Large-scale Local Deployment of DeepSeek-R1 in Pilot Hospitals in China: A Nationwide Cross-sectional Survey
Notice bibliographique
Résumé
Summary Background The open-source release of DeepSeek-R1, a high-performing large language model (LLM), enables local deployment in Chinese hospitals. However, empirical data on deployment scale, hospital characteristics, and functional applications are lacking. Methods We conducted a nationwide cross-sectional survey of 261 hospitals in mainland China that reported local deployment of DeepSeek-R1 between Jan 1 and Mar 8, 2025. Data were collected via web-scraping from verified hospital sources and structured using a hybrid LLM-extraction pipeline. Deployment characteristics, hospital levels, regions, and model parameter distributions were analyzed using descriptive and stratified statistics. Findings DeepSeek-R1 was locally deployed in hospitals across 93·5% of Chinese provinces, with tertiary hospitals accounting for 84% of deployments. Geographical disparities were evident, with Central South, East, and North China showing higher adoption. Functional applications spanned clinical diagnosis, patient services, hospital management, and traditional Chinese medicine integration. Among hospitals disclosing model parameters, the 671B version was most prevalent (45·2%), particularly in Guangdong. Smaller models (32B, 70B) were applied in diagnosis support and intelligent Q&A, while the 671B supported more complex scenarios like strategic decision-making and quantum security. The overall deployment rate remains low nationwide (0·7%). Interpretation Local deployment of DeepSeek-R1 in China has expanded rapidly, led by high-level hospitals in economically developed regions. Model selection reflects functional demand and infrastructure capacity. DeepSeek’s broad applicability and open-source nature position it as a scalable solution for advancing AI-driven hospital transformation. However, uneven regional adoption and limited deployment in primary care suggest policy and infrastructural gaps requiring further attention. Funding This study was supported by the National Social Science Fund of China (23BGL249).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».