医疗行业已进入人工智能应用的新阶段。
早期对生成式AI的尝试热潮已经让位于一个更为棘手的问题：医疗系统如何从孤立的试点项目转变为安全、可管理、临床上可辩护且能适应快速技术变革的企业级AI应用？
这一挑战出现之际，医疗组织已经面临老化基础设施、网络安全威胁、人员短缺以及证明技术投资可衡量回报的压力。尽管供应商继续推广越来越强大的AI模型，但许多医疗机构发现真正的瓶颈其实存在于其他地方。
据医疗IT咨询公司LLInformatics首席执行官Lukasz Lazewski表示，医疗健康领域的AI未来可能较少取决于选择正确的模型，而更多取决于解决在生成式AI出现之前就已长期存在的基础性问题。
"医疗健康领域大多数AI试点项目失败并非因为模型错误或实施有缺陷——而是因为组织根本未做好准备，"他说道。
这一观点反映了行业日益增长的现实。随着医疗系统超越实验阶段，CIO们越来越需要面对数据准备、治理责任、模型监督、互操作性和长期可持续性等问题。
下一波AI应用的胜利者可能不是部署最多AI工具的组织，而是那些在这些工具之下建立最坚实运营基础的组织。
医疗健康最大的AI障碍
医疗高管经常将数据描述为他们最有价值的战略资产。然而在实践中，临床、运营和财务信息仍然分散在电子健康记录系统(EHR)、部门系统和第三方应用程序中。
对AI计划而言，这种数据碎片化带来了重大挑战。
"首先是数据问题。医疗系统将数据存储在多个系统中，没有进行适当的聚合、清理或规范化，"Lazewski说道。
这个问题在遗留环境中变得更加严重。许多医疗系统继续运行高度定制化的EHR部署，这些系统是在数十年的收购、合并和渐进式技术投资中建立起来的。这些环境可能对交易工作流程运行良好，但往往为现代AI架构制造障碍。
"如果不先解决这个问题，你就是在破碎的基础上运行实验，"他说道。
这一问题不仅限于技术层面。企业级AI需要临床、运营和行政利益相关者之间的组织协调。试点项目通常在一个部门内取得成功，但当更广泛采用需要整个企业合作时却会停滞不前。
Lazewski指出，计划可能会因领导团队之间相互竞争的优先事项、有限的参与度和冲突的激励机制而陷入困境。
治理正成为董事会级议题
随着AI开始影响临床工作流程、患者沟通和运营决策，治理正迅速从技术讨论转变为战略议题。
许多医疗组织仍然被动地处理治理问题，仅在部署挑战出现后才建立监督流程。
"在试点启动前应该回答的问题，包括谁批准模型、谁监控它、当它产生错误输出时谁负责，以及如何跟踪和纠正，通常只在问题出现后才被提出，"Lazewski说道。
随着监管机构、认证组织和法律专家开始审查如何验证、监控和记录AI生成的输出，这些问题变得越来越重要。
对CIO而言，问题不再仅仅是AI是否能产生有用的输出。关键在于组织能否持续解释、审计和捍卫这些输出。
Lazewski认为，监控、可追溯性和问责制必须从一开始就融入AI计划，而不是事后补救。
他还警告说，组织往往忽视生命周期管理。
"软件有其生命周期。它被构建、成熟、老化，最终被淘汰，在生命周期的每个阶段，都需要有人负责确保业务连续性，"他说道。
在快速AI变革时代确保未来适用性
医疗健康领导者面临另一个在技术标准下也不同寻常的挑战：AI创新的速度。
两年前被认为是尖端的模型已经被超越。许多专家预计当前一代大型语言模型将在未来几年经历类似的颠覆。
这一现实带来了重大的架构影响。
"未来适用AI架构最重要的品质是其即插即用能力，"Lazewski说道。
他主张采用模块化架构，将数据、集成、AI服务和治理功能分开，而不是将业务流程与特定模型紧密耦合。
"具体来说，这意味着在数据层、涵盖内部和外部工具的集成层、AI模型层以及治理和监控层之间保持清晰的分离，"他说道。
这种方法反映了大型医疗系统中出现的更广泛趋势。技术领导者越来越多地将AI视为另一个企业能力层，而非独立应用程序。
这种区别很重要，因为未来的AI战略可能涉及持续更换模型、重新训练工作流程和引入新功能，而不干扰核心临床运营。
根据Lazewski的说法，许多组织仍在错误地处理AI。
"他们将AI视为具有明确定义终点的IT项目，而不是整个组织、其工作流程、文化和人员的转型，"他说道。
技术债务威胁AI投资回报
也许对医疗健康CIO而言，没有比技术债务更大的问题了。
多年推迟现代化、未记录的集成和遗留代码创造了隐藏成本，这些成本经常在AI部署期间浮现。
"技术债务可能是医疗健康AI中最大的隐藏成本，"Lazewski说道。
这些后果在整个实施过程中显现。集成时间延长。数据修复消耗预算。开发团队花费越来越多的时间修复基础设施问题，而不是提供新功能。
"如果你的数据是干净的，系统集成良好，API协同工作，现有工作流程很好地实现其业务目标，那么AI可以真正加速一切，"他说道。"如果它们不是这样，AI不会修复它们。它只会放大所有存在的问题。"
技术债务还会带来网络安全和合规问题。较旧的系统可能更难监控、更难保护，并且不太能够支持AI环境日益需要的可审计性。
"如果监管机构要求你证明你的AI是如何得出特定决策的，而你的底层架构建立在技术债务之上，你可能会发现自己无法回答，"Lazewski说道。"这不仅是合规风险。这是合规失败。"
CIO的战略启示
过去几年，医疗健康行业一直在询问AI能做什么。未来几年可能会由一个不同的问题定义：在AI能够安全扩展之前，必须存在哪些组织条件？
Lazewski认为，成功的组织已经在朝着这个方向前进，将技术债务修复、数据治理和架构现代化视为先决条件，而非次要项目。
他主张进行渐进式现代化努力，在逐步提高企业准备度的同时产生可衡量的成果。
最终，他看到成功的医疗健康AI计划建立在三个支柱之上：可信数据、灵活架构和强大治理。
"我所见过的每一个成功的医疗健康AI计划都建立在三件事之上：高质量、可访问和良好治理的强健数据；模块化、安全和互操作的强健架构；以及强有力的治理，"他说道。
对面临越来越大的压力以证明AI价值的医疗健康CIO而言，这可能是最重要的经验。AI模型本身往往是最容易的部分。更困难的挑战是围绕它准备组织。
【全文结束】