科技趋势：2026年医疗IT领导者对AI现状的务实看法
许多医疗领导者已通过多个AI试点项目积累了实践经验。以下是他们对当前技术现状的评估。
人工智能在医疗保健领域并非新概念，但其采用速度对于这个通常行动缓慢的行业来说是不寻常的。许多医疗机构已从2023年对生成式AI既充满炒作又持怀疑态度，到2025年底已开展多个试点项目。然而，无论AI在节省时间、降低成本以及改善患者和临床医生体验方面的潜力如何，缺点仍然存在，行业在推进AI时必须解决这些问题。
HealthTech对七位医疗IT领导者进行了调查，以了解各组织在AI旅程中的现状。哪些方面取得了成效？哪些方面仍有待观察？
我们与迈克尔·阿丘莱塔(Michael Archuleta)（科罗拉多州特立尼达市Mt. San Rafael Hospital的首席信息官）、康妮·巴雷拉(Connie Barrera)（迈阿密Jackson Health System的公司总监兼首席信息安全官）、克丽丝特尔·布罗伊(Crystal Broj)（南卡罗来纳州查尔斯顿市Medical University of South Carolina的企业首席数字转型官）、杜桑卡·德洛夫斯卡-特拉伊科娃(Dusanka Delovska-Trajkova)（华盛顿特区大都会区Ingleside的首席信息官）、比马尔·德赛医生(Dr. Bimal Desai)（费城儿童医院(Children's Hospital of Philadelphia)的副总裁兼首席健康信息学官）、布伦顿·希尔(Brenton Hill)（医疗AI联盟(Coalition for Health AI, CHAI)的运营主管兼总法律顾问）、潘毅仁医生(Dr. Eric Poon)（北卡罗来纳州达勒姆市杜克健康(Duke Health)的首席健康信息官）以及吉姆·鲁德(Jim Roeder)（明尼苏达州斯塔普尔斯市Lakewood Health System的IT副总裁）讨论了他们对当今AI的看法、成功的用例以及随着经验增长他们对AI的方法如何变化。
HEALTHTECH：贵机构最成功的AI用例是什么？
阿丘莱塔： 我们最成功的AI用例是与Radiology Partners合作实施的AI驱动的放射学检测。我们利用AI更早、更一致地识别危及生命的时间敏感型病症，如颅内出血、血管闭塞、肺栓塞和颈椎骨折。在农村医疗环境中，每一分钟都很重要，该计划直接支持更快的病情升级和更安全的患者治疗结果。这不再是理论，而是正在发生的实际临床影响。
巴雷拉： 我们最成功的AI实施是患者复杂多订单护理计划的智能预约重排工作流程自动化。当患者需要重新安排预约时，我们的AI系统确保所有相关订单、转诊和护理团队通知保持适当协调——消除了此前消耗大量医生和员工时间的手动核对过程，同时减少了临床错误的机会。
这减少了重排预约相关的工作量，同时释放我们的护理团队专注于直接患者互动而非行政协调。影响是大幅降低了我们的爽约率，使预约可更快提供，提高了患者满意度和治疗结果。
布罗伊： 我们最成功的AI用例集中在患者获取和行政负担减轻——特别是AI驱动的外展服务、预约前工作流程、预先授权和语音自动化。这些工具帮助我们填补护理缺口、减少呼叫中心量、收取共付额和逾期余额，并改善预约前的患者准备情况。关键在于将AI嵌入现有工作流程，而非将其视为独立解决方案，并将可衡量的结果与获取、收入和体验挂钩。
德洛夫斯卡-特拉伊科娃： Ingleside最成功的AI用例是实施AI支持的礼宾聊天机器人。该开发背后的理念是通过提供清晰且始终正确的答案来改善第一印象。这有助于加入组织时间不长、可能记不住所有答案的新礼宾员，或在周末帮助礼宾员但对这些主题经验不足的管理人员。
德赛： 最有成效的临床用例是那些为临床人员移除"绊脚石"的工具——如门诊笔记摘要。我们即将推出住院版本，提供住院过程的AI摘要；同样，我们正在扩大环境记录系统的推广范围。目睹我们的医护人员在试用这些工具时的惊喜反应非常令人欣慰。
