医疗AI向模块化架构的演进
人工智能已引发行业热潮，医疗机构如今面临着数量庞大的AI解决方案选择。面对劳动力短缺、护理成本上升和持续的利润压缩等深层次结构性挑战，医疗服务与技术公司提供的AI点解决方案（改善单一活动或任务的应用）得到广泛采用并不令人意外。
事实上，这是一场"幸福的烦恼"。AI解决方案的涌现速度已超过大多数机构的吸收能力，迫使医疗机构改变工作方式。最有效的组织将在本地采取行动，但以企业全局思维思考——在深度战术性AI应用上进行聚焦投入，同时重新构想业务领域。下一阶段的创新将源于代理式AI、精简数据连接和跨职能协调在企业转型中的融合。
我们认为，这波AI创新浪潮将引发两个关键转变，许多利益相关者可能尚未考虑，但现在应开始准备。首先，领导者将为模块化、互联的AI架构奠定基础，将点解决方案、数据基础设施和智能代理整合为一个协调整体。其次，这将为医疗机构创造机会，将其庞大的患者记录库转化为关键赋能工具，通过创建临床数据铸造厂来推动创新、改善临床护理和患者结果，并解锁新的价值来源。数据治理将是这两方面的核心，及早建立强大治理框架并设置适当风险防护措施以确保隐私和保密性的组织，将能够实现持续成果。
实现这一潜力需要的不仅仅是采用新工具和技术。急于采用点解决方案已造成AI环境碎片化和新的操作摩擦。除非领导者现在及时调整方向，否则他们只会自动化当前的低效率。现在就投资于为AI原生工作流重新设计核心业务领域和流程的医疗机构，将最能抓住企业价值并提供有效的临床结果。医疗机构的利益相关者正处于战略十字路口：他们是继续保持第三方工具的被动销售者、购买者和用户，还是成为灵活集成医疗AI架构的积极塑造者——这一可能性现在已令人向往？
本文探讨了新兴创新、演变中的利润池和早期变革信号将如何塑造医疗格局。医疗AI正从战术性、工作流特定的工具转向联邦式、模块化架构和临床数据铸造厂。因此，真正的战场将是数据和协调层的控制权。
下一阶段：模块化、互联的AI架构
点解决方案之所以成功，是因为它们针对实际工作流摩擦提供具体解决方案，并在其应用领域内提供切实、短期的价值（见侧栏"点解决方案的成功"）。但它们也创造了新的碎片化问题。因此，长期机遇在于将这些能力组装成模块化、互联的AI架构，该架构能够协调跨工作流和领域的点解决方案。
点解决方案的成功
过去几年，医疗机构已在具有明确功能影响和可扩展性的领域部署AI。以下是一些成功点解决方案的示例，以及AI赋能如何推动美国食品药品监督管理局(FDA)的授权和投资。
已验证的解决方案
点解决方案之所以有效，是因为它们专为医疗保健的深度垂直工作流而构建，有助于解决操作约束。例如，AI赋能的环境监听工具无缝集成到行政和临床工作流中，已被数百家护理组织采用。环境AI帮助一家总部位于加利福尼亚的大型医疗系统在15个月内节省近16,000小时的文档时间。
此外，AI在临床决策方面的应用已在心脏病学和放射学等领域获得认可。ChatMD和OpenEvidence等工具使护理组织能够实时快速获取临床指南和同行评审文献，帮助他们在护理过程中解答复杂问题，增强诊断信心。尽管仍需人工监督，但AI在临床操作中正变得越来越有价值。
AI还已应用于运营和收入周期团队的功能，从调度和接诊到索赔处理和文档工作流。此外，AI驱动的排班平台已帮助护理组织填补班次并减少对代理劳动力的依赖，有助于提高劳动力稳定性和成本节约。
健康保险公司已在各种职责中实施聊天机器人，例如福利和索赔解释、会员请求分诊以及将会员与网络内提供商匹配。付款方还与电子健康记录供应商合作，加强提供商协作，以改善护理协调、减少覆盖缺口，并使用AI工具简化索赔处理。然而，AI工具在预先授权方面的使用引发了提供商和会员的担忧，美国医疗保险和医疗补助服务中心发布了关于预先授权自动化的指南。
生命科学组织也在从发现到商业化的价值链各环节部署AI。示例包括AI结构生物学网络和OpenFold联盟的OpenFold3，这是一个联邦数据共享平台，旨在利用制药公司的专有数据集推进药物发现；罗氏(F. Hoffmann-La Roche)的数字病理学平台，托管20多种用于癌症研究和检测的AI算法，使病理学家能够访问第三方创新；诺华(Novartis)在临床试验可行性和站点选择中使用AI；安进(Amgen)在制造中使用深度机器学习改进质量控制；以及制药公司使用AI工具将监管提交速度提高三倍。
