关于医疗创新的全球对话仍然以技术为中心，但越来越多的专家开始质疑这种聚焦是否恰当。尽管人工智能、机器学习和自动化常被视为进步的标志，但一些人认为，其价值并不在于它们的存在本身，而在于它们对护理服务的影响。
丹尼尔·阿巴内梅是明尼苏达州森特拉护理健康中心的研究项目经理，他呼吁转变思维。他根据自己在服务于农村和小城市社区的医疗系统中的经验表示，该行业有忽视最重要事物的风险。
“人工智能并非仅仅因为存在就能改善医疗，”他说，“只有当它被设计成适合人员、工作流程和问责结构时，它才能改善医疗。”
据他所说，许多系统投资于构建工具，但未能将其整合到日常临床实践中。他解释说，主要挑战不在于开发模型或平台，而在于部署之后会发生什么。
“困难的部分是后续工作：将新工具与实际工作流程、监管要求、数据完整性、临床医生信任度和患者需求对齐，”他说，“没有这种对齐，即使是最复杂的解决方案也会停滞在试点阶段、演示文稿中，或被放弃的雄心上。”
阿巴内梅的方法源于他早年在国立卫生研究院下属的国家老龄化研究所的工作，在那里他帮助在受监管环境中构建了一个高通量蛋白质组学工作流程。该项目需要协调采购、协议和数据系统，为他当前关注系统级基础设施奠定了基础。
“医疗研究不仅仅是回答问题，”他说，“而是构建能够反复、合乎道德且大规模地提出好问题的系统。”
在他目前的职位上，他负责监督跨部门的研究项目，包括临床研究、观察性研究以及与外部组织的合作。他指出，每个项目都依赖于临床医生、分析师和合规团队之间的协调，而基础设施则是其支柱。
他在机器学习研究方面的工作也反映了这种观点。作为早期疾病检测和心理健康评估研究的贡献者，他不那么关注模型性能，而更关注其输出在实践中的使用方式。
“存在于论文中的算法无法拯救生命，”他说，“嵌入到护理团队中，并拥有清晰的升级路径和治理机制的算法才能做到。”
他强调了这一区别在专业医疗服务有限的地区的重要性，在这些地方，诊断延误会影响结果。他说，在这种情况下，人工智能的价值在于医疗系统能否以安全且一致的方式根据预测采取行动。
对于阿巴内梅来说，医疗创新不仅限于先进系统。他指出机器学习在识别高风险患者方面的作用，自动化在减少行政工作方面的用途，以及支持决策的更强大数据系统的必要性。
然而，他警告不要仅凭技术能力来衡量成功。
“问题不在于一个工具是否令人印象深刻，”他说，“而在于它是否改善了护理服务的可及性、及时性、一致性和公平性。这些才是重要的指标。其他一切都只是原型。”
除了在数据和系统方面的工作，阿巴内梅还关注劳动力发展。他支持旨在建设当地社区能力的研究实习和导师计划。
“技术不能建设能力，是人才能，”他说，“我们的责任是设计那些让人们做得更好，而不是变得更渺小的系统。”
他补充说，传统的成功衡量标准，如交付时间和预算，本身已不再足够。
“按时按预算只是基线，”他说，“真正的问题是这项工作是否改善了决策、减少了不平等并建立了机构能力。”
随着医疗系统面临日益增长的需求以及持续存在的劳动力压力和人工智能应用相关的挑战，阿巴内梅的信息指出了寻求平衡的必要性。虽然创新将继续塑造该行业，但其成功将取决于它如何很好地融入护理过程。
“问题不在于创新是否正在进入医疗领域，”他说，“它已经进入了。真正的问题是医疗系统是否准备好以能够改善护理的方式使用它，而不仅仅是使其外观现代化。”
“这就是进步的下一个篇章将书写的地方，”他补充道，“而且它不会仅由技术来书写。”
【全文结束】