构建面向AI的医疗机构的基础

在医疗行业，高管们在采纳AI时面临的最大挑战是噪音——收件箱里塞满了供应商的宣传、竞争对手的公告以及战略截止日期，使得确定从何处着手本身就是一个障碍。成功部署AI策略从来不是关于“第一个吃螃蟹”。许多早期采用者如今正在处理技术债务和不受管控的试点项目，而这些本可以通过深思熟虑的起步来避免。教训并非AI不起作用，而是没有基础的AI策略不可持续。成为“AI优先”意味着要构建数据、治理和业务运营模式的正确基础。而这个基础比大多数领导想象的更触手可及。

那么，在医疗领域，“AI优先”究竟意味着什么？一个AI优先的医疗机构被设计为能够构建、信任和扩展AI。这并不意味着购买更多工具或启动更多长期的概念验证。简而言之，这意味着建立一个强大的数据和治理基础，同时设计一个能够释放企业数据最大潜力的业务运营模式。目标不是工具数量，而是让合适的人能够构建并回答自己的问题。例如，一名护理经理可以问：“为什么上季度一个地区的再入院率飙升？”并立即基于内部数据得到可信的答案，从而在几分钟内开始采取行动。在这种场景下，最终用户能够临时分析临床、患者和站点级别的数据，而无需提交工单或等待分析师数天。成功达到这一点的组织，其基础是构建在一个将面向患者的用户转变为数据分析师而非“数据侦探”的数据平台之上。

大多数医疗机构停滞不前并非因为缺乏雄心。在2025年HFMA对233家医疗系统的调查中，88%表示已经在使用AI，但只有18%拥有成熟的治理结构和完整的AI策略。阻碍进展的是三种结构性障碍：碎片化的数据、不合适的治理以及缺失的运营模式。数据问题在于临床数据在EHR中，运营数据在另一个系统，财务数据在第三个，调度、供应链和患者体验数据则更加分散。更深层的问题不是数据分散，而是缺乏可靠的统一机制。同一患者在不同源系统中可能有不同标识符，因此在分析再入院之前，需要手动对账。这导致新用例需要支付两次集成税：一次构建连接，一次在源系统变更时维护。结果只能覆盖患者、工作流或运营的狭窄片段。治理问题在于要么过于松散，无人信任产出；要么过于僵化，任何新请求都变成漫长的谈判。两者都缺乏信任：合适的人、合适的数据，在人人可见的护栏内。运营模型问题在于没有共享的方式来选择优先级、配备团队或将试点投入生产。每个努力都成为一次性构建，成功无法复制。行业范围内，83%的医疗高管在运行生成式AI试点，但只有不到10%在投资部署这些试点的基础设施。大约88%的AI试点从未进入生产。在同样的HFMA调查中，超过三分之一的医疗系统领导者表示缺乏优先排序和有效扩展AI的流程。

但这些阻碍并非无解。现在正是医疗AI的好时机：晚来者可以避免先行者的错误，利用现代工具构建基础。如今，工具支持跨多数据源的治理，通过现有身份提供商集中管理认证和权限。治理不仅适用于数据模型，也适用于AI，确保自然语言查询和代理交互的安全可靠。例如，Premier在三天内配置了Databricks Genie投入生产，使医疗团队能够自助访问受控分析以基准测试护理和识别可预防的再入院。时机并非等待一切完美，而是当工具足够成熟，无需巨额前期投入即可构建实质性成果时。那个时刻就是现在。

医疗机构不会偶然成为AI优先，也不会因为起步最早而达到目标。它们通过构建统一数据、可信治理和可复用的运营模型来实现。这比大多数高管想象的要可行得多。本系列的下一篇文章将提供一个三支柱蓝图，配合成熟度地图和自我评估，你可以在下一次领导会议上使用。