合標準的病歷文書，再利用醫院的臨床數據進行增量預訓練。數據來源為該院開展減重治療8年來累計約30萬條院內患者臨床數據，涵蓋多種來源的患者信息。其中，結構化數據（如生化指標、體重記錄等）占 70% ，非結構化信息（如診療建議、患者行為日志等）占30% 。冷啟動階段采用了2850條院內歷史案例數據與150條院外公開的減重研究高質量標注樣本數據。經數據清洗確保數據的一致性后，進行特征工程的構建，從原始臨床數據中提取有效特征，結合領域知識和統計分析，識別哪些特征對于目標變量（如減重的效果和進展）具有顯著的影響力，以便不斷提升模型的學習效果和預測能力。

訓練DeepSeek—R170B模型使用了GRPO算法，跳過SFT階段直接進入RL階段。第一步，處理采樣動作組，對于每個輸入提示，從當前策略模型中生成多個輸出，這些輸出將用于后續的獎勵評估。第二步，使用獎勵模型對每個輸出進行評分，獎勵函數可以根據任務需求設計，例如準確性獎勵，基于答案的正確性，輸入各種體征指標后模型給出預期的減重方案。第三步，對同一提示下的多個輸出進行獎勵歸一化，計算相對優勢[5]。第四步，根據相對優勢更新策略模型的參數，進行策略更新，目標是增加高獎勵輸出的概率，減少低獎勵輸出的概率[5]。最后，進行迭代優化，重復上述步驟，逐步優化策略模型，直到模型在目標任務上表現穩定。在迭代優化階段動態生成約200萬次干預反饋數據。測試數據為5萬院內患者獨立樣本，占全部訓練數據的16.7% 。驗證時，將大模型自動生成的減重方案與該院內分泌科專家評審的標準減重方案做對比，觀察測試集表現，若大模型初始準確率最小值 ⑧ ，則判斷模型可投入使用。

2.3 系統架構

該系統分為底層、中間層和表層三層架構。底層包括數據層和模型層，負責數據采集與清洗，以及模型訓練與推理；中間層為健康管理服務配置與大模型應用的集成；表層為醫生管理平臺及患者健康服務平臺。見圖2。

該系統前端采用React架構，后端采用Spring與Redis，數據庫采用Oracle Real Application Clusters。部署方式采用容器化部署，這樣既能保證系統的高性能，又能滿足信創轉換要求。

系統安全方面，設計將患者移動端服務部署在隔離區（demilitarizedzone，DMZ）的網絡代理前置機服務器，通過域名對互聯網提供訪問服務。作為系統的第一道防線，前置機服務器會設置雙防火墻和入侵檢測與防御系統（IDS/IPS）[6]，以防止未經授權的訪問和攻擊。管理端應用部署在醫院內網區的應用服務器，僅供醫院內網訪問，以確保系統的安全性。大模型部署在醫院內網區的圖形處理器（Graphics ProcessingUnit，GPU）服務器，聯網前置機服務器和應用服務器。大模型平臺作為數據處理和計算的核心樞紐，為保證其安全性，系統采用了多層次的安全防護措施[7-8]，包括數據加密、訪問控制、定期審計日志記錄等，以便管理員可以及時發現和處理潛在安全威脅。見圖3。

2.4 系統功能設計

2.4.1動態患者畫像構建

該系統結合肥胖癥相關的內分泌、代謝、多種慢性病等疾病癥狀，設計了可演化的患者畫像算法。不同于傳統基于靜態指標的單一評估方式，系統首先對患者疾病與肥胖級別進行標注，即標簽系統[9]，如根據BMI值對成人進行分級標注，根據腰圍進行中心性肥胖標注，按照國家標準生長曲線對青少年兒童進行標注等。其次，系統集成內分泌代謝數據，納入甲狀腺激素、胰島素抵抗、瘦素等激素水平，構建代謝模型，自動識別“代謝阻力型肥胖”“內分泌異常型肥胖\"等復雜類型。再次，動態整合電子病歷、實驗室檢查、心理評估、營養與運動記錄等，構建動態更新的個性化患者畫像，作為AI推薦和干預方案的基礎。最后，集成心理測評，分析患者行為動機、依從性變化等，支持方案動態調整，實現心理一生理聯動的精準管理[]。

