多年来，医疗行业中最艰巨的任务之一就是管理和理解每年生成的海量数据。从患者和结果数据到账单和排班数据，这些数据种类繁多。主要挑战不仅在于数据量，还在于这些数据的性质：其中大部分是非结构化的，即未预先定义且无法在表格中搜索的数据，如短信、图像、视频、音频文件和电子邮件。
历史上，医疗机构一直采用一种类似于“蛮力”的方法来应对这一问题，涉及大量的人工努力和繁琐的过程。数据分析师团队被分配了数据处理的乏味任务，通常使用的工具不比Excel电子表格更复杂。这些电子表格随后成为程序员（无论是从外部承包还是内部招聘）创建自动化系统的依据。任何在医疗机构工作过的人都非常熟悉这种方法，而我们也都知道它充满了低效之处。
我在工作中亲身体验到了这一点，尤其是在努力分析各个医学专业领域的生产力时。这种分析对于提高医生表现和指导关键运营决策（如招聘、人员配置和排班）至关重要。这绝非易事。复杂性源于需要从不同来源整合信息。数据必须从账单记录（导出为CSV文件）、患者数据（来自组织和医院的EMR系统）以及排班软件（用于跟踪工作时间和持续时间）中编译。此外，还需要考虑患者结果，如住院时间，以评估治疗效果。
这个复杂的流程涉及大约30个步骤，其中一些在Excel中进行，而另一些则依赖于自动化工具。一旦分析完成，进一步自动化的决定通常涉及编程解决方案，而这需要维护和持续更新。我们可以引入外部程序员或利用第三方工具，但这可能会在数据和用户所需见解之间产生摩擦和脱节。或者，我们可以聘请内部程序员，他们将更加融入组织，但会增加组织的开销，甚至可能使繁琐的维护任务变得更加根深蒂固。
整个医疗行业试图通过开发互操作性标准（如Fast Healthcare Interoperability Resources (FHIR)）来应对这类挑战。该规范旨在简化医疗数据的结构，促进更好的数据共享和洞察。与之前的 数据标准相比，这是一个巨大的进步。然而，尽管付出了这些努力，互操作性标准仍难以实现跨业务孤岛的无缝集成。
这时，AI出现了。尽管最近对AI的炒作不断，但使用机器学习工具来处理大型数据集并不是医疗保健机构的新想法。多年来，自然语言处理（NLP）等技术一直是医院和提供者组织的常见工具。
然而，随着像ChatGPT和其他先进的AI解决方案的出现，AI在医疗保健领域的应用变得越来越明显。我认为AI有可能解决上述长期存在的问题。使用AI工具进行复杂数据分析的巨大潜力在于，可以将多个来源的非结构化数据倾倒到一个单一环境中，然后直接向AI查询我们的问题。
Nikhil Krishnan，Out-Of-Pocket通讯的作者，最近发布了一张梗图，很好地描述了这一点：本应进入FHIR管道的非结构化数据，反而不受约束地流入空中——但这没关系，因为AI工具可以接收这些数据并将其转换为可用形式。基本上，定制的AI工具可能能够绕过传统过程中的复杂性和低效，包括像FHIR这样的数据标准，这些标准长期以来一直是发现业务洞察的主要瓶颈。
与其继续我们已经习以为常的数据整理工作，我们可以通过构建一个预测引擎来实现这一目标，允许我们将所有非结构化数据倾倒进去，然后像使用ChatGPT或其他类似工具一样开始提问。这将是变革性的。过去需要数周或数月才能处理的请求，现在可以在几天内完成。那些因优先级较低而被搁置的问题，最终可能得到解答。同时，我们将能够以前所未有的速度和更低的摩擦探索业务关键问题的细微差别。
这就是承诺：医院和医疗保健机构正处于业务流程前所未有的清晰时期，曾经令人望而生畏的大数据集结构化和分析任务将被彻底改变。这一进展有望带来更明智的决策、更好的资源分配，最终提升患者的护理质量。
(全文结束)
