一位合格健康信息网络（QHIN）和互操作性专家阐释了清洁、标准化及互操作性数据对AI的赋能作用，并详细说明了界定清洁数据的良好治理框架与标准化体系。
德里克·普兰斯基是互操作性公司健康猩猩（Health Gorilla）的战略治理高级副总裁，该公司同时是合格健康信息网络（QHIN）。作为技术专家和产品策略师，他过去20年专注于解决LexisNexis、IBM、Change Healthcare和Quest Diagnostics等企业的深层数据挑战。近15年来，他致力于构建健康信息交换体系，支持可持续系统以收集、分析和交换临床及财务医疗数据，并利用数据洞察引导美国医疗行业正确发展。
我们与普兰斯基探讨了医疗数据质量不佳在AI应用激增时代可能产生的影响。他阐述了清洁、标准化和互操作性数据如何赋能AI，以及框架体系的作用。
Q. 请谈谈医疗数据质量不佳在医疗AI应用激增时代可能产生哪些影响。
A. 首先，医疗AI应用存在关键前提。几乎无人质疑AI正快速成长为医疗领域的变革力量，为诊断、预测分析和运营效率带来突破。但这里存在关键前提——其宏大潜力完全取决于医疗数据的质量。低质量数据将迅速削弱AI承诺带来的效益，并损害未来对系统的信任。
其次，低质量数据存在多重风险。AI模型的可靠性取决于其训练数据。不完整或有偏见的记录可能导致算法偏差，延续不平等现象，并在诊疗点生成危险建议。这已超出不便或挫败感的范畴——低质量数据削弱了对数字工具的信任，使患者和临床医生的诊疗过程变得不可预测。由缺陷数据导致的误诊甚至漏诊可能直接伤害患者。重复、碎片化或过时的记录进一步加剧问题，提高错误率并降低临床医生对AI驱动洞察的信心。换言之，当缺陷数据驱动AI时，其影响不仅限于单次决策，而是波及整个诊疗流程。
此外，合规风险随之而来。没有机构愿意承担低质量数据带来的合规困扰。满足TEFCA、HIPAA和FDA等针对AI及大型语言模型的严格标准本就充满挑战，若叠加劣质数据，监测和报告诊疗标准以及报销流程将变成雷区，威胁透明度和问责制。
最后是财务影响。不准确数据迫使机构投入大量资源清理数据，耗时即昂贵。劣质数据不仅包含重复或过时的电子健康记录（EHR），错误编码导致的理赔拒付将造成收入损失。不可靠数据延缓创新，而在AI正以超高速度变革诊疗的当下，这种延迟代价高昂。
Q. 您提到清洁、标准化和互操作性数据至关重要。这对AI有何赋能作用？
A. 当医疗数据实现标准化、规范化和去重处理，AI便能在诊疗点生成临床医生可信赖的高质量一致洞察。互操作性患者记录确保精准决策支持，减少不必要的检测，并启用可预测风险的模型。标准化数据还将AI应用范围大幅拓展至医院之外——人群健康管理、公共卫生监测和医学研究均依赖规范化数据集来挖掘数百万诊疗记录中的趋势。缺乏此类数据，算法将停滞在试点阶段；具备后，它们便能规模化发展为提升医疗公平性、加速医学发现并强化整个医疗系统的工具。
更进一步，互操作性数据能无缝整合电子健康记录、实验室和支付方系统，创造协调高效诊疗。这始终关乎患者——标准化数据使AI能为患者提供全面甚至预测性医疗服务。互操作性数据也影响研究，最终反哺患者诊疗。AI的预测分析和临床试验洞察需要可靠输入才能生成可信、可操作的结果。标准化互操作数据为AI构建了可扩展创新的基础，使其能预测性地持续优化，最终影响整个医疗生态系统。
Q. 您提出解决方案在于强化数据治理。请详细说明。
A. 治理常被误解为行政负担，实则它为创新提供了安全可持续的护栏。事实是，医疗组织唯有通过强化数据监管和严格管理，才能充分释放AI能力。在当今碎片化且快速发展的医疗技术环境中，明确的政策与标准对确保AI模型获得准确、合规且一致的信息至关重要。互操作性的强大效用建立在所有参与平台均遵循标准化数据管理及政策框架的前提之上。无论是来自电子健康记录、实验室还是支付方的共享数据，都需要通用的结构、验证和管理规则来保障精确性与可靠性。
Q. 您还提到界定"清洁数据"的标准化框架是解决方案的一部分。请描述这些框架及其作用。
A. 标准化框架将提供清晰的规则和最佳实践，规范医疗信息的格式化、验证及维护方式。可类比书籍——每个章节（框架）需保持与前后章节相同的格式、语言和结构，方能确保读者理解的连贯性。目标是保障结构化、去重、规范化和准确的数据。标准化框架将减少不同平台存储和共享数据的差异性。
回到书籍类比：若你在阅读英文书籍时，某章节突然变为拉丁文，你处理和应用内容的能力将大幅受限。标准化框架正是消除此类混乱的关键。机构需要受监管的标准才能相互协作并有效利用共享数据。互操作性是医疗技术的宠儿，但缺乏标准化监管的劣质数据将削弱电子健康记录、实验室结果乃至支付方系统间的数据共享效力。
AI具备跨无限来源处理和分析数据的巨大潜力。唯有通过普遍采用内嵌合规监管与透明度的框架，此潜力才能转化为医疗领域的真正变革。
【全文结束】
