对于全美各地的医院来说，在过去18个月中启动AI试点项目耗费了大量精力。但与接下来的挑战相比，这部分还算是简单的。
让供应商进门、运行概念验证、在受控环境中产生有前景的数据——医疗系统已经非常擅长这些。但大多数系统尚未弄清楚的是之后的事情：如何将AI从精心管理的实验，融入临床和运营工作流的核心，并建立相应的治理结构，以确保其长期安全、合规和可信赖。
越来越多的医疗系统领导者表示，这种转变已不再是可选项。问题不再是是否要规模化AI，而是组织是否有足够的基础设施来支撑这一过程，而不会导致系统崩溃。马克·马布斯（Mark Mabus）是帕克维尤健康（Parkview Health）的首席医学信息官，他也是这些领导者之一。总部位于印第安纳州韦恩堡的帕克维尤健康在AI赋能工具上投入巨资以提高生产力，现在正致力于加速应用。
他说：“生成式AI是每个医疗系统都应该采用的技术，以便利用这些工具来提高效率和投资回报率。它已经来了，就用它吧。”
产生实际成果
从试点到生产化的转变是深思熟虑且迅速的。马布斯医生在2025年初在全系统内部署了环境记录系统，随后在10月，向所有护理环境中的所有医护人员同步推出了Epic中的18项生成式AI功能。
他说：“我们从小规模试点转向了广泛使用，并确保我们能够在所有护理服务领域——门诊、急诊和住院部——部署这些工具。”
使用数据说明了问题。在10月之前，帕克维尤健康每月处理的AI令牌数约为6万个。到10月底，这一数字达到了200万。到2026年1月，已达到300万。规模化是真实的，其背后的工作也是真实的。
马布斯医生对待10月的发布，就像医疗系统对待电子健康记录系统上线一样——不是作为软件更新，而是作为需要全员准备、分部门培训和现场信息学支持的一项护理服务事件。信息学团队刻意缩减了常规诊所支持，以专注于高优先级的部署。
他说：“把它想象成一次小型的电子健康记录系统上线。你需要尽可能做好准备，因为这些是影响巨大的工具，而且与过去他们可用的工具类型完全不同。”
在总部位于匹兹堡的阿勒格尼综合医院（Allegheny General Hospital），试点后的纪律看起来不同，但反映了同样的基本承诺。其总裁兼首席执行官伊姆兰·卡迪尔（Imran Qadeer）医学博士在医院内部署了Care.ai用于虚拟护理和虚拟陪护，以及Abridge用于环境记录——不是作为实验，而是作为具有明确结果目标的操作性项目，并记录到每位护士每班节省了50分钟。在收入周期方面，团队预计索赔提交准确率将提高5%。
这些结果之所以没有停留在理想层面，是因为从部署第一天起就内置了一个监控框架。卡迪尔医生说：“我们一直在审视：这项技术是否兑现了它的承诺。我们专注于以结果为导向的产品发布。”
多数人未计划的治理问题
大规模部署AI会产生一个在试点中永远不会暴露的问题：你必须管理你所构建的东西。随着患者群体的变化，模型会发生漂移，偏差也会悄然出现。在发布时表现良好的工具，六个月后可能表现不佳——如果没有旨在捕捉这些变化的治理结构，医疗系统可能直到问题体现在结果中时，才会意识到出了问题。
马布斯医生直言不讳地谈到了部署后时代真正的需求。
他说：“现在所有这些AI功能都已上线，你必须确保进行持续的审查，确保某些模型不会出现偏差或漂移，确保这些工具仍以安全、高质量的方式运行。”
帕克维尤健康通过一个AI指导委员会来管理这一问题，以便在问题出现时快速处理。2026年对治理的关注，反映出讨论方向已发生彻底转变。
他说：“今年是用户继续教育的时代。是建立清单、资料库、反馈机制和维护的时代，同时还要权衡其他选择，不仅是生成式AI解决方案，还有代码领域的代理式甚至自主式AI。”
这种框架也引起了UC Irvine Health数据与分析副总裁马希尔·达玛拉詹（Mayil Dharmarajan）的共鸣。这家南加州的学术医疗中心在去年12月完成了一次雄心勃勃的同时进行的IT转型，整合了四家收购来的医院，启用了一座耗资12亿美元的新设施，并同时迁移到了自己的Epic实例。技术基础设施现已到位。达玛拉詹先生接下来将专注于治理工作。
