侯迪尼·阿巴塔希(Resultant咨询公司国家医疗健康负责人) 如果医疗健康领域人工智能实施面临的最大威胁不是监管或资金问题，而是急于求成呢？
根据IBM近期CEO调查数据显示，过去几年中仅有25%的人工智能项目实现了预期投资回报率，仅有16%实现了全企业范围的规模化应用。医疗健康领域同样无法避免这种人工智能实施的失望。Bessemer Venture Partners风险投资公司的调查发现，在医疗健康领域，仅有30%的人工智能试点项目能够进入生产阶段，数据准备不足等因素成为主要障碍。
面对日益增长的创新压力，人们很容易急于在人工智能领域押下重注，而跳过构建可靠的数据基础设施和治理这一必要但明显不那么吸引人的工作。然而，人工智能的实际影响完全取决于是否具备这一基础。
数据治理：赋能者而非障碍
数据治理背负着负面声誉。这个短语往往让人联想到官僚主义委员会、无尽的审批流程以及阻碍创新的规则。它被视为"否定部门"。但这种认知完全不准确。
现代数据治理的角色在于使数据在整个组织中更易获取、更可靠且更有价值。这更像是指挥家协调交响乐团，而非交通警察。
前葛兰素史克首席数据官马克·拉姆齐对此表示："有效的数据治理重点不在于控制，而在于使信息流向正确的人和系统。"
试想缺乏适当数据治理的后果：医生因患者完整医疗史散落在互不兼容的系统中而无法获取；质量改进团队因不信任所查看数据而无法识别模式；基于这些零散、不可靠数据训练的人工智能系统，必将产生临床医生无法信任的错误预测和建议。
有效的数据治理通过创建让数据为所有人服务的基础设施来解决这些问题。它建立了清晰的数据流动路径，确保数据在需要的时间、以最实用的格式到达需要的位置。这决定了医院是让临床医生浪费时间搜寻信息，还是让这些洞察在诊疗点自动呈现。
现实检验：您准备好迎接人工智能了吗？
在对人工智能进行重大投资前，医疗机构需要问自己一个关键问题：我们是否建立了使人工智能真正发挥作用的适当数据基础设施和治理机制？
没有这些基础，即使最先进的人工智能也会变成无法规模化交付成果的昂贵实验。这就像建造没有地基的摩天大楼——无论工程多么先进，结构终将失败。
成功的人工智能实施依赖于几个基础要素：
- 清洁高质量数据：人工智能系统的优劣取决于其训练数据的质量。低质量数据——不完整的记录、不一致性、重复项或错误——会导致不可靠的人工智能输出。在医疗健康领域，这可能导致误诊、错误的治疗建议或失败的预测。此外，为使人工智能在整个医疗系统中发挥作用（而非仅限试点项目），数据必须标准化并保持格式一致。不同部门、地点或系统常以不同方式存储相同信息。数据治理确立了数据收集、存储和格式化的标准，使人智能系统能够超越单一用例实现规模化。清洁、准确、标准化的数据对于人工智能模型识别有意义的模式并做出可靠预测至关重要。
- 透明度驱动的信任：人工智能系统必须证明符合严格的医疗数据法规，这需要强大的数据治理框架来追踪数据使用、确保适当同意并维护审计跟踪。医疗保健提供者还需要理解人工智能系统如何做出决策，尤其是临床应用。这要求确切知道模型使用的数据、来源及其可靠性。强大的数据治理通过数据血缘追踪和质量指标提供这种透明度。
- 数据整合：医疗健康数据存在于孤岛中——电子健康记录系统、实验室系统、影像系统、计费平台、可穿戴设备等。没有适当的数据整合和互操作性，人工智能系统只能看到患者故事的片段。将所有这些不同来源的数据整合起来，才能实现使人工智能有价值的洞察（例如，接收下次疫苗接种的短信提醒，这需要多个数据源的无缝整合）。
前进之路：将耐心视为战略优势
确实：人工智能驱动的医疗健康领域转型机遇广阔。领导者们正关注能为医疗服务提供者和患者带来切实成果的技术：改善治疗效果、扩大可及性并缓解超负荷系统的压力。
但在人工智能竞赛中最终领先的医疗机构，将是那些脚踏实地、系统构建基础的机构。当竞争对手追逐那些无法规模化的AI试点的 headlines 时，具有前瞻性的医疗领导者正在投资于使这种转型成为可能的平凡工作。
当今医疗领导者面临的抉择十分明确：继续进行徒劳无功的昂贵人工智能实验循环，或是退后一步，构建将人工智能承诺的能力转化为实践的基础设施。
关于侯迪尼·阿巴塔希
侯迪尼·阿巴塔希拥有15年以上医疗健康咨询经验，服务客户涵盖保险支付方、医疗服务提供者、制药公司和生命科学企业。作为Resultant咨询公司私营部门医疗健康业务负责人，他负责监督解决方案交付专家和项目交付团队，同时推动业务发展。他最热衷于改善患者体验，同时帮助公司实现创新目标。
【全文结束】
