在美国医疗系统的董事会上，关于人工智能的讨论已经白热化。供应商承诺转型，高管们感到必须采取行动，但相关计划却以惊人的频率停滞不前。
问题不在于模型本身失败；而是围绕AI的医疗系统尚未准备就绪。尽管有人认为AI被过度炒作，但首席信息官和IT领导者讲述的却是另一个故事。
“医疗AI最大的迷思是认为它是一颗能解决所有问题的神奇药丸，”费城杰斐逊健康（Jefferson Health）高级副总裁兼首席信息官路易斯·塔维拉斯博士说，“AI往往会放大我们原本已面临的挑战。第一个压力点就是治理：AI请求从四面八方涌来，如果没有强大且纪律严明的治理模式，组织很快就会失控。”
针对这一日益严重的问题，一些医疗系统迅速建立了专门针对AI的治理模型来处理和分类请求，但塔维拉斯博士选择了另一条路。他建议将AI整合到当前可信的框架中，并提升那些运行良好的项目。这样，领导团队就能在评估AI技术和试点项目时获得所需时间，同时降低威胁组织完整性和患者安全的风险。
“AI潜力巨大，无疑将改变医疗的每一个角落，”塔维拉斯博士说，“但我们需要有目的地推进它——不是对每个供应商的宣传都做出反应，而是优先解决那些明确定义需求并能产生可衡量价值的方案。为了真正优化AI的效益，我们必须有条不紊、深思熟虑，并愿意放慢脚步，以便做出明智、可持续的决策。”
斯坦福（加州）医疗保健（Stanford Health Care）收入周期系统执行总监艾蒙·拉戈表示，该领域犯了一个类别错误：将AI视为与以往所有技术都不同的东西。IT治理的基本要素仍然重要，而忽视它们、偏袒AI专用框架，是一种对炒作的屈服。
“创造和维持价值的许多IT治理最佳实践仍然适用，”他说，“这些基础包括透彻理解目标问题、计算风险调整后未来收益的现值，以及估算实施和维持的成本。”
大型语言模型是强大的工具，如果与其他技术一起客观评估以避免认知偏差并确保价值，它们就能创造价值。堪萨斯城儿童慈善医院（Children's Mercy in Kansas City）高级副总裁兼首席信息官布莱恩·兰卡斯特表示，治理失败往往源于运营问题。当组织跳过定义要解决问题的前期工作时，项目就注定只能交付演示而无法产生实际成果。
“医疗AI最大的迷思是认为AI本身就是解决方案，”兰卡斯特先生说，“像之前的每一项重大技术一样，它是推动者而非答案。只有当组织首先定义问题——识别临床或运营痛点、受影响的利益相关者以及重要的结果时——价值才会出现。”
医疗系统需要一套有纪律的流程来验证数据就绪度、评估工作流程适应性、设定可衡量的成功标准，然后测试小规模试点，最后再推广到整个企业。
“如果没有这种问题优先的方法，技术就会成为一种寻找关联性的工具，项目几乎不可避免地无法交付有意义的结果，”兰卡斯特先生说。
【全文结束】