全球医疗系统面临一个关键挑战：如何在临床护理中整合人工智能，同时提高质量、降低成本并克服根深蒂固的障碍。一篇发表在《NPJ Health Systems》上的新研究，题为《AI时代的学习型医疗系统策略》，详细介绍了医疗机构如何将学习型医疗系统（LHS）模型作为可扩展的、价值驱动的医疗交付框架。
该研究认为，除非医疗系统从根本上重新调整治理、数据基础设施、员工培训和质量改进实践，否则人工智能的潜力将无法充分发挥。尽管LHS模型已得到国家和全球卫生当局的广泛认可，但其实施仍然不足。这项新工作将LHS不仅定位为理论上的理想，而且是应对技术颠覆和经济约束的紧急战略响应。
什么阻碍了学习型医疗系统在AI时代的扩展？
尽管LHS的前景得到了广泛认可，但其实施受到了碎片化数据、孤立的机构文化、监管惰性和缺乏灵活治理框架的阻碍。作者强调，在大多数美国系统中，健康信息技术（HIT）和生物医学信息学（BMI）领域仍未能有效整合，这削弱了证据生成、实时分析和临床反馈循环所需的连续性。
然而，COVID-19大流行提供了一个罕见的概念验证。那些有效协调HIT-BMI资源的医疗系统成功部署了快速响应仪表板、患者负荷预测分析和远程医疗工作流程。这些高性能系统展示了HIT-BMI协同作用——论文中称为“双轨领导”——可以同时实现运营可靠性和创新。
尽管如此，大多数机构仍面临重大障碍。数据高度多变、标准化不足且经常存在偏见。电子健康记录（EHR）系统的互操作性不一致。虽然大型语言模型（LLMs）在自动化基础分析任务方面显示出潜力，但对幻觉、可重复性和监管合规性的担忧依然存在。
医疗系统如何利用AI推动研究和质量提升？
该论文区分了模型开发和实际应用之间的关键区别。尽管AI研究蓬勃发展，但由于数据基础设施、员工准备和治理能力不足，临床部署仍然罕见。机构不仅需要准备测试AI模型，还需要在实时临床环境中维护、监控和适应这些模型。
推荐的策略包括：
- 后台试验：在临床系统后台运行AI工具以识别数据漂移和偏见。
- 快速周期随机测试：使用集成EHR的A/B实验对质量改进（QI）干预措施进行快速周期随机测试。
- 预实施验证：在实际使用前评估临床决策支持工具的可行性。
成功的例子包括加州大学的ACQUIRE框架，用于对齐QI、研究和评估。同样，纽约大学朗格尼分校的流感疫苗信息传递和预约遵守QI试验也展示了可测量的临床和运营效益。
作者认为，这些技术通过取代缓慢且昂贵的试验，采用自适应、系统集成的方法来缩小转化研究差距。因此，LHS模型不仅成为知识创造的工具，还加速了安全、数据驱动的创新。
需要哪些劳动力和财务策略？
将医疗系统转变为AI就绪的学习组织需要大量的人力资本投资。然而，大多数临床医生和管理人员仍准备不足。该研究批评传统的培训渠道未能包括系统科学、数字健康和实施研究。医学院和住院医师项目仍然主要关注生物学知识和基于任务的技能。
最近的国家倡议，如AHRQ和PCORI资助的LHS研究人员培训计划，已经开始解决这一差距。报告重点介绍了斯坦福大学、康奈尔科技学院和休斯顿大学等机构推出的数十个新兴的临床信息学和数字健康硕士和证书课程。然而，这些课程仍然分散且评价不足。
作者呼吁设立标准化的“数字健康硕士”学位，类似于公共卫生硕士（MPH），以统一数据科学、AI伦理、系统重新设计和健康技术领导力的培训。他们还强调在所有级别的现有课程中嵌入信息学和QI原则的重要性，包括护理、住院医师和高管教育。
在财务方面，该研究承认传统的研究资金模式与LHS需求不符。随着NIH等联邦机构减少间接成本报销，学术医疗中心面临越来越大的压力。论文敦促机构从低价值项目中重新分配内部预算，转向可扩展的数字健康评估能力。例如，斯坦福大学、宾夕法尼亚医学院和加州大学圣地亚哥分校的创新中心就是这种战略对齐的例子。
此外，作者建议AI可以通过半自动化管理过程（如计费、编码和监管报告）来降低管理费用，从而抵消其实现成本。这种再投资循环将使LHS模型不仅在运营上可行，而且在长期内财务上自我维持。
(全文结束)
