医疗健康领域关于人工智能的讨论已进入新阶段。
过去两年，医疗机构主要专注于识别应用场景。环境文档、临床副驾驶、收入周期自动化、预测分析和生成式AI助手主导了战略规划会议。董事会希望看到AI路线图，CEO们希望看到回报，供应商则不断推出越来越复杂的模型。
但当医疗机构试图将AI计划从试点项目推进到企业级运营时，一种不同的现实正在浮现。面临最大挑战的组织不一定是因为AI本身而挣扎，而是因为AI底层的数据问题。
这一转变正在创造当今医疗健康CIO们面临的一个最重要的战略问题：他们组织的数据基础设施是否真正为人工智能做好了准备？
根据Aquila Health公司CEO Jaime Bland博士的说法，许多医疗机构仍然专注于AI栈的可见部分，而忽视了最终决定成功的基础工作。
"许多医疗机构将AI视为软件部署，而实际上它是一项数据基础设施计划，"她说。
这一观察出现在一个关键时刻。随着智能体AI、环境监听系统和企业级生成式AI部署从实验走向生产，医疗健康领导者越来越发现，限制因素不是模型能力，而是数据质量、一致性、治理和可信度。
从AI试点到AI生产
医疗健康行业多年来一直听说数据是一项战略资产。然而，许多组织现在正面临一个令人不安的现实：多年的数据投资并不一定能产生支持企业级AI的数据环境。
"行业正在清算多年来的数据投资，这些投资并未提供组织被告知应期待的投资回报率，"Bland说。
一个原因是试点通常掩盖了潜在问题。
成功的概念验证通常依赖于专门为测试精心策划的数据集。数据团队在将信息引入模型之前会清理记录、解决不一致性并准备信息。结果往往是令人印象深刻的表现。
生产环境则讲述了一个不同的故事。
"另一方面，生产环境运行在实时数据流上，而实时数据流是杂乱、非标准且不完整的，这些问题在试点中从未显现，因为它从未在实时数据上运行过，"Bland说。
对CIO们来说，这种区别变得越来越重要。那些曾经将AI视为技术采购活动的组织发现，它往往是一个企业数据现代化挑战。
碎片化仍然是最大的障碍之一。临床系统、工作平台、财务应用和运营工具经常维护各自版本的"事实"。即使在单个电子健康记录(EHR)中，临床医生也经常以不同方式记录信息，当AI工具尝试大规模分析信息时，这些不一致性会被放大。
"目前在医疗系统中部署的大多数AI都建立在这种有缺陷、碎片化的数据之上，因此其产生的结果较差，"Bland说。
互操作性未完成的工作
医疗健康在互操作性方面取得了显著进展。联邦政策、信息阻塞法规和TEFCA已经提高了行业交换信息的能力。
但Bland认为，互操作性只解决了部分挑战。
"互操作性投资完成了它设定的目标。它使数据能够移动，"她说。"但它没有做的是使这些数据值得检索。"
这一区别突显了医疗健康IT领导者面临的下一个挑战。
患者信息越来越能够在组织之间交换。然而，组装一个完整、可用的患者记录仍然异常困难。记录使用不同的标识符、编码系统和文档结构到达。同意要求各不相同。治理要求也不同。调和通常需要大量人工努力。
对于追求高级AI战略的组织，这些不一致性不仅仅是操作上的麻烦。它们成为了规模化的障碍。
这一挑战对农村和资源不足的组织尤为显著，这些组织通常缺乏必要人员来规范和管理来自多个来源的信息。
"我们花了数年时间证明我们可以移动数据，但这一点在现阶段是等式中容易的部分，"Bland说。"我们没有做的是使它值得检索或在到达时可用。"
隐藏在明处的治理挑战
医疗健康领导者经常在模型监督、透明度和安全性方面讨论AI治理。Bland说，许多组织忽视了一个同样重要的问题：数据治理。
在评估AI准备情况时，她反复遇到同样的问题。
患者身份在不同系统之间不一致。临床记录与支付方数据相冲突。结果信息不完整。健康的社会决定因素数据可能稀少。关于种族和民族的信息经常不一致。
"差距往往存在于最重要的地方，因为结果、社会因素以及种族和民族通常是数据最稀少的字段，这也是偏见隐藏的地方，"她说。
这些缺点在测试期间通常保持不可见，因为模型是根据包含与训练期间相同限制的数据集进行评估的。
缺点在部署后才显现。
"AI无法找到数据中不存在的模式，"Bland说。
对CIO们来说，这一现实改变了围绕治理的对话。AI治理越来越成为数据治理。关于偏见、可靠性、可解释性和临床信任的问题无法与数据质量和管理问题分开。
CIO的下一个AI战略
Bland说，随着医疗健康组织准备更广泛地采用AI，领导层的注意力应该转向应用底层的基础设施。
组织不应从用例开始并希望必要数据存在，而应首先建立可信、受治理和可问责的数据环境。
这意味着将数据视为战略产品。这意味着分配所有权。这意味着建立旨在促进负责任创新而非简单限制访问的治理结构。这意味着随着时间的推移持续监控数据质量和模型性能。
这些举措中没有一个能产生与最新AI公告相关的兴奋感。然而，它们最终可能决定哪些组织能够从人工智能中获得可持续价值。
"模型将从这里变得越来越有能力，而这一部分变得越来越容易，"Bland说。"其下的数据是更慢、更艰难的工作，它决定了这种能力是否能转化为临床医生可以依赖的东西。"
对医疗健康CIO们来说，这一信息越来越难以忽视。下一个竞争分界线可能不会出现在使用AI和不使用AI的组织之间。它可能出现在投资于可信数据基础的组织与继续在从未完全修复的信息之上叠加越来越强大的AI工具的组织之间。
【全文结束】