Mark Thomas（马克·托马斯），MRO公司首席技术官。
在医疗健康领域，AI往往放大了已有问题的基础设施，而非修复它。
对医疗AI的投资从未如此之高，承诺也从未如此大胆，然而大部分项目在离开试点阶段后就停滞不前。原因很少是模型本身或AI实施的问题，而是其底层基础——AI必须运行的数据、工作流程和操作架构。当这一基础薄弱时，AI会放大每一个漏洞、不一致性和盲点。而且它以光速进行这一过程。
要从AI中获得真正持久的价值，医疗健康领导者必须颠倒常规顺序。AI技术不是起点，我们必须首先关注基础。
为何大多数AI战略难见成效
大多数AI战略在启动前就已失败，因为AI常被视为第一步。许多组织不是构建让AI成功的条件，而是将AI叠加在未解决的现有挑战上。以下是削弱AI有效性的几个常见障碍：
• 低质量数据： AI的效果取决于其所用数据的质量——在医疗领域，当约80%的临床数据是非结构化的，数据整理和验证尤其关键。当AI在低质或不完整的数据上运行时，会产生不可靠的见解。
• 不一致的工作流程： 当流程各异时，结果也会不同。这使得AI输出更难在组织内标准化、验证和规模化。
• 有限的互操作性： 孤立的系统阻碍AI看到全貌，意味着它在存在上下文缺口的情况下运行，削弱了其有效性。
AI成功所需的基础
真正成果来自于构建使AI能够工作的操作基础：临床数据如何被访问、结构化和交付，以及支持它的工作流程。
要正确构建基础设施，您需要可扩展的标准化工作流程；高效合规地扩展大量临床数据的经验；以及使数据在企业范围内连接和可访问的互操作性系统。专业地大规模管理临床数据通常能提高一致性，优化的工作流程创建更可靠的过程，而连接的系统确保AI能够获取所需数量的数据。这些要素共同创建了AI有效运行所需的基础。
现在您已建立了正确的基础设施，如何应用AI？一些组织可能将AI视为通过自动化员工传统处理的任务来减少劳动力的方式。虽然AI可能会承担某些常规或低复杂度任务，但这并不会消除对人的需求，而是改变了经验应用的方式。AI不是人类专业知识的替代品。事实上，恰恰相反：当AI与人类判断相结合时，才能提供最大价值。
为了以指数级更大的方式利用您已有的专业知识，关键是开发一个使人类和技术能够协作的流程。这种方法——在我的公司我们称之为"协作智能"——建立在人类判断和AI建议之间的持续反馈循环基础上。这些反馈循环增强了共同学习，使人类和AI随着时间的推移持续改进，从而产生单独一方无法实现的更好结果。通过每次迭代，组织都能看到更可靠和有效的成果。
将战略转化为行动
要使AI产生可衡量、持久的影响，您需要的不仅仅是AI战略。领导者应关注几个关键优先事项：
• 在扩展AI前加强互操作性。 为帮助系统更有效沟通，探索集中化临床数据管理，目标是简化对不同数据源的访问。
• 为一致性而标准化工作流程。 工作流程应优化效率。这可能涉及用户友好的软件、集中式技术系统或强化一致性的标准化培训。
• 使人类专业知识成为流程的关键部分。 不要考虑如何用AI替代工作任务，而是考虑如何将团队的知识与AI配对以获得更好结果。当人类与AI协作时，AI能获得更高准确性，而团队能更有效地适应中断并减轻常规负担。
• 基于结果而非速度衡量成功。 虽然效率是加分项，但结果才是最重要的，特别是在高风险的医疗行业。如果您专注于提高准确性、质量和决策能力，效率将自然随之而来。
医疗健康领域AI的采用速度取决于信任，而信任建立在人们能够实际看到和验证的基础上——而非顶层模型的复杂程度。
【全文结束】