数据治理成为制约医疗AI发展的决定性因素

来源：HIT专家网      编译：周亦川

医疗AI应用步入新阶段，当前最大的挑战并非AI技术本身，而是与之相关的数据问题。这也是医疗CIO面临的最重要战略问题之一：医疗机构的数据基础设施，是否真的做好了迎接AI的准备？

“许多医疗机构把AI当成一种软件，但它本质上是一项数据基础设施建设工作。”Aquila Health（一家专注于医疗数据基础设施建设的公司）首席执行官Jaime Bland博士指出，这些机构恰恰忽视了决定AI能否落地的底层数据工作。随着各项AI技术从试验阶段进入实际应用，医疗决策者逐渐认识到，制约这些技术发展的并非大模型性能，而是数据的质量、一致性、管理方式与可靠性。

数据碎片化是AI应用的重大阻碍

“医疗行业的管理者正在反思：多年来在数据上的投入，并未带来预期中的投资回报。”Bland表示，数据是重要的医疗战略资产，但许多机构面临着一个尴尬的现实——多年的数据投资，并不必然能打造出足以支撑AI发展的数据环境。

其关键原因在于，测试往往会掩盖潜在问题。AI测试通常依赖经过精心整理的数据集：数据团队先对数据记录进行清洗、消除其中的不一致之处，并在输入模型前完成各项准备。在这样的前提下，模型性能往往能表现得相当出色。

而真实应用环境截然不同。Bland分析称：“AI应用基于实时医疗数据运行，但这些数据往往杂乱无章、标准不一、信息残缺。如果AI应用在测试阶段从未接触真实数据，那么这些问题在测试中根本无法显现。”

数据碎片化是最大的障碍之一。临床业务、人力管理、财务应用与运营系统之间的数据版本常常互不一致；即便在同一个电子健康记录系统内，医护人员的记录方式也各不相同。当AI试图对海量数据进行分析时，这种不一致性会被进一步放大。目前应用于医疗系统的大多数AI技术，都是在有缺陷、零散的数据上运行，因此其结果质量难以保证。

数据可互相传输但无法有效检索

医疗系统的互操作性已取得显著进展。但Bland认为，互操作性仅解决了部分问题：“医疗AI的互操作性投入达成了预期目标。数据得以传输，却未能使其具备可检索的价值。”

当前，跨机构的患者信息交换已相对便捷，但形成完整且可用的患者记录仍极为困难。不同机构的患者记录在标识符、编码系统与文档结构方面各不相同，知情同意的管理规范也存在差异，因而记录整合高度依赖人工。在推进AI应用的进程中，数据不一致已超出运营层面的困扰，构成制约AI发展的结构性障碍。对基层及资源匮乏的医疗机构而言，该挑战尤为突出，因为它们普遍缺乏足够人力对多渠道信息实施规范化治理。

“我们花费多年努力，证明自身具备数据传输能力，而这仅是流程中最基础的环节。”Bland总结道，“尚未实现的，是使接收到的数据可检索、可使用。”

AI无法使用数据中并不存在的内容

医疗行业在关注AI治理时，往往聚焦于模型监管、透明度与安全性，却忽略了一个更根本的议题，即数据治理。常见问题包括：不同系统中的患者身份信息不一致、临床记录与支付方数据相互冲突、治疗结局资料不完整、健康社会决定因素数据严重缺失、患者种族与族裔信息常存在不一致等。

“这些差异往往出现在最关键的环节。治疗结局、社会因素、种族族裔等数据的治理工作最为薄弱，误差也正隐匿于这些领域。”Bland表示，此类误差在测试阶段通常难以察觉，却会在实际应用中显现——AI无法使用数据中并不存在的内容。

推广医疗AI，需提前构建可靠的数据环境

Bland表示，医疗机构若要更广泛地推广AI技术，应将重心转向夯实支撑AI的基础设施，构建可靠、受规范管理且具备责任追溯机制的数据环境。对医院CIO而言，数据治理将成为下一步的工作重心；在强化数据质量与管理的过程中，信息偏差、可靠性、可解释性以及临床应用中的信任度，均成为不可回避的议题。

数据应被界定为战略性资产：需明确数据权属，建立相应管理机制以促进创新，并对数据质量与模型性能变化实施持续监控。数据治理或许难以带来AI产品创新那样的兴奋感，却最终决定哪些机构能够从AI中获得可持续的价值。

“AI模型的能力只会越来越强，升级也会越来越顺畅；但为模型供给数据的工作却缓慢而艰难。”Bland说，“正是数据治理，决定了AI模型能力能否真正被临床医生所信赖。”

展望未来，数据治理对医疗AI的重要性将持续上升。医疗机构之间的能力差距，或许并不取决于采用了何种模型，而在于数据治理所达到的程度；重视数据基础建设的医疗机构，与在薄弱数据上不断叠加AI创新的医疗机构之间，差距或将逐步拉大。

原文链接：https://www.healthcareitnews.com/news/healthcares-ai-problem-isnt-model-its-data

【责任编辑：陈曦 版式：蒙辉】