Foundations for an AI-forward healthcare organization

以AI为导向的医疗健康组织的基石 | Databricks 博客

跳至主要内容

医疗健康与生命科学

2026年7月30日

以AI为导向的医疗健康组织的基石

为什么成为以AI为导向的组织应从数据、治理和运营模式开始，而不是急于求成

作者：Ramiz Bozai、Sailesh Kadam、Kriti Sen Sharma、Andrew Wallace-Jackson 和 Grace Crisp

摘要

• 以AI为导向意味着组织被设计为能够构建、信任并扩展AI。这是一个能力问题，而非采购问题。

• 阻碍大多数医疗系统的三大结构性障碍：数据碎片化、治理结构过于僵化或未明确定义，以及运营模式不匹配。

• 基础建设触手可及。通过平台内置的治理机制和无服务器架构，首个受控使用案例可在数周内上线，而非数月。

医疗健康高管在采用AI时面临的挑战是，在推进项目时遭遇的噪音干扰。面对邮箱中充斥的供应商推销、竞争对手的公告和战略截止期限，确定从何处开始本身就是一道难关。

成功部署AI战略从来都不是关于“率先行动”。许多早期采用者如今正努力解决因仓促启动而产生的技术债务和失控试点。教训并非AI无效，而是缺乏基础的AI战略无法持续。成为以AI为导向的组织，关键在于构建数据、治理和业务运营模式的正确基础。这个基础比大多数领导者想象的更易于实现。

在医疗健康领域，“以AI为导向”究竟意味着什么？

以AI为导向的医疗健康组织，是指被设计为能够构建、信任并扩展AI的组织。成为以AI为导向并非意味着购买更多工具或启动更多长期概念验证。从宏观层面来看，这意味着在构建强大的数据和治理基础的同时，设计一种业务运营模式，以充分释放企业数据的潜力。目标不是工具数量，而是让合适的人能够自主构建并回答自己的问题。

以一个实际案例为例，护理经理可以提出问题：“为什么上季度某个地区的再入院率突然飙升？”并基于内部数据获得可信答案。随后，他们可以在几分钟内立即采取行动。在这种场景中，终端用户无需提交工单或等待数日等待分析师提供答案，即可随时分析临床、患者和机构层面的数据。最成功实现这一目标的组织，已构建了基于数据平台的基础设施，将面向患者的用户转变为数据分析师，而非“数据侦探”。

阻碍大多数医疗机构的三大障碍

大多数医疗机构并非因缺乏雄心而停滞。医疗系统拥有的AI创意远超其资金能力，且AI供应商数量充足，愿意为其构建解决方案。根据2025年HFMA对233家医疗系统的调查，88%的机构已开始使用AI。仅有18%的机构具备成熟的治理结构和完整的AI战略。阻碍进展的，是以下三大结构性障碍之一。

障碍 #1：数据

第一个问题是数据碎片化。临床数据存储在电子健康记录（EHR）系统中，运营数据存储在另一个系统，财务数据又存储在第三个系统，而排班、供应链和患者体验数据则更加分散。更深层次的问题并非数据分散，而是缺乏可靠的数据整合机制。同一患者在不同系统中可能拥有不同的标识符，因此在分析再入院情况之前，必须进行手动的数据核对。这导致新的使用场景需要支付双重的集成成本：一次用于建立连接，另一次用于当源系统变更时维护连接。最终交付的成果往往只能覆盖患者、流程或运营的狭窄切面。

障碍 #2：治理机制

第二个问题是治理机制不匹配。在一些组织中，治理过于松散，以至于没有人信任交付的成果。一个模型得出结论时，临床医生会合理地质疑：“这是基于什么数据？”而在另一些组织中，治理又过于严格，导致任何新需求都必须经过漫长的谈判（例如，一个能在几秒钟内回答问题的模型需要经历漫长的审批流程）。两者都以相同的方式失败，因为每种情况缺失的都是信任：拥有正确数据的合适人员，以及所有人都能看到的保护措施。

障碍 #3：运营模式

第三个问题是缺失的运营模式：缺乏共享的优先级选择方式、团队资源配置方式，以及将试点项目推进到生产环境的路径。每项努力都变成一次性开发，没有任何成功经验可以复用。一个在某个科室帮助排班或急诊科（ED）患者入院的模型虽然有效，但无法扩展，因为没有人负责扩展试点项目，也没有明确的路径将其推进到生产环境。这种现象在全行业普遍存在：83%的医疗保健高管正在运行生成式AI试点，但不到10%的人正在投资构建企业级部署所需的基础设施。在各行各业中，约88%的AI试点项目从未进入生产阶段。在同一次HFMA调查中，超过三分之一的医疗系统负责人表示，他们缺乏优先级排序和有效扩展AI的流程。

如果这些障碍听起来耳熟，那是因为每个问题都会落在不同高管的办公桌上：数据碎片化问题由首席数据官负责，信任问题由首席医疗官负责，运营模式问题由首席信息官负责。这些问题本质上都不是AI问题。大多数医疗机构面临的是基础建设问题，而基础建设可以在不掀起巨大波澜的情况下逐步构建。

为什么现在是医疗AI发展的最佳时机

如果在AI应用上起步较晚，但重复了先行者的错误，就会带来伤害。避免这些错误后，起步较晚反而会成为优势，因为你可以在已有基础之上构建，而非清理多年积累的混乱。务实的做法是观察率先尝试的组织，学习他们遇到的挫折，并从中起步。

工具的发展同样令人瞩目。现代工具链现已支持跨多数据源的治理能力，通过与现有身份提供商的集成，实现了认证和权限管理的集中化。更重要的是，治理模型不再局限于数据模型；治理同样适用于人工智能，确保自然语言提问和智能代理交互的安全可靠。基于这一基础，之前需要提交工单并等待数日才能获得答案的护理经理，现在只需用普通英语输入问题，即可在数秒内获得可信赖的答复。同时，首席信息安全官和IT安全部门也能确信，人类用户和智能代理用户无法访问其无权查看的数据。

这标志着真正的转变。两年前，要获得涵盖临床和运营数据的治理视图需要耗时一个季度的项目。而今天，当范围明确且数据就绪时，小团队可以在几天内而非几个季度内将首个受控使用案例投入生产。例如，Premier仅用三天就完成了Databricks Genie的生产环境配置，使医疗团队能够通过自助服务访问受控分析，用于评估护理质量并识别可预防的再入院情况。启动的时机并非等到万事俱备，而是在工具足够成熟、能够无需巨额前期投入即可构建真实应用的时刻。这个时刻已经到来。

起跑线比你想象的更近

医疗机构并非偶然成为AI先行者，也不是因为最早起步才到达那里。他们之所以能到达那里，是因为建立了统一数据、值得信赖的治理体系以及可重复的操作模式这三大基础。这比大多数高管认为的要更容易实现。

本系列的下一篇文章将提供一个三支柱蓝图，帮助医疗系统提升发展曲线，并附带成熟度地图和一份你可以带入下一次领导会议的自评工具。

不确定你的组织在成熟度地图上的位置？请与我们联系。

订阅获取最新文章

订阅我们的博客，即可将最新文章直接发送到你的邮箱。

立即订阅

查看所有博客

slice-start id="_gatsby-scripts-1"

slice-end id="_gatsby-scripts-1"