圖2智能減重管理系統架構

圖3智能減重管理系統安全架構

2.4.2智能分群與強化學習算法動態干預

系統采用多維數據融合聚類算法與因果推斷相結合，構建可持續更新的患者分群體系。代謝與行為聯合能精細化分類肥胖類型，如單純性肥胖、代謝綜合征型肥胖、心理障礙伴發型肥胖等。可根據分群特征，匹配專屬飲食、運動及心理干預組合，實現精準診療。隨著患者行為與生理數據的更新，系統會自動調整分群與推薦，形成智能化動態管理閉環。

時分析，并據此動態調整飲食、運動和心理指導方案。優化多個目標以確保方案有效且易于堅持，例如平衡“減重速度”“心理承受度”“營養均衡”等。針對異常監測快速響應，例如檢測到體重反彈、血糖異常波動等異常情況時，算法會自動預警，提示醫生進行策略調整。

例，例如黃體期會自動增加 200kcal 優質脂肪攝入。第二，神經認知干預機制，重塑患者多巴胺回路。通過AI視頻模擬高熱量食物場景，結合經顱磁刺激觸發厭惡反應，降低對垃圾食品的渴求度，同時，通過AI認知訓練游戲提升前額葉皮層活躍度，增強對沖動進食的控制力。第三，微生物組定向調控。減重遇到阻力可能是菌群失調造成的。AI識別減重平臺期并自動開單便檢，采集微生物組數據后，針對擬桿菌門和厚壁菌門的比例推薦特定益生元配方。例如當檢測到患者IL—6炎癥因子升高時，AI會同步調整 ω-3 脂肪酸攝入量、推薦冷暴露療法[12]，并優化運動強度，形成多靶點協同干預。總結該系統與傳統健康管理工具的差別，見表1。

針對減重方案難以持續推進的問題，系統首次引入強化學習算法。通過減重過程的動態反饋持續使用優化干預策略，形成動態適應機制，實現對患者減重期間關鍵信息的實

2.4.3減重場景專屬虛擬助手

基于典型減重場景訓練的大模型，可以針對個體需求進行對話，即采用虛實結合的服務模式來強化患者參與感和行為動力。利用集成算法模型，形成AI輔助決策體系[10]。AI虛擬助手可以協助患者完成在線預約掛號，通過智能匹配算法為患者推薦最適合的醫生，提高就醫效率。該助手還可以通過聊天機器人為患者提供情感支持，在某些情況下，協助心理醫生進行心理干預和治療[11]

通過融合代謝組學、神經科學、微生物組學等多學科專業知識，AI助手突破傳統卡路里計算范式，并為用戶提供以下三點減重支持：第一，適配激素波動。AI助手整合了皮質醇晝夜節律、女性生理期等數據，根據激素波動規律動態調整飲食方案中碳水、蛋白質和脂肪的比

3 應用效果

經過12周的試運行，該院智能減重管理系統現已正式投入臨床使用。試運行期間選取18歲 ～65 歲、BMI≥28kg/m² 的180例患者進行測試。該目標人群生理成熟穩定，符合中國指南定義的肥胖[13]，有明確的系統化醫療需求，是中國成人肥胖的主要人群，研究結果可直接指導臨床實踐。同時，排除患有嚴重心、肝、腎功能不全者、妊娠或哺乳期女性以及近期接受過其他減重治療的患者，最終納人158例患者進行對照觀測。在獲得該院倫理委員會批準，且所有選取患者自愿參與研究并簽署知情同意書后，隨機分為干預組與對照組，每組各79例。其中，干預組使用智能減重系統進行治療，對照組接受傳統減重治療（飲食控制 + 運動指導）。具體測試指標選取國際公認肥胖與代謝健康核心指標[14-15]及 ISO9241可用性標準[16]，見表2。結果表明，運行期間，系統共登錄15263次，完成記錄4266條，該系統的減重效果、依從性、精準可靠性和可持續性均得到正向反饋。

