新加坡国家大学医院首席医疗信息官林政锐医学博士阐述了国家大学卫生系统（NUHS）有效运用数据推动医疗质量与患者安全创新所需的变革。
新加坡国家大学卫生系统正推动人工智能与预测分析在集群范围内的规模化应用，从试点项目转向与基于价值的医疗服务成果、运营绩效及未来医保支付模型挂钩的企业级部署。此举旨在通过全网络范围的行动，将数据用于医疗质量与安全管理，运用预测模型和实时分析指导临床决策、管理患者风险，并在不同机构间更一致地衡量诊疗效果。
NUHS的进展记录在其最新发布的《临床质量与患者安全》电子书中，该书系统整理了在学术型医疗体系中利用数据与数字工具增强诊疗可靠性的创新实践、经验教训及最佳方法。NUHS表示，这些工作主要由其临床质量研究所统筹协调，该机构为评估、实施和规模化推广集群范围内的质量与患者安全创新提供治理框架、培训体系及数据基础设施。
在与《Healthcare IT News》的访谈中，作为NUHS旗舰医院的国家大学医院（NUH）首席医疗信息官林政锐医学博士，探讨了该集群从AI试点项目向企业级部署的转变，以及实现实时决策支持所需的工作流程重构与治理机制。同时兼任NUHS区域卫生系统办公室高级助理主任的林博士，还分享了NUHS如何培养适应算法辅助诊疗的 workforce，以及如何解决在区域卫生系统中规模化推广数据驱动安全创新的结构性障碍。
Q. 在NUHS集群内，您如何评价当前基于价值的医疗服务模型中人工智能与预测分析的应用成熟度？特别是在从试点项目向全系统运营及医保支付影响的转变过程中？
A. 在NUHS集群内，人工智能与预测分析已从早期试验阶段迈入更结构化的规模化推广期，尤其在支持人群健康管理与慢性病诊疗的领域。过去许多AI项目聚焦于独立试点，例如患者负荷预测、风险分层或文档辅助，通常由单个机构或部门主导。如今更强调制度化建设，即评估AI解决方案在集群范围的相关性、可持续性及其与护理计划和绩效管理目标的一致性。
尽管AI对医保支付的直接影响仍在发展中，NUHS已为此转型奠定基础。预测分析 increasingly与基于价值的医疗指标（如慢性病控制率和可避免医疗利用率）挂钩，而非仅作为独立技术工具。这种转变至关重要，因为医保支付与绩效付费模式最终依赖于一致的测量标准、可靠的数据管道及规模化临床应用。
与此同时，NUHS对规模化推广的项目选择更为审慎。优先选择能嵌入核心企业平台（尤其是NGEMR（Epic电子病历系统））或作为集群共享服务支持的AI能力，以此减少碎片化，确保诊疗场景中能持续落实分析洞见。
总体而言，NUHS正有计划地 从"概念验证"转向"价值验证"，认识到系统级影响不仅需要算法，更需治理机制、工作流程整合及可衡量的成果，从而支撑未来医保支付模式。
Q. 许多医疗系统难以将质量与安全数据转化为实时临床决策支持。NUHS实施了哪些治理机制、工作流程重构或数字基础设施变革，以确保数据洞见能在病床旁得到执行？
A. NUHS的实践印证了数字医疗的关键经验：数据只有嵌入临床工作流程并得到治理支持，才能改变医疗实践。以下变革对实现从回顾性报告到实时临床行动至关重要。
首先，NUHS建立了正式的AI治理框架，监督医疗环境中AI的开发、部署与监测。该框架明确了责任归属、风险评估及部署后审查机制，尤其针对影响临床决策的AI系统。治理重点已从"能否构建"转向"是否应使用及在何种保障措施下使用"。
其次，基于NGEMR（Epic电子病历系统）进行了系统性工作流程重构。NUHS不再依赖独立仪表盘或报告，而是在诊疗关键节点——会诊前准备、会诊中或会诊后立即——推送分析洞见，确保临床医生在诊疗现场接收决策支持建议。
第三，NUHS强化了数据平台与验证流程。减少数据碎片化、提升数据质量、缩短从数据采集到洞见生成的周期，对质量与安全应用场景至关重要。若缺乏可信且及时的数据，无论分析技术多么先进，临床医生都不会采纳建议。
这些变革共同体现了从被动数据消费向主动、工作流整合型决策支持的转变，其背后是由治理机制建立的临床医生信任。
Q. 随着人工智能嵌入临床风险检测与决策过程，需要哪些新的 workforce 能力、培训框架或问责机制，以确保临床医生能安全解读并应用算法驱动的洞见？
A. 随着AI日益融入日常临床工作流，NUHS认识到 workforce 准备度与技术准确性同等重要。核心需求并非让临床医生成为数据科学家，而是培养其解读与安全使用AI洞见的实用能力。例如，肯特岗创新办公室已为NUH 10%员工提供AI素养培训，并持续推行结构化框架逐步扩大覆盖范围。
NUHS着重构建应用型AI素养，帮助临床医生理解算法目的、局限性及其输出的批判性评估方法。培训聚焦真实临床场景（如诊疗中遇到的风险警示、建议或汇总洞见），而非抽象的AI概念。
"培训师培训"模式至关重要。先赋能临床领导者与信息化倡导者，使其能为团队定制化工具与AI应用并强化规范实践。该方法在尊重专科差异的同时支持一致应用。今年，我们的医疗辅助专业人员正接受语音转文本及Epic个性化工具培训，以优化诊疗服务。
明确的问责机制仍不可或缺。NUHS坚持"AI辅助而非替代临床判断"原则，临床医生对决策负最终责任，AI输出必须经现有临床治理框架验证。这一要求通过政策、培训及监督机制持续强化。最终，AI的安全应用依赖于自信、审慎且担责的 workforce——他们能将AI作为决策辅助工具，同时恪守患者诊疗的专业责任。
Q. 最后，在NUHS多家机构中规模化推广数据驱动的质量与患者安全创新面临哪些最大障碍？该系统如何应对数字成熟度、互操作性及变革管理的差异？
A. 在NUHS内部规模化推广数据驱动的质量与患者安全创新，凸显出若干持续性挑战。最显著的障碍包括数字成熟度差异、数据碎片化、互操作性限制以及跨机构变革管理中的人为因素。
NUHS内不同团队的数字准备度各异，影响创新的采纳与维持速度。为此，NUHS优先采用通用平台与共享治理机制，减少对无法规模化定制解决方案的依赖。企业级系统与集群标准有助于缩小差异，同时允许必要的本地化适配。
互操作性仍是技术与组织挑战。NUHS采取务实策略：优先聚焦高价值应用场景，强化支撑其的数据管道，而非试图一次性解决所有互操作问题。这种渐进策略在创造实际效益的同时积累经验。
变革管理同样关键。临床医生参与、领导层支持及临床价值的清晰阐述对创新采纳至关重要。NUHS increasingly采用分阶段推广、设定明确成功标准的试点项目及结构化反馈机制，在集群级规模化前充分验证效果。
这些方法共同表明，可持续的规模化不仅是技术问题，更是涉及人员、流程与平台的系统级转型。
【全文结束】
