医院诊断工具、保险公司风险模型和企业健康平台所依赖的人工智能，其效能完全取决于输入数据的质量。而这些数据在几乎所有可衡量的维度上都混乱不堪。根据Vorro数据，约60%的医疗机构表示不准确的数据直接影响临床决策。分散在数千个互不连通的系统中，困于过时格式，缺失患者健康历史的关键章节——正是这样一座摇摇欲坠的基石，却支撑着万亿美元级人工智能转型的宏大愿景。
这正是杰伊米·布兰德博士被低调任命为让美国重获健康研究所首席数据策略师值得深入关注的原因。作为Aquila公司的创始人兼首席执行官，布兰德博士为MAHA研究所带来了罕见的实操视角。在创立Aquila前，她曾担任CyncHealth总裁兼首席执行官，多年深耕数据基础设施难题，与州政府机构、医疗系统和联邦合作伙伴协作，推动那些从未设计为可移动的数据实现流转。
她亲历了人工智能承诺的崩塌点——问题不在模型的复杂度，而在于模型所依赖数据的灾难性碎片化与不完整性，以及陈旧且无法适应现代技术治理理念的政策。MAHA研究所的核心工作聚焦于慢性病预防和推动公私合作改善健康成果。而大多数医疗机构不愿承认的是：医疗数据真正的制约因素与算力或算法 sophistication 无关，始终是底层的数据层。
这正是MAHA研究所的优先事项：解决政策不一致问题，这些政策纵容官僚治理滋生，同时使数据对民众、医疗服务提供者和政策制定者无法获取。让美国数字经济学家高级研究员兼医疗健康主席香农·肯尼迪指出："纳税人通过'有意义使用'计划支付约350亿美元，为每家医院配备电子健康记录系统，换来的却是拒绝与任何不受控创新协作的庞然大物。但重要转变正在发生：患者首次能用人工智能破译医疗行业数十年来隐藏的术语与定价。当患者与真正攻克数据和治理层的机构创新者相遇，真正的突破才会发生。"
人工智能投资建立在破碎的数据地基之上
审视医疗人工智能实际面对的状况：患者记录散落在互不通信的医院、急诊诊所、远程医疗平台和专科机构中。纵向健康历史往往缺失三分之一信息，或充斥着从既往就诊中复制粘贴的不准确数据。预测模型真正需要的连续时序数据反而是例外而非常态。数百万记录仍绑定在纸面图表和物理介质上，任何算法都无法触及。HIMSS和ONC数据显示，不足半数的美国医院能在发送、查询、接收和整合患者数据的核心领域实现常规互操作性交换。建立在此类基础设施之上的AI，正在利用存在缺口和错误的数据进行运算。缺乏可靠数据基础的人工智能，充其量只是基于不完整证据的合理推测，却被冠以"智能"之名。
实际部署中的风险已然显现。全美最大医疗系统之一的Universal Health Services近期与Hippocratic AI合作推出人工智能代理处理出院随访电话，并以8.35亿美元收购Talkspace，专门构建基于临床数据训练的行为健康AI伴侣。UHS首席执行官马克·米勒坦言系统仍处于"人工智能游戏的早期阶段"，这坦诚的承认表明：即便大规模应用，支撑这些工具运行所需的数据基础仍在建设中。
对商业领袖而言，财务风险并非抽象概念。美国国民健康支出已达5.3万亿美元，占GDP的18%。雇主、保险公司和医疗系统正将资本注入人工智能工具，其前提假设是底层数据足够可靠。但在多数情况下并非如此，人工智能供应商承诺与碎片化数据基础设施实际交付能力之间的落差，正是资本悄然消失的黑洞。
私营领域巨头们正得出相同结论。全球最大的医疗技术公司之一甲骨文健康本周刚成为CMS对齐网络成员。其执行副总裁、前CMS管理员希玛·维尔玛直言："人工智能在优质数据支撑下才能良好运作。若数据不完整，我们将无法有效利用AI。"她补充道："对甲骨文而言，互操作性与人工智能战略密不可分。"甲骨文还获得了TEFCA认证健康信息网络资质，正构建患者数据获取如同查询银行余额般便捷的系统。如此规模的企业将互操作性作为人工智能战略核心绝非偶然，这是确证。
获得北欧资本支持的医疗数据与成果平台Arcadia也在进行同样的基础性押注，近期扩充领导团队专门应对数据、人工智能与政策的交叉领域。Arcadia目前连接2600多个数据源，管理超1.7亿患者记录。从初创企业到行业巨头，愿意优先解决数据层问题的公司，正在定义医疗人工智能的最终形态。
治理与数据：被忽视的竞争优势
布兰德博士在MAHA研究所倡导的框架——以透明可及的治理为核心、不受电子健康记录能力限制的互操作性，以及随患者跨医疗场景流转的纵向记录——是人工智能真正改善健康成果的先决条件。纵向数据将变革人工智能的能力：基于零散就诊记录训练的模型仅能识别单次就诊内的模式；而基于跨年份、跨场景完整健康历史训练的模型则能识别轨迹，预测患者走向并在危机推高成本前通过干预改变结局。
布兰德博士表示："碎片化问题并非无解。挑战在于我们需要对真实问题采取协同应对；技术能力早已具备，问题根源在于各种缺乏数字传输义务的分散化系统实现方式。国家卫生信息技术协调办公室正通过政策努力解决部分问题，但其权限有限。我们缺失大量数据，政策需转向聚焦生成正确且能代表实际诊疗的高质量数据输出。当前文档记录追随资金流动而非患者本身。"
甲骨文的维尔玛直接呼应此观点：电子健康记录公司历史上本身就是问题的一部分，在行业逐步推进共同标准时阻碍更广泛的数据交换。组织间真实数据流仍不一致，限制了每个依赖完整信息的AI工具的效用。随着MAHA研究所、Aquila健康、甲骨文和Arcadia同时聚焦这一诊断，基础设施论点终于在政策与企业层面同步获得认可。
这种从被动响应转向预测性干预的转变，正是当前所有投资医疗AI的组织所能获得真实投资回报率的关键所在。这需要有人愿意从事那些无法生成新闻稿或主题演讲时刻的基础设施工作：构建治理框架、确立数据标准与预期成果、协商跨司法管辖区互操作性、确保个人能真正数字访问自身完整健康记录——这些是基础性工作，却未被纳入当前推行的激励机制。
卫生与公众服务部不必在此主导。雇主和州长可率先行动。明确定义数据如何在民众寻求医疗的场所为其服务，将极大遏制不断攀升的医疗成本。把握这一动态的商业领袖将获得显著优势：未来五年能从医疗人工智能中提取真实价值的组织，此刻正投资于治理与数据质量层，因为这决定了人工智能是真正发挥作用还是仅在演示中令人惊叹。数据与人工智能的前沿已然转移，而它不在大多数高管的视线范围内。
【全文结束】