市场支持
美国医疗保健中AI创新的激增反映在2015年至2024年间FDA授权的1,000多种AI赋能医疗设备上（图表）。其中近80%用于医学成像，特别是放射学、超声和计算机断层扫描应用。同期，约2,400家与医疗保健相关的AI公司成立。其中约1,750家获得风险投资支持，风险投资前的活动也在增加，特别是2023年（85家公司）到2024年（155家公司）之间，表明持续的势头和早期阶段的兴趣。投资步伐保持同步：2023年至2024年间，医疗AI风险投资增长近20%，2025年初数据显示持续增长。尽管交易量仍然适中，但平均支票规模正在急剧上升，越来越多的资本集中在大规模投注上。
AI有望成为医疗生产力的引擎，2025年AI超级轮次（至少1亿美元融资）的浪潮反映了从独立工具向工作流平台的战略转变。今年迄今最大融资是OpenEvidence获得2.1亿美元B轮融资，该公司拥有AI驱动的医疗信息搜索工具，并将其定位为基于证据的临床决策系统级界面。该公司随后又获得了2亿美元C轮融资。另一个例子是Aidoc，它在扩展心血管护理、肿瘤学和肋骨骨折分诊的FDA认证解决方案时筹集了1.5亿美元。主要医疗系统和英伟达(Nvidia)风险投资部门的支持表明，人们对AI在临床决策支持中作用的信心日益增强。
模块化架构将结合几个关键层：在特定功能中表现出色的领域专用AI模型，作为协调这些模型之间交互的连接器的智能代理，以及诸如模型上下文协议(MCP)等协议，这些协议能够安全、实时地访问任何位置的数据。这些组件共同创建了一个连接域内和跨域工作流的架构。构建互操作架构的组织将缩短从实施到影响的时间，降低行政负担，并减少收入流失。
投资者的当前立场
鉴于AI工具的激增，投资者正在重新思考如何在日益拥挤的领域中区分机会，并变得更加选择性地决定资本投入的地点和方式。退出时间表仍不确定，促使许多基金优先考虑具有嵌入式分销、集成准备和成为插件资产潜力的公司。一些投资者也在追求非传统玩法，例如与付款方和提供商一致的模型、与基础设施相关的工具（例如索赔API和协调层），以及由私募股权主导的"合并"，以创建协同生态系统。在这种背景下，尽职调查超出了产品实力，还包括生态系统定位、集成速度和长期防御能力。
竞争动态
主要电子健康记录(EHR)公司最近的产品公告加剧了AI点解决方案提供商的压力。EHR公司的原生AI功能范围从患者参与工具和抄写员到收入周期管理、连接和上下文化患者数据的分析，以及用于临床试验管理和数据共享的解决方案。这些功能有望加速自然选择和整合，重塑竞争格局。AI甚至可能成为催化剂，不仅重新定义EHR市场动态，还重新定义点解决方案供应商的生态系统，因为供应商可能会倾向于促进多供应商互操作性并允许提供商选择的EHR平台。
尽管EHR工作流具有粘性，但所需变革管理的规模表明，AI是否会强化根深蒂固的专有、EHR原生、潜在供应商锁定系统，还是会将平衡转向点解决方案供应商的市场模式仍不确定。然而，尽管HST公司的领域不可避免地会整合，但不太可能有任何单一平台能在所有维度上提供服务，具有真正差异化的解决方案处于良好位置以蓬勃发展。具有已验证吸引力、无缝工作流、敏捷开发周期和与EHR原生工具明确区分的AI解决方案有望抵御压力。
提供商面临的决策
护理组织可能更喜欢EHR原生解决方案，因为其采购简化、工作流集成和部署负担最小，但他们对过度依赖单一平台仍持谨慎态度。此外，对创新速度、从试点到全面部署的过渡以及获取尖端技术（通常由AI原生HST公司开创）的担忧将维持对强大点解决方案的需求。OpenEvidence最近推出的面向认证提供商的免费服务说明了这一点，该服务将AI驱动的环境监听与最新临床文献的见解相结合。最终，医疗AI格局将由EHR现有者进行AI集成的方法、HST供应商持续的创造力和创新敏捷性以及医疗技术采用和变革管理的持久现实共同塑造。
付款方-提供商"机器人战争"
健康保险公司和护理提供者之间也出现了一种有趣的动态。虽然提供商部署AI以简化临床文档并自动化预先授权和索赔处理，但付款方正在采用类似工具来验证索赔和管理拒付。这种不断发展的互动被称为"机器人战争"，在自动化工作流中，付款方和提供商的算法有时会发生冲突。尽管付款方早在利用管理和支付方面就采用了AI解决方案，但提供商的采用速度表明，付款方将需要重新思考和重新设计流程和工作流，以匹配AI承诺为索赔流程带来的效率和精确度水平。
