如果你考虑将技术用于医疗保健，请避免医院——无论他们的招聘广告听起来多么诱人。当招聘人员声称在组织中无人曾承担此类工作时，他们很可能在不了解实情的情况下草拟了职位描述。你的成功将完全取决于领导对该领域的专业认知程度，至少应有一位主管具备相关任务的实践经验，因为他们需要对技术本身及变革意愿持有信心，而不仅仅是资金支持。
医疗数据管理的现实
我被分配的任务是维护两个数据集的一致性：一个来自衰减源的数据集（医院拒绝异地存储或修改），另一个来自合作者的数据集（其更新与模式变更毫无预先计划）。初听似乎单调无趣，实则难度平平，但我显然对医疗系统混乱的现实做出了过度乐观的误判。
当合作者网站的数据发生变更（如修改数据模式、分支合并操作）或修正数据点时，我从未获得提前通知。从技术视角，我们本可创建API自动监测更新，但现实截然不同。我仅能通过一台32GB内存的本地桌面（无管理员权限）访问合作者的数据库网页，操作流程极为繁琐：需从下拉菜单选择参数，等待对方人工批准数据集下载，最终收到通知才能启动下载。
你或许会问：为何不使用Python结合浏览器控制实现自动化？遗憾的是，合作者网站仅限内部VPN访问，而该VPN必须通过特定桌面（同样无管理员权限）连接。更棘手的是，数据无法整批下载——否则系统将无法生成下载页面。但合作者的数据模式随时可能变更，所有历史数据都需重新下载，请仔细思量这种困境。
技术限制
由于患者记录被视为高度机密，数据访问存在天然壁垒。桌面缺乏管理员权限意味着，连安装Jupyter Notebook（开发者基础工具包）这类操作都需向技术中心提交工单。云基础设施完全不被考虑——对医院而言这"如同外星语言"。当每个环节均需手动操作时，我根本无法从双数据库获取即时结果，这使得每日甚至每周更新在实践中沦为泡影——而这一切竟发生在后疫情时代。
医疗系统的视角
医院本质是解决人类问题的机构，目前由人类管理（主要服务于计费需求）。其运作遵循金字塔结构：医生依赖专业判断挽救生命，必须对决策拥有绝对信心。他们拒绝让AI充当最糟糕的导师或学徒——尤其考虑到大型语言模型（LLMs）需要耗费大量时间精力来提升准确度。医院还运行在过时技术的遗留软件上，因法规限制、隐私顾虑，以及最被低估的因素"组织变革意愿"，导致信息可访问性问题复杂化。
无论你从事何种工作，在这个"本地"系统内理解如何获取工具将超出所有可接触人员的能力范围。若缺乏足够的"内部人脉"来解锁权限或获取基础设施支持，任何进展都将陷入停滞。
医疗AI的未来
这正是大多数医疗AI研究局限于非临床环境的原因。LLMs等AI模型天生无法为预测提供令人信服的解释；无人愿为他人过失担责，因此所有责任终将归咎于AI，导致其被彻底禁用。在政府制定医疗AI应用的普适伦理准则前，弥合这一鸿沟的有效路径根本不存在。诚然——管理员权限仍是我们使用计算机的最大障碍之一。
【全文结束】
