引言
美国医疗支出已达到前所未有的水平，仅2023年就高达4.9万亿美元。人工智能(AI)等新技术有潜力优化临床运营并降低医疗成本。然而，医疗领域在运营AI技术的采用上已落后于其他行业。尽管美国国家经济研究局估计，更广泛地采用AI技术可使美国医疗系统每年节省2000亿至3600亿美元，但这一情况仍在发生。
直到最近，美国的医疗AI工具主要集中在临床决策支持领域，这一领域有活跃的联邦研究资金支持和食品药品监督管理局(FDA)的监管。虽然提高诊断准确性可以降低医疗成本，但这仅占医疗支出的一小部分。相反，劳动力配置、护理协调、计费和理赔处理以及客户服务等运营和行政活动构成了美国医疗成本的很大一部分，估计2019年高达9500亿美元。医疗行业之外的许多行业已成功将AI系统整合到日常运营工作流程中，AI工具在零售、客户服务、营销和航空等领域已显示出投资回报。在医疗领域，早期研究表明AI工具有助于缩短住院时间、减少急诊科使用率、预测医院容量激增等运营事件，并实现计费、排班和呼叫中心功能等行政任务的自动化。
早期成功已催生了一个由老牌供应商和初创公司开发的临床AI工具生态系统，但这些工具的快速引入已超过了对其安全性和有效性的证据支持。关于运营AI结果的报告很少，导致学术文献匮乏、缺乏有组织的试验以及采用不均衡。这引发了对这些AI工具在医疗领域有效性的担忧。即使工具有效，其使用也可能导致意想不到的后果，推高隐藏的医疗成本。例如，几家大型保险公司因使用AI拒赔而面临集体诉讼，这种日益普遍的做法给患者、医疗服务提供者和医疗系统增加了额外负担，以获得医学上必要的治疗报销。此外，在将运营AI工具整合到医疗保健中时，必须考虑数据隐私、模型透明度和算法偏见等问题。
与其他行业重塑的类似经济压力现在正将医疗系统推向同样的境地，重新设计医疗保健交付可能是保持偿付能力和满足医疗需求的要求。越来越多的医疗系统开始负责临床AI工具的整合、验证和监控。这为利用其他行业的经验来制定医疗运营AI路线图提供了恰当时机。
来自其他行业的经验
医疗行业之外的许多行业已经采用AI工具来优化运营。通过文献检索，我们确定了已将AI整合到运营工作流程中的主要工业部门，然后对每个行业进行了重点回顾，以确定与医疗相关的应用。行业应用和医疗并行领域的列表见表1。在此，我们重点介绍几个可能对医疗行业产生直接影响的示例。
零售和制造业
零售和制造业长期以来一直使用AI系统来预测产品需求、管理库存、优化供应链和改进质量控制。库存管理系统和AI预测使德国在线零售商Otto的库存减少了90%。类似的系统已由美国大型零售商实施，以及北美42%的中小型零售企业。类似的模型可以用于预测医院容量、跟踪患者流量、优化医疗供应链并减少资源浪费。UPS、亚马逊和全球物流提供商DHL等送货公司普遍采用AI驱动的路线优化系统。据估计，UPS的"道路集成优化和导航"系统每年为公司节省3亿至4亿美元的燃料成本，并每年减少近10万吨二氧化碳排放。医疗领域的类似系统可以帮助改善紧急服务的现场响应时间、应对医院容量激增并管理大规模紧急情况。在质量改进方面，波士顿科学公司投资5万美元将冠状动脉支架生产的基于规则的质量控制系统转换为AI模型，节省了500万美元，同时实现了更高的性能。医疗领域的类似模型可以优化自动治疗和药物检查（目前依赖基于规则的系统），如果大规模实施，可能带来类似高的投资回报。
航空
与医疗类似，航空是一个注重安全、效率和用户体验的服务行业。航空公司在空中交通管理、安全、维护调度、乘客支持和网络安全方面已采用AI技术。最近的空中交通管制基础设施故障表明，该行业对技术的依赖程度有多高，以维持安全的航空旅行。达美航空和其他航空公司已使用AI预测工具来预测天气干扰、提高安全性和减少航班延误，国家气象局报告称AI系统已将其预报准确率提高了10%。类似系统可用于优化医疗排班、减少手术室停机时间并预测医院容量。西南航空等公司已使用AI模型预测所需的飞机维护，这可应用于生物医学设备或扩展为推荐逾期患者的健康维护检查。AI系统甚至被提议用于监测飞行员和空中交通管制员的心理健康，这一做法可应用于患者和医疗提供者。AI技术还被用于解决飞机维护技术人员的劳动力短缺问题，这凸显了医疗领域解决劳动力短缺的潜在途径。
客户关系
金融公司维持着类似于医患伙伴关系的客户-顾问关系，金融领域的许多公司已开始实施AI驱动的系统来提供财务咨询服务。法国银行合作社Crédit Mutuel实施了一种基于语言的AI工具，能够高质量回答85%的客户财务问题，将平均查询解决时间从3分钟缩短至1分钟。美国第二大信用合作社PenFed已采用类似技术。时尚行业是另一个例子，AI系统被用于推动客户忠诚度、评估消费者情绪和收集反馈。除了为客户服务提供聊天机器人外，品牌还开发了用于品牌推广和社交媒体情绪跟踪的AI系统。类似技术可用于医疗领域，以跟踪健康趋势、改进人群健康计划并筛查抑郁症和情绪障碍。