希尔： 在CHAI，我们最具影响力的工作是支持医疗系统如何评估、治理和实施AI解决方案。当组织在临床和行政环境中扩展AI之前，使用共享最佳实践进行透明度和持续监测时，我们看到最大的成功。这种方法帮助医疗机构消除昂贵的接诊瓶颈，更快、更自信地进入试点和采用阶段。总体而言，强有力的治理已成为医疗生态系统中几乎所有其他AI应用的赋能用例。
潘： 在过去12个月中，我们在门诊环境中部署了Abridge的环境记录系统，获得了医护人员的惊人采用率和积极反馈。目前我们有2,500名活跃用户，每周生成超过30,000份笔记。这一显著使用量已对减轻职业倦怠、提高医护人员满意度、及时完成病历记录和临床工作效率产生了可衡量的影响。基于门诊环境的成功，我们已将该技术扩展到急诊科和住院环境。
鲁德： 就我们目前的AI旅程而言，最成功的用例是微软(Microsoft)/Nuance的DAX Copilot环境聆听AI解决方案。它使我们能够终止原有的记录员计划，并帮助医护人员在电子健康记录(EHR)中更及时地完成文档记录。
HEALTHTECH：AI在医疗保健中的哪些应用最让您兴奋？
阿丘莱塔： AI之所以令我兴奋，是因为它给了医疗保健领域几十年来一直在追求的东西：精准的速度。当AI被正确部署时，它通过帮助更快检测关键发现、优先处理最重要的事项以及减少高流量环境中人为延误的风险，成为临床团队的倍增器。特别是对于农村医院，AI是一种护理平等器，因为它有助于确保患者的治疗结果不受地理位置决定。我一直相信邮政编码不应决定您的医疗保健结果，而AI是我们实现这一声明的最有力工具之一。对我而言，这就是使命：利用创新提供更快的答案、更早的干预和更好的结果。
巴雷拉： 我最兴奋的是AI能力在网络安全和临床工作流程中的融合，有望构建同时保护患者数据并增强护理交付的系统。我们看到机会：在设备被利用前进行预测性风险建模识别易受攻击的生物医学设备；检测指示安全威胁和工作流程低效的异常访问模式；在勒索软件攻击或自然灾害等危机事件期间提供实时决策支持。特别有希望的是，AI通过智能分类和关联安全、临床和运营系统中的信号来减少警报疲劳的潜力，使医疗团队能够专注于真正需要人类判断和专业知识的事项。
布罗伊： 最让我兴奋的是AI扩展人类能力的能力，让护理团队专注于患者而非流程。当经过深思熟虑的应用时，AI可以消除患者旅程中的摩擦，同时揭示此前埋藏在数据中的洞见。我们终于看到AI从实验转向真正的运营影响。
德洛夫斯卡-特拉伊科娃： 最让我兴奋的是，面对来自各种来源（如手表、戒指、智能秤、智能镜子和睡眠追踪器）的医疗保健和健康数据激增，AI有能力判断哪些重要、哪些可以忽略。如果AI能帮助进行个性化检测，那将大大有助于实现更健康、更独立的老龄化愿望。
德赛： 我们有许多耗时的"辅助临床工作"需要医护人员完成。这包括复杂排程、预先授权/预认证、门户消息、数据审查/综合等。如果我们可以推出有意义的AI/自动化来辅助这些任务，将减轻辅助临床工作负担，使医护人员有更多直接时间与患者相处，改善福祉并减少职业倦怠。最明显的信号是环境记录系统，在全国性研究中已显著减少职业倦怠。我作为专业信息学家工作了20多年，这是我第一次看到单一数字干预产生如此影响。随着这些工具变得更智能、更深入地融入临床工作流程，我乐观地认为我们将看到更多类似成功。运营效益（收入周期是关键示例）也相当显著。
希尔： 最让我兴奋的是临床医生、医疗系统和开发者在负责任、现实世界AI采用方面的日益一致。我们正超越试点和炒作，转向改善质量、减轻医护人员负担、扩大护理获取的实用工具——特别是在资源不足的社区健康中心等环境中。AI确实有潜力真正支持护理团队，但前提是以信任、透明度和临床专业知识实施。看到这种共识在CHAI社区和更广泛的医疗生态系统中形成令人无比兴奋。
