在医疗保健行业，是时候从生成式人工智能（GenAI）的试验转向有意义的实施了，并且要特别关注数据的完整性。
过去十年，医疗保健行业经历了相当大的波动。从基于价值的支付模式的兴起，到疫情引发的剧变，再到从风险分层到支付完整性等各方面所使用技术的变革，对于医疗保健计划来说，彻底的变化是唯一不变的。生成式人工智能的出现是最新的突破性发展，在保持灵活性和竞争力的同时不承担不必要的风险方面考验着支付方。
自从生成式人工智能出现以来，它为其所触及的每个行业都带来了改变游戏规则的潜力。但由于其功能的广泛性，许多组织往往因可能性的广泛性而陷入瘫痪。在医疗保健领域尤其如此，该领域中生成式人工智能试图引领的令人眼花缭乱的未来常常受到组织遗留基础设施内部缺陷的限制。
事实上，弗雷斯特研究公司的一份新报告发现，大多数医疗保健组织更侧重于短期试验，而非实施更广泛的生成式人工智能战略愿景。阻碍这些愿望实现的罪魁祸首？仍然是数据。
数据管理是关键
虽然采用生成式人工智能肯定有能力为所有医疗保健利益相关者释放未实现的潜力，但现实情况是，由于过时的数据战略，其全部力量从未得到实现。
弗雷斯特报告发现，公司的关键业务目标以改善其成员体验（42%）为首，紧随其后的是改善客户数据和安全性（40%）以及提高运营效率（35%）。这些当然都是生成式人工智能的有效用途，但结果也揭示了一个令人惊讶的脱节：只有19%的受访者希望增强从客户数据中生成见解的能力。
这是一个问题，因为在没有高质量、可查找的客户数据和见解的坚实基础的情况下实施客户体验，限制了组织产生可持续可扩展影响的机会。问问任何汽车爱好者，拥有一辆引擎盖下是Vespa发动机的法拉利是什么感觉。这就像在糟糕的数据基础设施之上找到一个生成式人工智能战略。
选择正确的人工智能合作伙伴
那么，组织如何为其人工智能工作增压呢？对于组织来说，要拥有负责任的人工智能应用，该技术需要融入其组织战略的结构中。只有这样，人工智能才能提高支付方、提供者和患者之间的互操作性。
这首先要认识到大多数医疗保健组织的运营限制。这些实体是在模拟时代建立的，因此在组织开始实施任何新技术之前，他们必须首先审视其数据的质量和完整性。我们在EXL的工作一直专注于帮助我们的医疗保健客户制定以数据为导向的方法来推动实际转型。这包括我们如何处理保护私人信息的隐私，以及如何消除任何数据驱动输出中的性别和种族偏见。
当然，要做到这一点，组织选择的人工智能合作伙伴需要具备解释这些特定数据决策所需的机构知识。医疗保健组织手头有如此多的数据，如果没有经验丰富的合作伙伴来解读，就可能类似于从消防水管喝水。这就是为什么许多人工智能战略根本无法起步。根本没有足够的时间或资源来筛选噪音并看到大局。有了合适的合作伙伴，这种情况可以改变。
时机已到
医疗保健组织从生成式人工智能试验转向实施的时机已经到来。有一些证据表明，这种情况正在较小规模上发生。但在生成式人工智能的全部力量支持下，这应该只是一个起点。
随着组织在这些初步成功的基础上继续发展，至关重要的是，领导者与能够在数据、分析和架构方面提供战略、整体支持的合作伙伴合作，为其组织指导生成式人工智能工作。随着医疗保健的复杂性随着数据和协议的爆炸式增长而增加，风险从未如此之高。
有关EXL为医疗保健行业提供的解决方案的更多信息，请点击此处。
Anita Mahon，EXL的执行副总裁兼全球医疗保健主管，EXL是一家领先的数据分析和数字运营及解决方案公司。
