支付宝钱包的“未来医院”计划再添一城。10月23日,武汉市中心医院宣布与支付宝达成合作,正式入驻支付宝钱包的服务窗平台,加入“未来医院”计划。双方将共同搭建医疗服务平台,为患者提供便捷的就诊体验。
这是武汉首个加入支付宝“未来医院”计划的三甲医院。今后,患者到武汉市中心医院看病,就可以通过支付宝钱包挂号、缴费、候诊和查取报告,无需再多次排队等候,大幅缩短了整个就诊时间。此外,即使患者是通过其他方式挂号,也可以在医院的自助机器上使用支付宝钱包扫码缴费,无需在收费窗口反复排队。
至此,支付宝钱包的“未来医院”计划已经在北京、上海、广州、杭州、武汉、沈阳、郑州、南昌、昆明、长沙、温州、嘉兴等十二个城市落地,覆盖超过16家三甲医院。
支付宝方面透露,在全国范围内,接下来还将有更多的三甲医院加入到“未来医院”计划。
移动就医新体验
武汉市中心医院书记孙昌林表示,与支付宝钱包达成合作,将为患者带来全新的便捷就医体验。借助支付宝在信息化与支付结合上的优势,医院能够更好优化现有的就医流程,缩短就医过程中的“三长”(挂号排队时间长、看病等候时间长、取药排队时间长)问题,改善就医体验。
根据双方的合作,武汉市中心医院入驻支付宝钱包的服务窗平台。用户只需在支付宝钱包的“服务”一栏,搜索“武汉市中心医院”并添加关注,即可建档和挂号。
第一次到武汉市中心医院的初诊患者,可先行建档,而后获得一个就诊卡号。复诊病人则可以直接绑定自己的就诊卡或医保卡。
准备就医时,患者可在“我要就诊”一栏,选择“预约专家”或“今日挂号”进行挂号,号源支持所有科室与医生。选择相应的科室之后,患者在支付宝钱包中会收到一条缴费提醒,点击即可支付挂号费。挂号成功后,患者还可以查询自己的候诊信息,待快要轮到自己时再前往医院,节省大量在医院等候的时间。
看病过程中,医生开出检查单之后,患者也会在支付宝钱包收到消息提醒,点击可缴费,不再需要前往收费窗口排队。检查完成后,结果也会通过手机推送到患者手上。
值得一提的是,即使患者没有在支付宝钱包中关注武汉市中心医院的服务窗,通过其他途径挂的号,在看病过程中,也同样可以通过支付宝钱包扫描医院自助机器上的二维码完成缴费,无需在收费窗口反复排队。
另外,如果需要住院,所有绑定就诊卡的患者都可以通过支付宝钱包预交住院费用,治疗过程中也能很方便的及时续费。
二期上线医保结算
目前,武汉市中心医院上线的服务窗一期功能,仅支持自费病人。二期功能将加入医保结算,产品正在加速开发中,预计很快就能上线。
蚂蚁金融服务集团O2O事业部副总经理刘新表示,支付宝正在加快与医院接口的对接,包括医保结算在内的多种功能都在推进之中。蚂蚁金融服务集团将利用支付宝的账户体系、支付能力和数据平台,为医院提供一整套的移动医疗服务解决方案,缓解门诊挂号时间长,缴费排队多等问题,提升医院的效率,改善患者的就诊体验。
作为系统开发商,武汉默联有限公司总经理方达远表示:支付宝增加了医院自助机上时下流行的扫码支付,又解决了移动端的支付问题。同时借助支付宝在互联网的经验和“未来医院”用户第一的理念,有利于提升医院的服务效率。
截至目前,支付宝钱包的活跃用户数已经超过1.9亿,每天的移动支付笔数超过4500万笔。
支付宝在今年5月底正式推出“未来医院”计划之后,已经在全国主要城市实现覆盖,累计为近30万个患者提供服务。其中,首个加入支付宝“未来医院”计划的广州市妇女儿童医疗中心,服务窗关注数超过12万,每天通过支付宝钱包挂号就诊缴费的患者数量占门诊总量的20%左右,最高时接近30%。
从多家上线的医院看,患者在省却反复排队的耗时之后,平均的就诊时间能缩短近一半。
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。