表1智能減重管理系統與傳統健康管理工具差異化創新價值總結

表2智能減重管理系統應用與傳統減重治療相關指標差值比較

注：①內臟脂肪等級 1～9 為低風險，屬正常范圍，代謝疾病風險低；等級 10～14 為中風險，需關注飲食和運動；等級≥15為高風險，與糖尿病心血管疾病強相關；患者滿意度以5分為標準分數。

4討論

智慧減重是當前健康管理領域信息化建設的熱點，已有文獻對其進行了研究，并出現了一些針對健康管理的數字化工具，如健康管理軟件、營養建議App等，但這些工具并未聚焦醫學領域，屬于群體社交軟件，距離智慧化醫療目標還有較大差距。王夢奇等[1]開發了以健康管理為主題的數字化系統網站；楊沁平等[18]構建了社區慢性病健康管理信息系統；陳燕娜等[19]針對糖尿病合并腦卒中患者研發了飲食管理軟件，但這些研究并未針對減重領域進行深入探索，也均未采用AI技術。王佳佳[1]等討論了AI在膳食評估、情感支持、體質量管理、減重手術方面的應用，也僅停留在理論層面。

本研究提出減重管理與AI相結合的應用方案，實現了減重患者院內院外全周期智能化管理，降低了肥胖癥對社會生產力和醫療資源的影響。該系統不同于當前市場上的多數健康管理系統，其專業性來源于高質量臨床數據的訓練結果，是針對源于慢性病及內分泌問題的肥胖醫學減重系統。從患者角度來說，該系統提升了就醫依從性，達到了減重目標，實現了患者長期管理體重的愿望；從院方角度來講，通過AI管理全方位服務患者和醫護人員，滿足了臨床降低工作壓力的需求，提高了醫療效率和質量。通過定制化AI模型為臨床提供了全面、個性化的診療輔助，實現了“數據采集一智能分析一動態干預一效果評估”的智能化全流程管理。利用AI助手可彌合減重管理中“知易行難”的鴻溝，推動其從認知到行動的落地。在實際應用期間，原設計單獨發布的小程序被集成至該院的互聯網醫院，這樣既節約了成本又提高了系統易用性。該系統的落地以三重價值賦能醫療健康生態：于醫院，以精準數據驅動效率飛躍，提升了管理效能；于社會，助力科學減重，降低慢病風險，為資源減負增效；于國家，其廣泛應用可節約醫療支出，緩解公共衛生壓力，促進可持續發展。

該系統目前還處于早期應用階段，在模型表現和使用體驗方面均存在優化空間。第一，AI大模型的本質是一個概率模型[20]，對輸人敏感性較高，即使微小差異也可能導致輸出的巨大差異，模型可能因訓練數據偏差（如缺乏特殊人群數據）或算法局限性給出錯誤建議，導致健康風險，但責任界定模糊。未來需著力推進多模態數據融合，提升數據全面性，構建基因組學等分子層面的專屬模型，從而深化精準醫學應用。同時，相關部門應加快完善AI醫療產品的法律法規和倫理規范，以確保其可靠性和可信度。此外，后續將通過數據重構、算法革新、臨床反饋等方式優化當前大模型生成方案的準確率，理論上大模型可在18個月 ～24 個月內實現從80% 到 90% 的突破。第二，技術落地存在瓶頸。除了面臨較高的訓練成本，模型還可能無法處理多病共存的復雜場景。為此，醫療保健專業人員應接受系統培訓，以適應人機協同的新型診療模式，建立“AI篩查一醫生復核”的高效工作體系。第三，倫理與文化沖突尚待研究。目前AI提供的健康建議可能忽視文化飲食習慣，如宗教飲食限制等；或強化體重焦慮，難以平衡健康目標與社會價值觀。對此，可將價值觀融入技術，開發具有文化敏感性的監測模塊，構建審美多元化評價體系，推動技術從驗證階段向規模化應用轉化。第四，可以考慮在AI輔助神經認知干預階段與VR技術結合，身臨其境的診療體驗將提高患者的依從性。第五，試運行階段所選取患者主要集中在無特殊疾病的成人群體，初步驗證后，可進一步探索老年人、青少年及特殊疾病人群的適用性。

