在贝克尔第十届健康信息技术与数字健康及收入周期管理年度会议的炉边谈话中，两位行业领袖探讨了医疗系统面临的一项紧迫挑战：如何将创新构想转化为可规模化的数字健康解决方案。
发言嘉宾——希迪（Heidi）全球首席医疗官西蒙·科斯博士（Dr. Simon Kos）与芝加哥伊利诺伊大学卫生系统（UI Health）助理首席医疗信息官布兰登·哈里斯医学博士（Bhrandon Harris, MD）——分享了在当今生成式人工智能热潮与医疗人力资源紧张背景下试点新技术的实战洞见。两位专家结合健康信息技术与临床运营视角，剖析了技术试点成功或停滞的关键因素。
五大核心要点：
注：引述内容经编辑以精简篇幅并提升清晰度
1. 启动前明确定义成功标准
科斯博士强调，成功的试点始于清晰界定的目标和基线指标。“若缺乏初始数据作为参照，将难以证明实际进展。”他主张将“试点”重新定义为概念验证或价值验证项目，并指出医疗机构应仅对具备规模化条件的技术进行试点。
2. 严谨性与准备度至关重要
两位专家均强调启动试点前尽职调查的重要性。哈里斯博士描述了UI Health近期开展的环境监听试点：通过筛选两家供应商、实施并行交叉评估，并通过月度领导层汇报维持项目 momentum。“我们用于定义和创建评估指标的时间，可能超过了实际执行试点的时间。”科斯博士高度评价该方法：“这是优秀试点的典范”，并指出需确保试点小组在临床场景中的代表性，以验证技术的可扩展性与适用性。
3. 临床需求与组织协同驱动技术采纳
临床医生的主动需求往往预示技术的市场契合度。科斯博士表示，当医生争相加入试点时，通常表明产品与需求高度匹配。但技术准备度还包含基础设施、人员配置及领导层支持。哈里斯博士强调，试点设计需获得高层领导支持，同时必须纳入一线人员反馈：“真正执行工作的是基层人员，若未让其早期参与讨论，再精妙的试点设计也会失败。”
4. 新技术需匹配新评估框架
生成式人工智能加速了试点模式的革新需求。科斯博士指出，传统评估框架（为固定化、确定性工具设计）不适用于快速迭代的AI系统，强调AI试点的治理结构必须纳入伦理与法律专家意见。
5. 超越金钱的价值回报定义
尽管财务回报仍具关键意义，两位专家呼吁医疗机构关注质性影响指标，例如降低临床医生认知负荷及职业倦怠率。他们明确表示，技术试点远未过时，但必须以目标导向、数据严谨性和通向实际成果的明确路径进行设计。
【全文结束】
