拉斯维加斯——尽管AI炒得火热，但医疗机构由于内部协调不足、监管复杂和数据碎片化，难以有效且可持续地实现人工智能的落地运营。大多数AI工具以失败告终，且成本高昂。
“能让我们真正反思的、已发表的成功案例并不多，尤其是像Sutter Health这样大规模部署的案例，可以从中看到AI的真实价值、收益和经验教训。更不用说与更新的前沿模型相关的案例了。”加州医疗系统Sutter Health影像服务线主席Jason Wiesner博士说。
上周在2026年HIMSS全球健康大会暨展览会上，他主持的案例研究会议“从试点到实践：构建可扩展的医疗AI治理体系”探讨了Sutter Health如何从AI试点迈向企业级AI治理的秘诀。
通过使用直接接入现有电子健康记录、影像档案和听写工具的通用基础设施，Sutter Health创建了一个标准化的人工智能框架，使其能够部署、监控和更换各种算法，而无需为每个供应商单独建立新的隔离连接。
该医疗系统的AI方法侧重于利用自身真实世界数据和患者群体验证有效性，并建立细致的部署决策、性能监控和策略演变框架。
改善患者预后
作为放射科主任，Wiesner表示他关注的是如何改变癌症检测。
“我们发现患者有异常，无论是肺结节还是可疑的乳腺病变，正如我们将在这些案例中描述的，我们需要确保追踪这些患者，让他们尽快得到治疗。”他说。
该医疗系统在开发肺癌和乳腺癌早期检测方面取得的成功，通过结合本地验证的AI和精心设计的、以政策为导向的框架，以及必备要素（通用基础设施以高效扩展至全企业、治理委员会和持续的关键绩效指标跟踪），改善了患者预后。
在加入AI检测之前，Sutter Health仅31%的肺癌患者在早期阶段得到诊断。到2025年底，该比例上升至71%——患者在1期或2期就发现并识别出肺结节，并能获得治愈路径。
“这些都是可治愈的肺癌。”Wiesner说。
“当我们从2020年、2021年开始看到肺癌检测的一些早期结果时，我们意识到我们做对了事情，这真正启动了飞轮效应，让我们开始思考其他癌症领域，如何利用AI让放射科医生变得更好。”
经过严格评估，Sutter Health的第二个应用场景——乳腺癌筛查中，AI辅助检测率提高到每千名患者发现3.4例癌症，提升了约30%。
“我很感激地说，自我们启动以来，已有超过1000名患者受到影响。”Wiesner说。
确保患者安全
“我们已经听到很多关于模型失控、工具损害患者护理、对生产力或ROI产生负面影响的报道。”Ferrum Health首席执行官Pelu Tran说。
“这些失败的原因我们是知道的。”他说。
嘉宾们指出，美国食品药品监督管理局批准并上市的1200到1300种临床AI工具中，有很多并未经过临床测试。
“我真的认为，我们可能只差一两篇负面报道，就会迎来该领域的真正清算。”Tran说。
此前，他在与Healthcare IT News讨论AI作为不断发展的生态系统时曾表示，临床AI“需要大量的应用案例才能真正有效地影响患者护理。”
关于AI战略的混乱导致医疗机构中出现这样的决策：说话最大声的人可能让其AI采购请求排到最前面。
“这不是应用采购应该有的方式。”Tran说。
在乳腺癌AI检测市场中，有超过100家供应商，“都拿着强有力的白皮书和出色的营销话术来宣传其好处。”Wiesner指出。
Sutter Health的患者群体覆盖从硅谷到加州中央山谷，“几乎包含了世界上各种类型的人群。”他说。
“哪种AI工具能无偏倚地公平适用于该群体？”
“与医疗设备或药物不同，AI模型基于其运行人群的基本人口统计特征而具有极大的变异性。”Tran说。“因此，确保模型性能和安全性的唯一方法，就是用自己的眼睛在你的患者身上看到它。”
Wiesner说，Sutter Health评估了超过1万例患者病例，将AI结果与自身放射科医生的解读进行比对，以确保算法在不同人口统计特征下的准确性。
值得注意的是，所有输入算法的患者数据都存储在Databricks系统中，不会用于训练系统外的基础模型。
随着Sutter Health在两个初始护理点使用这些工具验证了结果，它在12个月内创造了在全系统部署癌症检测算法的动力。
规模化多种算法
该医疗系统的治理委员会选择了使用Ferrum Health AI平台的通用AI基础设施。
“一个允许你利用该基础设施规模化多种算法的通用平台，是我们发现成功的做法，它为我们带来了效率。”Wiesner说。“这对我们至关重要。”
“你无法与10家、15家、20家不同的点解决方案公司、不同的供应商进行集成，并以可扩展且安全的方式将它们整合到你的医疗系统中。”他补充道。集成多个单独的点解决方案是“不可行的”。
与AI供应商签订多年合同“是疯狂的。”Tran说。
这个领域发展太快——更便宜、性能更好的选项“将在季度而非年度的尺度上”出现，他说。
有了单一基础设施，提供商可以比较模型并根据需要更换。
为确保安全、道德和可扩展的AI部署，医疗机构必须持续分析模型采用和性能的影响。
Wiesner和Tran表示，Sutter Health的集中式AI治理和基础设施实现了“临床可观察性”，使系统能够从单一视角监控26家医院的KPI和安全指标。
“这看起来工作量很大，但根据我的经验，我认为关键收获是：欲速则不达。”——Sutter Health的Jason Wiesner博士
“如果你正确设置了治理——治理委员会、KPI、定期报告——公司里的每个人都会开始说同一种语言，这让你能更高效地扩展后续的AI工具。”
“随着我们被越来越多的AI模型淹没——不仅是预测型或像素型，还有越来越多的前沿模型和代理型AI——如果你想要到达终点线，就必须建立正确的AI治理框架。”Tran解释道。
Wiesner和Tran表示，核心的三个护栏是：
- 统一的方式在任何环境中（本地、云端等）接入模型。
- 统一的部署架构。
- 统一的验证和治理。
现有提供商系统如EHR将继续存在，Tran说。维护这些护栏可以避免在集成新模型时破坏这些系统。
“你们的机构不可能签订1000份不同的合同，与1000个不同的供应商打交道，并处理1000个不同的集成。”他说。“对于前两个、三个、五个、十个应用可能还行，但猜猜看？每个应用都需要维护和更新。”
Andrea Fox是Healthcare IT News的高级编辑。
Healthcare IT News是HIMSS Media的出版物。
【全文结束】