潘： 我们对AI变革临床护理和运营各方面的潜力感到兴奋。我们目前正在探索使用AI辅助计算机视觉，帮助我们在住院环境中预防跌倒和压力性损伤。我们的护理人员渴望利用这项技术重新构想医院环境中的护理模式。我们还积极试点内部开发的智能体AI技术，以减轻患者转诊、出院摘要准备和临床注册数据提取的详细病历审查负担。早期结果非常有希望。在行政领域，我们在收入周期方面取得了成功，AI在简化预先授权、用于文档改进的病历审查和编码等劳动密集型任务方面展示了显著效益。
鲁德： 我对它带来的创新和推动事物前进的机会感到兴奋。对于服务不足的医疗机构，它提供了以降低间接成本和费用提供高质量服务的机会。这将使这些机构能够继续为其社区开门服务。
HEALTHTECH：AI在医疗保健中的哪些应用仍让您担忧？
阿丘莱塔： 仍让我担忧的是治理问题，而非技术本身及其实施、监测、安全和信任方式。AI绝不能成为人们盲目跟随的"黑箱"。它需要透明度、验证和临床监督，以防止偏见并确保准确性。我也非常关注网络安全，因为AI增加了复杂性，并在本已是主要目标的行业中扩大了攻击面。正确的方法很简单：AI必须与医学持同样标准——安全、负责且持续监测。
巴雷拉： 我的主要担忧是当AI影响患者护理或数据访问时，维持符合监管要求的审计追踪。在这个领域，我们需要不仅证明AI的决定是什么，还要证明为什么做出这些决定，并以满足HIPAA、**刑事司法信息服务(Criminal Justice Information Services)**和其他相关要求的方式进行。每个集成的AI系统都可能呈现新的攻击面，我担心对医疗保健的对抗性攻击。这些攻击包括临床聊天机器人中的提示注入漏洞，以及在医疗保健AI的安全框架仍在成熟的关键时期，AI系统被操纵做出有害决定的风险。
布罗伊： 治理仍然是一个担忧，但这在每个行业都如此——不仅限于医疗保健——这是我们知道如何通过正确结构来解决的问题。目前更让我担忧的是成本模型。如果AI按每次运行或每次交互计价，成本可能比其旨在抵消的临床或运营节约增长得更快。医疗系统需要可预测、固定的价格，以便长期预算和维持，AI才能真正规模化。
德洛夫斯卡-特拉伊科娃： 让我担忧的是，许多AI驱动的平台、应用程序和服务可能相互对抗。这创造了无人警告过我们的风险，我们可能无法有效识别或监测。想想深度伪造恐惧，在医疗保健中这创造了风险更大的维度。
德赛： 我有三大担忧：技能退化、自动化偏见和环境影响。我担心技能退化——热衷使用AI的医护人员可能变得对其产生依赖。但历史也表明，许多关于技能退化的担忧是毫无根据的。没人哀叹我们已"退化"到不会使用计算尺，或"退化"到无法计算儿童该接种哪些疫苗，或"退化"到无法记住复杂的医嘱集。这些都是我们欣然交由计算机处理的功能。相关风险是当计算机不可用时（例如在网络安全攻击期间），我们会更加脆弱。
我同样担心自动化偏见，我认为它与技能退化相关但不同。风险在于人们不知道质疑AI的输出——他们停止双重检查。至少在今天，考虑到幻觉或"垃圾进/垃圾出"AI摘要的非零风险，我担心错误将无人检查并在系统中延续。
最后，我对AI的环境影响、数据中心的功耗以及对"电网"的压力有重大担忧。我认为医疗系统应意识到这种影响，并制定"适当"使用AI的指南。例如，在适当的场景中优先使用本地模型。随着科技公司制定解决功耗和环境影响的策略，医疗系统应优先选择真正致力于绿色解决方案的供应商合作伙伴。对我来说，这是医疗系统今天控制力最弱的领域，除了简单地选择不使用AI。
希尔： 我最大的担忧是组织推进速度超过了充分验证、监测、治理或临床医生参与所能跟上的速度。没有明确治理而部署的AI可能引入偏见和安全风险，从而破坏信任。解决这些差距对于确保AI采用安全可信至关重要。
潘： 仍有许多工作要做，才能将生成式和智能体AI的承诺转化为床边和医疗运营中的可衡量效益。我们知道并非所有解决方案都适合我们，因此医疗领导者需要了解AI的潜力和局限性，以便我们将有限的精力集中在解决现有痛点的最有前景的解决方案上。此外，许多最新AI工具仍像黑箱一样工作，因此我们仍需成熟监测其性能的能力，以确保安全性和有效性。
