根据威尔康奈尔医学院（Weill Cornell Medicine）和加州大学圣地亚哥分校（University of California, San Diego）的研究人员的观点，学术医疗中心可以通过采用学习型健康系统的原则来变革患者护理。在这种方法中，电子健康记录、临床试验以及医院日常运营的信息会被实时分析，以揭示能够持续改善患者护理的洞察。
该观点于6月17日发表在《npj Health Systems》期刊上，认为通过利用现有数据支持系统范围的学习，可以创建一个更智能、更高效且更加公平的护理模式。然而，这种模式的采用仍然有限。
“整合不同的数据库是构建动态医疗系统的一部分。从业者将能更轻松、快速地看到哪些措施有效，哪些无效；以及是什么在推高不必要的成本。”本文的主要作者、威尔康奈尔医学院临床急诊医学副教授兼纽约长老会/威尔康奈尔医学中心（NewYork-Presbyterian/Weill Cornell Medical Center）的急诊医学医生彼得·斯蒂尔博士（Dr. Peter Steel）表示。
此外，参与撰写本文的还有威尔康奈尔医学院院长罗伯特·哈林顿博士（Dr. Robert Harrington）、以及加州大学圣地亚哥分校的克里斯托弗·朗赫斯特博士（Dr. Christopher Longhurst）和加布里埃尔·沃迪博士（Dr. Gabriel Wardi）。
作者们指出，建立学习型健康系统尤为重要，因为当前学术机构正面临研究成本上升、利润率下降以及患者期望增长所带来的财务压力。这篇文章呼吁学术健康中心通过重新思考知识的生成和应用方式来进行系统性变革。
实施障碍
这种方法的理念并不新鲜——当医院从纸质记录转向电子健康记录时，医学研究人员首次提出了学习型健康系统的构想。然而，电子健康记录主要是为了方便临床医生和患者设计的，而非研究人员或质量改进计划。数据孤岛进一步增加了建立学习型健康系统的难度。患者病史、实验室结果、影像或账单记录等信息存储在彼此分离、不互通的系统中。
因此，作者指出，收集和分析用于改进患者护理所需的数据通常需要数年时间。而一个运行良好的学习型健康系统可以在几周内完成这一过程，同时保持合乎伦理、以患者为中心的研究，并使用强大的安全系统确保患者隐私。这些洞察可用于修订治疗指南、提高患者安全性和推动创新。
相关故事
作者认为，问题的部分原因在于关注临床护理、研究和教育的人群之间缺乏足够的整合。理想情况下，未来的医生可以被教导如何利用数据高效地提出和回答临床问题，从而将不同利益相关者聚集起来协作。
“由人工智能驱动的学习型健康系统有潜力提升临床护理和结果，”哈林顿博士说道。“当我们让未来的临床医生从每次临床接触中学习时，我们就能以前所未有的方式提高质量和效率。”
除了数据组织和分析之外，实施学习型健康系统的成本可能达到数千万美元。但长期回报可能是战略性的：作者表示，成功采用这种方法的医疗机构在多年后可能会比那些没有采用的机构更具竞争力。
人工智能正在推动变革
尽管存在挑战，近期人工智能的进步使学习型健康系统的采用变得更加重要。患者开始期待医生利用人工智能提供个性化、主动的护理，但人工智能依赖于干净、结构良好的真实世界数据。“只有建立在学习型基础设施基础上，人工智能才能实现其承诺，”斯蒂尔博士说。
人工智能工具可以快速分析大量医疗数据，帮助医生发现疾病的早期预警信号、简化操作并做出更快、更个性化的决策。学习型健康系统能够进行必要的质量控制，确保人工智能工具始终受到监控，以保证安全性、避免偏见并评估有效性。
“学术医疗中心面临着快速变化的资金环境，而医疗技术转型和管理成本却在不断攀升，”斯蒂尔博士说。“实施学习型健康系统已不再是一个理论目标，而是战略上的必要之举。”
来源：
威尔康奈尔医学院
期刊参考：
Steel, P.A.D., et al. (2025). 学习型健康系统策略在人工智能时代。npj Health Systems. doi.org/10.1038/s44401-025-00029-0.
(全文结束)
