根据来自威尔康奈尔医学院（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，学术医疗机构可以通过采用学习型医疗系统的原则来改变患者护理模式。在这种方法中，电子健康记录、临床试验以及日常医院运营中的信息会被实时分析，以揭示能够持续改进患者护理的洞见。
该观点于2025年6月17日发表在《npj Health Systems》上，指出通过利用现有数据支持全系统学习，可以创建一个更智能、更高效且更公平的护理模式。然而，这种模式的采用仍然有限。
“整合多样化的数据库是创建动态医疗系统的一部分，”主要作者彼得·斯蒂尔博士（Dr. Peter Steel）表示。他是威尔康奈尔医学院临床急诊医学副教授，同时也是纽约长老会/威尔康奈尔医学中心（NewYork-Presbyterian/Weill Cornell Medical Center）的急诊医学医生。“从业者将能够更容易、更快地看到哪些方法有效，哪些无效，以及是什么导致了不必要的成本上升。”
此外，参与撰写本文的还有威尔康奈尔医学院院长罗伯特·哈灵顿博士（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）。
作者们表示，建立学习型医疗系统尤为重要，因为当前学术机构正面临因研究成本上升、利润率下降以及患者期望增长而导致的财务压力。本文呼吁学术健康中心通过重新思考如何生成和应用知识来进行系统性变革。
实施障碍
这一理念并非新事物——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医疗系统的构想。然而，电子健康记录的设计初衷主要是为了方便临床医生和患者，而不是为研究人员或质量改进计划服务。数据孤岛进一步复杂化了学习型医疗系统的建立。信息——包括患者病史、实验室结果、影像或账单记录——被存储在彼此分离且无法通信的不同系统中。
因此，作者指出，通常需要数年时间才能收集并分析改善患者护理所需的数据。而一个功能完善的学习型医疗系统可以在数周内完成此任务，同时保持伦理、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。这些洞见随后可用于修订治疗指南、增强患者安全并推动创新。
作者认为，部分问题在于专注于临床护理、研究和教育的人群之间缺乏足够的整合。理想情况下，未来的医生可以学习如何利用数据高效地提出和回答临床问题，从而汇集不同利益相关者进行协作。
“由人工智能驱动的学习型医疗系统有潜力提升临床护理和结果，”哈灵顿博士表示。“当我们让未来的临床医生能够从每一次临床互动中学习时，我们可以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，实施学习型医疗系统的成本可能高达数千万美元。但作者表示，长期回报可能是战略性的：在实施多年后，成功利用这种方法的医疗机构将比那些没有采用的机构更具竞争力。
人工智能推动变革
尽管存在挑战，近期人工智能的进步使得学习型医疗系统的采用变得更加紧迫。患者开始期望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、结构良好的现实世界数据。“人工智能只有在基于学习型基础设施的基础上才能实现其承诺，”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、优化运营并作出更快、更个性化的决策。学习型医疗系统可确保必要的质量控制，保证人工智能工具的安全性、偏见和有效性得到持续监控。
“学术医疗机构面临着快速变化的资金环境，即使医疗技术转型和管理成本仍在不断上升，”斯蒂尔博士说。“实施学习型医疗系统已不再是理论目标，而是战略要务。”
(全文结束)