AI系统改善临床运营的潜力在患者沟通领域最为明显。最近的几项研究报告了使用AI工具改进收件箱管理、患者教育和临床文档的情况。尽管取得了这些进展，但医疗在这一AI集成领域仍落后于其他行业。
医疗运营的AI路线图
其他行业在各种运营应用中使用AI工具取得了成功。然而，财务障碍、僵化的医疗系统结构和文化惯性使得在医疗领域实现类似的转型更加困难。此外，包括责任、伦理使用、长期监测和数据安全在内的医疗特定因素都是必须在AI广泛应用于医疗之前解决的严重问题。医疗系统可以采取几个步骤来开始解决这些问题，并促进其临床工作流程中有效的AI运营。
克服生产力悖论
矛盾的是，新临床技术的引入历来增加了整体医疗支出，这一趋势已在各个行业的许多通用技术中得到证明。实现有效性能和投资回报需要医疗系统将投资与证据生成和严格评估结合起来，以识别早期成功和失败。由于市场整合和联邦资金变化而日益受到外部财务压力的影响，医疗系统必须衡量其运营AI系统的投资回报。不幸的是，最近的证据表明，只有61%的美国医院在部署前对AI模型进行了任何本地性能评估，这表明许多医疗系统缺乏验证AI性能或评估AI投资价值所需的专业知识或基础设施。国家AI健康合作组织，如Health AI Partnership、Coalition for Health AI以及美国医学会新成立的数字健康和AI中心，可以赋能资源有限的医疗系统，利用其他机构的同行专业知识、解决常见问题并传播与运营AI工具相关的发现。
其他行业通过重新设计运营流程、结构甚至工作场所文化来克服这一生产力悖论。我们不应强迫AI工具适应当前的临床工作流程，而必须重新设计我们的医疗系统，通过AI创造价值。例如，在几乎每个医疗系统中，随访预约的频率都由个别医生决定，这些决定的安全性存在高度变异性且缺乏证据指导。根据需求（由AI估计）重新分配预约频率可以大幅增加容量并减少等待时间。一项研究发现，每年将随访频率减少一次就诊，全国可节省19亿美元。实施此类AI解决方案将需要围绕AI重新设计医疗系统，而不仅仅是重新调整AI以支持现有实践模式。
将AI运营与研究结合
与研发在私营部门与运营紧密联系的方式类似，学术医疗中心必须将AI运营和研究紧密结合。许多机构为AI运营和研究建立了重复的结构，尽管这两个AI专业领域正变得越来越相互依赖。鉴于计划中的联邦研究资金减少，这使研究人员面临失去关键AI基础设施的风险。在缺乏充满活力的研究生态系统的情况下，医疗系统可能会依赖供应商，而缺乏本地专业知识来填补这一空白。通过更好地协调医疗系统内的AI运营和研究，可以解决资源的重复和缺口问题。学习型医疗系统模型为此提供了完美的框架，确保运营目标与高质量的证据生成相结合。研究和运营的集成AI工作流程还将允许医疗系统在单一闭环系统内解决围绕医疗数据隐私和安全的关键问题，从而降低数据泄露或未授权访问的风险。将研究与运营整合还将加速研究，以帮助跟上AI发展的快速步伐。
提高医疗系统的AI素养
为支持电子健康记录(EHR)等运营工具而建立的医疗系统信息技术(IT)部门通常缺乏AI专业知识。随着预测性和生成性AI应用的广泛可用，只有具备知情的劳动力才能做出反映AI能力的实施决策。例如，AI代理提供了一种机制来简化数百个基于团队的工作流程，有可能节省时间和金钱。然而，医疗系统的任何一个团队都没有能力构建填补所有运营缺口所需的AI代理。这需要在许多团队中分布专业知识，这取决于团队成员具有较高的AI素养。将医疗专业人员纳入AI素养计划至关重要，因为一线护理提供者越来越多地被要求将AI工具整合到其临床工作流程中。
政策和监管
目前，关于医疗AI技术的监管指导仍然有限。美国食品药品监督管理局(FDA)、英国药品和医疗保健产品监管局、欧盟和中国国家药品监督管理局都在朝着将临床AI软件作为医疗器械进行监管的方向发展。然而，这些指南在范围上仍然有限，主要集中在AI技术的"高风险"子集上。因此，作为AI实施场所的医疗系统被迫在只有有限监管指导的情况下，在临床AI系统的评估和监督中发挥主要作用。更清晰的联邦法规，包含有关评估和监测最佳实践的更详细信息，包括要求AI开发者披露训练数据，将在支持医疗系统有效整合AI方面大有帮助。
结论
许多其他行业已成功将AI整合到运营工作流程中，在医疗领域采用并行技术具有巨大潜力。在医疗领域有效实施AI将需要围绕AI重新设计我们的医疗系统、合并AI运营和研究、强有力的评估、更高的AI素养以及有效的政策和监管。
【全文结束】