AI與醫療管理融合是“數字療法”發展的關鍵方向，最終目標是打造安全可靠、文化包容的智能健康管理工具，并將其拓展至心腦血管疾病、呼吸系統疾病等慢病管理領域。未來，這類智能管理系統有望成為慢病管理的有效工具，推動醫療服務的規模化、個性化發展，實現疾病預防，助力醫療模式從“以治療為中心”向“主動健康管理”的根本性轉變。

參考文獻

[1]李志，駱行.智能革命下的人力重構：DeepSeek、Manus類生成式人工智能對人力資源市場的挑戰、影響及治理研究[J/OL].重慶大學學報（社會科學版），1－13[2025-03-20].http：//kns.cnki.net/kcms/detail/50.1023.C.20250311.1349.007.html.

[2]張慧敏.DeepSeek-R1是怎樣煉成的？[J].深圳大學學報（理工版），2025，42（2）：226—232.

[3] SHAN ZH，WANG PY，ZHU QH，etal.DeepSeekMath：pushingthe limits of mathematical reasoning in open language models[EB/OL].（2024-02-06）[2025-02 -08].https：//arxiv.org/abs/2402.03300.

[4]霍晨萌.AI大模型訓練師——讓大模型更“聰明\"[J].中國網信，2025（1）：82-83.

[5]趙葛劍，張新鵬.DeepSeek：從“概率生成\"到“因果推理\"[J].自然雜志，2025，47（2）：79—84.

[6]ALABDULATIF A，THILAKARATHNE NN，KALINAKI K.A novel cloud enabled access control model for preserving the security and privacy of medical big data[J].Electronics， 2023，12（12）：2646.

[7]鄔江興，季新生，賀磊，等.網絡安全戰略與方法發展現狀、趨勢及展望[J].中國工程科學，2025，27（1）：14-27.

[8]朱明偉，肖子玉，徐彬，等.核心網部署AI大模型的能力評估[J].電信科學，2024（S2）：1—16.

[9]姚華彥，張鑫金，何萍.基于大數據的患者畫像標簽體系構建方法及應用研究[J].中國衛生信息管理雜志，2019，16（6）：667-671.

[10]孫磊，汪安安，宋一敏，等.大語言模型在臨床醫學領域的應用、挑戰和展望[J].解放軍醫學院學報，2025，46（1）：50—60.

[11] 王佳佳，盧宗亮，龍波.人工智能在減重領域中的應用[J].保健醫學研究與實踐，2023，20（10）：14—19.

[12]耿雪，饒志堅，張建紅，等.低溫環境及冷習服對機體運動能力的影響研究進展[J].中國運動醫學雜志，2024，43（12）：1002—1010.

[13］中國肥胖問題工作組.中國成人超重和肥胖癥預防與控制指南（節錄）[J].營養學報，2004（1）：1—4.

[14]OBESITY S. Obesity：preventing and managing the global epidemic. Report of a WHO consultation[J].Who Technical Report Series，2000，894（1）：18-30.

[15]ALBERTIMGK，ZIMMETP，SHAW J.Themetabolicsyndrome-a new worldwide definition[J].Lancet，2005，366（9491）：1059 -1062.

[16]ISO. Ergonomics of human- systeminteraction— part llO：interaction principles：ISO 9241—110：2020[S].2020-05-28.

[17］王夢奇，張文亮，金玲.健康管理系統的設計與實現[J].電腦編程技巧與維護，2024（12）：101—103，110.

[18]楊沁平，徐璐璐，黎衍云，等.上海市社區慢性病健康管理信息系統建設及應用成效[J].中國公共衛生，2024，40（9）：1156-1160.

[19]陳燕娜，劉智利，謝思斯，等.定制化飲食管理軟件在糖尿病合并腦卒中患者健康管理中的研發與應用[J].汕頭大學醫學院學報，2025，38（1）：27—31.

[20]馬傲，葛小玲.人工智能大模型在醫療健康領域應用的研究[J].中國現代醫生，2024，62（33）：89-95.