希望是机器人战争将导致付款方-提供商系统更快、更频繁地得出正确答案，因此人工干预通常仅限于少数复杂情况，这些情况会迅速呈现给环路中的人类以解决。这应减少摩擦并实现更快、更准确的结果。当环境监听和AI赋能的索赔处理变得无处不在时，解决方案的质量、其训练的基础模型以及实现这一点的数据将成为真正的差异化因素。在这种环境中，成功将取决于基础赋能器的强度——即高质量数据、强大的治理、可追溯性、透明度和系统级设计。
超大规模企业在演变格局中的作用
随着高质量数据的重要性增加和对可扩展AI基础设施的需求增加，科技巨头正在迅速扩大其在美国医疗保健中的存在。它们不再仅仅是基础设施提供商，而是通过开发医疗保健特定的云平台、临床文档工具和临床工作流解决方案，将自己定位为医疗AI的操作层。英伟达与梅奥医学教育与研究基金会（梅奥诊所）合作构建梅奥诊所数字病理学平台，以及谷歌DeepMind在MedGemma上的工作（一个专为医疗保健相关AI开发的开放模型），是两个突出的例子。EHR公司最近的产品发布可能会进一步加强它们的地位。例如，一家主要EHR现有者最近发布的AI抄写员是与一家超大规模企业合作构建的。其他公司正在其患者门户中实施来自大型技术公司的大型语言模型(LLM)或AI驱动的搜索摘要。
查看底层，超大规模企业还在定义将管理智能如何在系统间流动的协调协议和互操作性标准。开放架构（如MCP）允许新的AI代理直接访问护理组织的功能数据。这减少了对传统数据湖的需求，实现了上下文感知工作流，简化了专用健康AI模型的使用，并允许LLM集成到各种工作流中。
与此同时，美国医疗保险和医疗补助服务中心(CMS)的互操作性强制要求，以及CMS互操作性框架和CMS对齐网络的形成，正在强化向开放架构和医疗保健生态系统中标准化数据流的转变。这有可能带来从分散的、任务特定的解决方案向支持更快创新、更大规模和更有针对性的护理交付的企业级AI集成的更广泛转变。未来的医疗AI不太可能是一个集中式系统，而是可能是一个模块化、AI原生的架构，它集成代理式AI网格并实现孤立系统之间的互操作性。
临床数据铸造厂的新兴机遇
医疗AI模型将建立在精心策划的高质量临床数据之上。因此，获取纵向临床数据可能成为核心竞争优势。超大规模企业开始与医疗保健组织合作，从深度临床数据集中解锁洞察——而不损害患者隐私——突显了医疗系统在实现这一机遇中的关键作用。
美国十大医疗系统（按医院数量计算）运营着1,200多家医院，拥有近175,000张床位，使它们对纵向、高质量临床数据拥有相当大的控制权。虽然传统上理解结构化和非结构化数据一直很困难，但生成式AI和代理式AI可以将输入转换为可用的结构化格式。这种能力为医疗系统开辟了全新的方式，将其数据资产转化为战略优势的来源，通过创建新的利润池。
医疗系统或AI赋能的数据聚合器可以在患者同意和强大的数据治理支持下，将去标识化的数据集许可给HST公司用于模型训练——我们称之为"数据铸造厂"。或者，它们可以与制药和医疗技术公司建立收入共享伙伴关系。这可能会推动HST公司新原型的演变，其商业模式侧重于与医疗系统合作开发专有AI工具，并植根于当地人口。
然而，前方的道路并不简单。一家主要EHR公司最近宣布在其去标识化数据库上构建基础模型可能进一步强化这一动态。尽管该数据库规模庞大，但据估计，使用该EHR的医疗系统中不到40%贡献了其数据。这为医疗系统和新兴的HST公司留下了足够的空间，积极参与临床数据铸造厂的开发和货币化，使医疗系统能够塑造使用其数据的协议条款。
尽管许多AI赋能的HST公司已经构建了解决复杂护理和行政挑战的点解决方案，但能够结合设备输出、诊断结果、基因组数据、药房和索赔数据、医生笔记和试验注册表的成熟临床数据铸造厂的原型尚未完全出现。执行不仅取决于监管合规，还取决于建立强大的数据治理、培养患者和临床医生信任以及协调利益相关者的激励措施，以确保长期价值实现。
特别是，治理被视为关键差异化因素。需要多学科AI团队进行监督，并对风险评估、临床验证和供应商拥有权威。如果没有这些防护措施，可能会面临监管风险、护理组织的抵制和安全问题。
拥有原生医疗AI模型的护理组织和数据聚合器有机会将临床数据从被动记录转变为活跃资产——在整个领域中进行货币化、集成和部署，以支持医疗保健价值链中的决策。临床数据铸造厂的出现可能定义医疗保健中的下一个主要利润池，而那些策划和激活这些资产的人将塑造医疗AI生态系统经济学。
