在最近的一次HSI研讨会上，StackAI公司医疗保健副总裁Shani Fargun对人工智能在医疗保健领域的未来提出了一个刻意"不性感"的观点。不是预测性诊断，也不是突破性的临床工具，而是在表面上远不那么令人兴奋的领域：行政工作（也被称为"不性感AI"）。
多年来，关于医疗保健领域人工智能的主流叙事一直集中在它改变临床决策的潜力上。然而，据Shani称，最直接且可衡量的价值完全在别处。她认为，真正的机会在于减少定义现代医疗保健系统的操作摩擦。
而这种摩擦确实很多。
尽管经历了数十年的数字化，医疗保健运营仍然严重碎片化。数据分散在电子健康记录、呼叫中心、计费系统和内部工具中，这些系统很少相互沟通。大部分实际工作仍然依赖于手动流程和非结构化信息，如电子邮件、PDF和通话记录。一个更引人注目的提醒是，美国大多数医院仍然依赖传真机传输医疗记录。
如果这听起来像是一个适合自动化的行业，确实如此。但现实更为复杂。
研讨会中一个更令人惊讶的观点不是医疗保健组织是否在尝试AI，而是他们从中获得的收益有多少。虽然大多数已经启动了AI计划，但大约95%未能提供有意义的投资回报或超越试点阶段的进展。问题在于，这并不是技术能力的缺乏，而是其他所有方面的问题。
责任问题仍未解决。如果AI系统出错，责任不明确，导致许多组织仍将人类牢牢地保持在循环中。监管限制进一步使部署复杂化，特别是当涉及敏感的患者数据时。也许最安静的是，内部存在阻力。被要求采用AI工具的员工往往不将其视为生产力增强器，而是潜在的替代品。
综上所述，这些障碍解释了为什么许多有希望的试点在扩展前停滞不前。
研讨会中描述的方法与众不同之处在于，它从广泛的、工具驱动的实验转向了更严格的、以工作流程为先的策略。组织被鼓励从识别效率低下的地方开始：具有明确所有权和可衡量结果的高容量、手动流程。
这就是代理式AI（agentic AI）发挥作用的地方。与生成文本或摘要的生成式工具不同，这些系统旨在采取行动。它们在定义的范围内运行，从特定数据源拉取，并跨系统执行离散任务。在实践中，这可能意味着起草申诉信、验证计费文件、汇总患者病史或回应常规患者查询。
这一切都不特别吸引人。而这正是关键所在。
另一个违反直觉的收获是，AI最不显眼的应用往往产生最大的财务影响。长期以来被视为后台开销的行政工作流程，现在正成为回报最高的用例。研讨会中引用的一项估计表明，为300万名成员提供服务的支付方，仅通过改进自动化和互操作性，每年就可增加数亿美元的收入。
这种对"不性感"的强调与早期行业努力形成鲜明对比。IBM在医疗保健领域的沃森等高调举措之所以陷入困境，部分原因在于它们关注的是雄心勃勃的临床应用，而不是其下的更易处理的操作问题。
在这些系统如何实施方面也有一个实用的教训。最有效的部署往往从小处开始。组织不是试图彻底改革整个工作流程，而是从狭窄、低复杂度的任务开始，并逐步扩展。成功更多地取决于对输入、规则和输出的清晰度，以及持续的监控和评估，而不是模型的复杂性。
如果有一个更广泛的收获，那就是在医疗保健AI中实现有意义影响的路径可能比预期的更渐进、更不显眼。成功的系统不太可能是那些吸引最多注意力的系统。它们将是那些安静地消除摩擦，一次一个工作流程的系统。
不是特别吸引人。但正如研讨会所明确指出的，可能更有效。
【全文结束】