鲁德： 仍然存在实施成本的担忧、大型语言模型(LLM) 内部的偏见、利用AI的公司内部治理以及所有相关方的总体信任问题。
HEALTHTECH：您对AI的方法有何变化？
阿丘莱塔： 我的方法已从"探索AI"发展为"设计结果"。在早期，讨论集中在创新和可能性上。现在则关注工作流程整合、可衡量价值、安全性和可持续性。我们已转向严格的执行、治理框架、成功指标、临床升级路径和运营责任。AI不再是边缘项目，它正成为现代医疗保健运作的一部分，领导者必须将其视为企业级临床战略，而非小工具。
巴雷拉： 我们已从根本上从运行孤立的AI试点转向建立全面的AI治理框架，将AI系统视为需要与其他系统和平台相同严谨度的关键基础设施。这意味着每个AI提案在接触患者数据或临床工作流程前，都需经过正式的供应商风险评估、数据治理审查、安全架构评估和监管合规验证。我们不再考虑"AI替代"，而是设计人机协作，通过记录工作流程确保人类在关键决策中参与其中。我们专注于验证AI是否真正改善结果而非创造新低效的指标。我们还在开发自己的大型语言模型，对利用自身数据获得终极效益的这一举措感到非常兴奋。
布罗伊： 我的方法已从试点工具转向先修复工作流程，然后在真正增加价值的地方应用AI。在破碎流程上叠加AI无济于事——它只会加速混乱。我们现在专注于流程改进，在引入新AI技术前充分利用现有工具和工作队列，使自动化能放大良好设计而非弥补低劣工作流程。
德洛夫斯卡-特拉伊科娃： AI对许多人来说很困惑。人们期待魔杖，但他们得到的是仍需要结构和负责任领导的多功能工具包。在许多情况下，领导层在提出正确问题前就打开了工具箱。另一点是，没有真实资源（即资金和人员）支持的AI意义不大。最后，AI可以支持解决方案；人类必须拥有它们，这解释了为什么AI如此困难。这不是因为我们没有技术。这是一种需要时间的文化变革。
德赛： 我们现在了解到，供应商发布的AI工具需要广泛的临床验证，不仅针对临床准确性，还要针对与儿科相关的任何"特殊考虑"。例如，对于我们的门诊AI摘要，多达200名医护人员花费近一年时间验证该工具，直到我们感觉可以放心地为所有用户启用它。鉴于我们的EHR供应商正在开发的大量AI用例，我们需要以不同方式思考如何为负责测试、验证、培训和部署这些工具的团队配置资源。拥有由数据和分析、信息学、研究人员和临床利益相关者组成的专用AI评估核心，以及包括安全、隐私、伦理、安全和法律在内的强大AI治理方法，对我们能够在最小化风险的同时在医疗系统中利用这些工具至关重要。
希尔： 作为拥有3000多名成员的行业联盟，我们的方法随着密切倾听医疗系统、临床医生、初创公司、开发者和更广泛医疗生态系统的反馈而不断演变。由于医疗AI发展如此迅速，我们根据现实世界实施经验、新兴技术能力和不同护理环境中不断变化的需求不断调整。来自我们成员和社区的这些反馈确保我们的指导保持实用、相关并植根于医疗保健中实际发生的情况。
潘： 随着AI进入医疗保健众多方面的主流，我们强调了AI选择和评估方法的灵活性。我们开发了以低成本、低风险方式进行AI解决方案快速评估的方法，以便更快速地识别可能为患者和医护人员带来价值的解决方案。然而，对于我们测试的解决方案，我们仍希望确保我们的临床医生或患者认为它们有帮助，并以可衡量的方式改善护理或结果。
我们还对与精选AI解决方案供应商合作非常感兴趣，通过共同开发将高价值解决方案扩展到相邻用例，使我们的合作伙伴和医疗系统都能保持在利用AI应对当今医疗挑战的最前沿。
鲁德： 回顾去年，我们对采用AI技术或进行试点以查看其可能带来的价值更加开放。我们正在每季度测试和试点EHR平台内开发和发布的新AI工具。我们还确保持续关注AI技术的采用和实施仍是我们的系统目标之一，前提是适合度正确。
【全文结束】