利益相关者的建议
医疗CEO的建议
对于医疗价值链上的CEO们，我们建议以下几点：
- 先证明，再扩展。 从投资回报率立竿见影的地方开始。部署代理式AI来掌控完整工作流（如文档、患者沟通和调度），并在验证了负担减轻、吞吐量提高和质量改善后才进行扩展。
- 为最终状态而建，而非仅为试点。 将点解决方案视为入口。选择优先领域，端到端重新设计和改造，以实现模块化AI平台和参与临床数据铸造厂。
- 发出规模准备信号。 建立严格的数据治理（包括目录、数据权利和共享、具有所有者的模型库存、可追溯性和人工监督），并建立促进多站点推广和明确数据铸造厂协议的伙伴关系。
AI在医疗保健领域的快速演变正在重塑行业，为各方创造独特的机遇和必要条件。每个群体都带来独特的能力和优先事项，但他们的选择将共同决定创新扩展和整合到临床实践的速度。我们为投资者、HST公司、超大规模企业和战略公司提供以下建议（见侧栏"医疗CEO的建议"）。
投资者和医疗保健服务与技术公司
投资者应优先考虑与HST公司的近期机会，这些公司的AI赋能点解决方案展现出明确的吸引力和可扩展的用例，并在应对医疗保健复杂采购环境方面取得成功。HST公司应随着时间推移扩展到平台解决方案，吸引资本并促进与大型技术公司或医疗系统的战略合并和伙伴关系，这些公司处于有利位置，可以塑造新兴的医疗AI架构和临床数据铸造厂机会。
从长远来看，最成功的退出可能来自构建生态系统而非独立工具的公司。随着医疗组织将AI赋能的点解决方案视为模块化AI架构和临床数据铸造厂战略的入口，组织应选择优先领域并端到端重新设计它们以实现AI集成，而不是零散的试点。
从高投资回报率点工具到跨领域连接架构有序实施战略的组织，将最能引领临床数据铸造厂的开发，并创造和传递价值。同时，这些组织应建立强大的多学科数据治理框架，该框架编目结构化和非结构化资产，定义数据权利和共享政策，并维护具有明确问责制、所有者、可追溯性和人工监督的AI模型透明注册表。
这些选择将为投资者生成有形的证明点——例如试点扩展到多站点部署、跨领域的可衡量改进、具有明确定义权利的活跃数据铸造厂合作伙伴关系以及展示扩展准备就绪的明确治理实践。此类指标表明更广泛、更持久采用的潜力以及价值将如何累积。
超大规模企业和战略公司
鉴于医疗价值链的规模和范围，超大规模企业可能面临十字路口：他们应该将医疗保健视为其更广泛的企业市场进入策略中的一个垂直领域，还是应该以单一重点方法对待医疗保健？随着美国2023年医疗支出达到4.9万亿美元，医疗保健不仅代表经济机遇，还代表一个准备转型的行业。解锁其全部潜力将需要连接碎片化数据并重新构想领域、系统和流程。这是一个适合超大规模企业能力的大规模挑战。
为了在这个不断发展的格局中领先，大型科技公司和战略公司应考虑加速医疗价值链上的合作伙伴关系，关注对具有深度吸引力和广泛影响力的AI赋能点解决方案的并购机会，然后将这些解决方案集成到统一平台中。同时，公司应寻求通过数据共享协议扩大对纵向临床数据的访问。随着对AI基础设施和计算的投资继续推动日益强大模型的开发（并可能最终甚至人工通用智能），关注点不可避免地将转向医疗保健这个最顽固的行业之一——它占美国GDP的近17.6%。有潜力整合这些进步的平台将定义下一代医疗AI基础设施。
AI时代的定义特征是每月甚至每日的动荡，迫使行业理解当今的混乱并领先于即将到来的趋势，以便塑造更光明的明天。从长远来看，能够跨各种临床和行政垂直领域进行横向扩展的组织将在构建模块化、互联的医疗AI架构方面处于前沿。这种架构将实现跨功能的数据驱动、系统级价值创造，并改变医疗价值链的运作方式，最终促进临床数据铸造厂的崛起。
阿尼什·克里希纳（Aneesh Krishna）是麦肯锡湾区办事处的高级合伙人；大卫·弗兰德医生（David Friend, MD）是波士顿办事处的高级顾问；尼拉杰·戈哈德（Neeraj Gohad）是南加州办事处的合伙人；普拉桑特·雷迪（Prashanth Reddy）是新泽西办事处的高级合伙人。
作者谨感谢朱莉娅·佩里（Julia Perry）对本文的贡献。
本文由纽约办事处高级编辑奎里达·安德森（Querida Anderson）编辑。
【全文结束】
