Daniel Vieira Viveiros, CI&T 数据与分析高级副总裁
更顺畅的临床工作流程。强大的决策支持。更快的研发。AI 为医疗机构带来了许多承诺——在过去几年中，随着领导者竞相训练和实施新的模型，投资激增。
然而，医疗 AI 项目的成功取决于其构建所用的数据。换句话说，它们依赖于良好的数据治理。
以下是实现有效治理的两大障碍——以及医疗机构如何克服这些障碍以实现其 AI 目标。
医疗 AI 依赖于数据质量和患者信任
一般来说，有效的数据治理依赖于三个基本支柱：
- 数据整理和质量管理，以确保准确性、一致性和完整性。
- 访问性和安全协议，允许数据使用而不损害安全性。
- 法规遵从性（例如 HIPAA、GDPR 等）。
为什么这些支柱在医疗 AI 的背景下如此重要？首先，该技术依赖于大量数据集（通常是结构化和非结构化的），这些数据必须经过清理和集成才能发挥作用。毕竟，高质量的数据很可能产生有用的见解——但低质量的数据则可能产生不准确的结果，甚至更糟。
医疗数据的敏感性也使得数据治理成为必要。患者已经对分享他们的数据持谨慎态度，尤其是在 AI 时代。通过严格的访问控制、安全措施、合规检查以及主动的人工干预，医疗机构可以超越最低要求，降低数据泄露和滥用的风险。结果是：患者对医疗 AI 更有信心。
但良好的治理有两个常见障碍
尽管对医疗 AI 来说非常重要，许多医疗机构发现实施数据治理结构具有挑战性。最常见的两个障碍是数据孤岛和所有权混乱。
许多医疗机构的数据分散在多个部门的不同系统中。这些孤岛增加了重复条目的风险，使得创建统一的数据集变得困难，而这些数据集是医疗 AI 产生强大洞察力所需要的。此外，它们可能会隔离那些对整个组织有价值的其他数据——留下无数未开发的机会。重要的是要跨部门整合数据，以更好地确保一致性和可访问性。
当然，像任何大规模的项目一样，往往存在谁负责实现数据治理的问题。在许多情况下，这项工作通常被视为合规或数据团队的职责。IT、合规和数据团队不能单独负责数据治理。实际上，良好的治理需要普遍的支持和所有权——并明确代表谁将使用数据以及谁将管理数据。
一种获得支持的方法是分配部门特定的数据管理员。这些管理员可以共同协作，在一个治理委员会中支持和监督一个连贯的数据治理策略。
实施治理策略，从小处着手并逐步扩展
由于涉及许多部分，领导者很容易陷入分析瘫痪的状态——面对看似无法克服的任务时的冻结状态。但是数据治理策略不需要一夜之间实施。通过分阶段的方法，医疗机构可以取得有意义的进展，并逐渐建立势头。
我们的建议是什么？首先，确定您的组织中哪些部分最能从改进的数据治理中受益，以支持医疗 AI。然后，从小处开始，一次实施一个治理支柱——最好是在一个部门或团队中。例如，您可以任命一名数据管理员来监督肿瘤科的数据整理和质量管理。
这比一次性成立全院范围的数据治理委员会要容易得多。通过有针对性的试点项目，您可以在早期展示良好治理的价值，从而随着时间的推移获得更广泛的支持。
为有效的 AI 和运营卓越铺平道路
到目前为止，我们主要讨论了数据治理作为医疗 AI 的基础工作。但其重要性远不止于此。
现实情况是，一个组织处理数据的方式反映了其运营模式。良好的治理表明一个重视隐私、质量、协作和信任的组织。通过改进数据治理策略，您不仅会在 AI 方面看到回报——您还可能会从诊所到后台办公室看到好处。
归根结底，通过培养致力于良好治理的数据文化，医疗机构可以为广泛的成功铺平道路。
(全文结束)