他说：“我们正将自己从典型的AI试点演示，转向如何将这些AI项目生产化，并确保建立适当的治理结构，使我们组织中的每个人——从运营到临床——都能使用这项技术。”
对于UC Irvine来说，其学术医疗中心的地位加剧了治理挑战。该机构必须管理跨越临床护理、医院运营和研究的各类数据，这些数据各有不同的监管要求、隐私义务和访问控制。对于研究而言，这意味着在标准数据治理之上叠加了机构审查委员会合规要求。这也意味着要负责任地管理一项非凡资产的访问权限：通过其Epic实例，UC Irvine的研究人员现在可以访问全球3亿份去标识化的患者记录。
达玛拉詹先生说：“现在我们有了如此多的数据访问权限。如何确保这是安全的？这就是针对特定真实世界数据的数据治理发挥作用的地方。我们如何确保合适的人有访问权限，如何确保他们接受过以适当方式使用数据的培训？”
说‘不’的纪律
试点后时代的一个反直觉教训是，良好地规模化AI有时意味着要放慢速度。部署每一项新功能的压力是真实存在的——而且这是一个陷阱。马布斯医生直言不讳地说。未来一年，他最难做的事情不是部署更多的AI，而是克制。这与领导者在AI试点初期所需的心态不同。
马布斯医生说：“我们的资源有限。对我们来说有意义的，可能是一些现有供应商提供的东西，而不是某些最新最潮的东西。”
行动过快带来的风险不仅是财务上的，也是文化上的。那些用工具淹没用户的医疗系统——尤其是正在经历变革疲劳的临床医生——可能会侵蚀早期应用得以实现的信任。
马布斯医生说：“我们不希望AI压垮我们的所有用户。我们必须在说‘是’和说‘不’之间取得平衡。”
达玛拉詹先生将同样的原则应用于治理本身。在建立数据治理项目时，诱惑是试图一次性解决所有问题。他的建议是：不要这样。
他说：“数据治理是一个非常宽泛的主题。我们很难同时启动数据管理和数据治理的所有组成部分。我们需要关注一些关键的部分——哪些能在未来三个月、六个月、一年内使UC Irvine受益——然后解决这些具体组成部分，为此制定政策、程序和流程并执行，这样我们就不会试图一口吃个胖子。”
顺序和结构同样重要。马布斯医生已将供应商准入治理融入到采购流程本身——要求任何新的AI请求都必须先回答一个现有可信赖的供应商是否已经提供了类似的解决方案。这一流程能在影子AI采购开始前就将其捕获，并使信息学团队有机会尽早将请求者引导到已有的工具堆栈中。
下一个前沿
即使在已果断超越AI试点的系统中，也出现了一个新挑战：可用性不等于采用率。马布斯医生坦诚地谈到了这个差距。尽管已广泛部署，但大约三分之一的医护人员是高活跃用户，三分之一偶尔使用AI工具，还有三分之一在很大程度上仍未参与。
他说：“我们今年的重点将放在对中间和低层用户的教育上。也许今年我们能达到50-50或60-40的比例。教育，甚至可能是一对一的培训，可能会帮助我们推动这一转变。”
部署与真正采用之间的差距，正是试点后时代真正工作所在。部署一个工具是一个项目。改变一个机构的医疗实践则是一场转型——它需要更长的周期，需要在上线日期过去之后，持续进行培训投资、建立反馈循环并投入领导力关注。
达玛拉詹先生说：“我们越接近业务，利用我们所有的技术知识，结合业务团队面临的挑战，并定期建立这种伙伴关系，通过这个过程交付价值。同样重要的是，确保我们定期与领导保持联系。无论是最高管理层、副总裁还是其他高级领导职位，我们至少每个月都要联系一次，以确保我们了解他们当前的挑战，以及我们有哪些机会可以通过数据来解决这些问题。”
那些取得最持久进步的医疗系统，是在按下开关之前就理解了这一点的系统。试点时代检验了AI能否在医疗领域工作。现在的问题是，医疗系统能否建立起组织基础设施——治理、纪律、文化——使其能够可持续地、大规模地长期运行。
【全文结束】