人工智能医疗健康技术创新：生命科学产业视角下的现状与挑战

摘要与图表

本研究旨在评估与生命科学产业相关的AI医疗健康技术创新的创新系统性能，并识别系统阻碍机制。研究采用社会技术分析框架——技术创新系统(TIS)，评估了瑞典西海岸地区(West Sweden)与生命科学产业相关的AI医疗健康技术创新的结构和功能动态。该案例研究采用混合研究方法，结合二手出版资料的定性和定量数据，以及对21位专家和25位生命科学企业高管的访谈。结果表明，创新系统性能主要受到资源有限和医疗专业人士在使用AI技术创新改善医疗方面需求沟通不足等系统弱点的限制。研究表明，为改善创新系统性能，可鼓励采取旨在增加可用资源和制定愿景与使命声明以利用AI技术创新改善医疗的政策干预。本研究通过在医疗背景下应用社会技术TIS框架，增进了对系统功能间机制和相互依赖关系的理解。

1. 引言

全球社会面临着人口老龄化带来的多重慢性疾病患者增加，导致对高质量医疗服务的需求不断增长（Kingston等，2018）。在成本压力下，社会面临如何以可持续方式提供医疗服务的挑战，仅靠增加资源无法解决这一问题。质量改进和创新是寻求更好医疗效果的基本驱动力，无需必然增加成本（Bergman等，2015；Liddell和Ayling，2011）。人工智能（AI）是一种可能加速医疗创新的强大力量。医疗领域充满数据丰富的流程，大量数据的可获取性，加上计算机能力和AI技术的发展，创造了巨大机遇（Jiang等，2017）。

基于AI的创新旨在模拟人类认知功能，使用AI算法的机器理解和处理大型数据集的能力已迅速提升。在大数据时代，将AI应用于医疗的一个优势是，可以通过算法发现数据中的复杂模式和关系，而无需雇用更多医疗专业人员进行数据分析。AI创新有各种医疗应用，如预测心脏手术后死亡率（Nilsson等，2006），作为智能人工假肢（Ortiz-Catalan、Brånemark和Håkansson，2013），或像皮肤科医生一样高效地诊断皮肤癌（Esteva等，2017），甚至可能比皮肤科医生更有效（Haenssle等，2018）。然而，与其它领域相比，医疗部门的数字化和AI采用速度较低（Laurenza等，2018），在宏观、中观和微观层面已识别出各种问题（Lennon等，2017）。

医疗是一个复杂的动态社会技术系统，结合了相互依存演化的功能元素（Effken，2002）。社会技术分析框架——技术创新系统(TIS)已成为评估影响创新系统性能的结构和功能的突出概念（Bergek等，2008；Hekkert等，2007；Markard和Truffer，2008）。先前的TIS研究在不同领域采用了功能动态方法，如生物精炼开发（Hellsmark等，2016）和离岸风电技术（Wieczorek等，2013）。据作者所知，少数TIS研究阐明了医疗部门（Kukk、Moors和Hekkert，2016；Larisch、Amer-Wåhlin和Hidefjäll，2016）；然而，没有具体的研究或综述将TIS框架应用于与生命科学产业相关的AI医疗技术创新创新系统性能评估。因此，我们的意图是在这一领域做出贡献，探索TIS框架如何扩展到新领域，识别可能的缺点和发展领域。因此，为促进对医疗部门创新过程的更全面理解，研究人员使用TIS方法研究与生命科学产业相关的AI医疗技术创新的性能和系统阻碍机制。

本研究旨在评估与生命科学产业相关的AI医疗技术创新的创新系统性能，并识别系统阻碍机制。相应地，研究人员制定了以下研究问题：（1）可以识别哪些系统优势和劣势；（2）对与生命科学产业相关的AI医疗技术创新是否有政策干预的启示？

2. 理论背景

人工智能（AI）指能够执行需要人类智能才能完成任务的机器。机器学习包含实现AI的各种技术，指计算机在没有明确编程的情况下学习。人工神经网络是机器学习技术架构的一个例子，模拟人脑。人脑由数十亿个神经细胞或神经元组成，组织成复杂的互连网络，使我们能够产生复杂的思维模式和行动。在一生中，神经元与其他神经元连接，复杂模式成长为功能性电路。同样，人工神经网络由神经元或节点组成，组织在不同层中，可以捕获数据变量和结果之间的复杂非线性关系。深度学习是人工神经网络的一个特定子集，使用多个隐藏层解决复杂问题。例如，卷积深度神经网络通常用于医疗中分析图像，如结构化CT或MRI数据。循环深度神经网络用于分析序列数据，如基因测序。自然语言处理（NLP）是一种流行的AI技术，用于分析非结构化数据，如临床检查和电子健康记录系统数据。

在本研究中，AI技术一词指所有代际和类型的人工智能。

创新系统是一组结构组件，有助于开发、传播和利用创新的整体功能（Carlsson和Stankiewicz，1991）。TIS分析框架包含影响创新系统性能的结构和功能分析（Bergek等，2008；Hekkert等，2007；Larisch、Amer-Wåhlin和Hidefjäll，2016；Markard和Truffer，2008；Rickne，2000）。如表1所示，功能知识开发与传播（F1）涉及知识的广度和深度。功能强度可以通过各种指标评估，如出版物数量和专家的定性评估。功能合法性（F2）涉及技术在相关机构中的社会接受度，可以通过定性数据评估合法性如何影响其他功能以及从开发应用程序到客户安装所需的时间。功能资源动员（F3）涉及行动者动员资本以产生和传播技术创新的能力。搜索指导（F4）涉及对增长潜力的期望以及与技术创新相关的最终用户需求。功能企业家实验（F5）指对新技术和应用程序的实验和测试，可以通过多种应用程序类型进行评估。功能市场形成（F6）涉及创新在市场上的广泛可用性。指标可能包括时间、规模和市场类型。当所有功能都得到满足时，一个加强和协同的系统可以在创新系统内部和向其他地区、国家或部门传播积极效应。这一过程有时被称为正外部性或系统范围协同效应（F7），可以通过建立国际标准和行动者之间的正式网络来评估。

3. 材料与方法

本研究要解决的问题性质需要深入探索专家思想，以理解与生命科学产业相关的AI创新过程。在这种背景下，定性案例研究是一种合适的研究技术，因为这种方法用于探索特定背景下的现象（Eisenhardt，1989）。对于此案例研究，采用了混合方法，因为定性和定量数据的三角测量预计将提供对研究主题的深入理解（Creswell等，2003）。

3.1 研究设置

瑞典在2018年全球创新指数中排名第三（Dutta、Lanvin和Wunsch-Vincent，2018）。尽管瑞典医疗系统在医疗结果衡量方面排名较高，但在技术效率方面排名较低（Anell、Glenngård和Merkur，2012；Tchouaket等，2012）。瑞典西海岸是生命科学的关键区域，约占全国总人口的25%（www.scb.se）。选择瑞典西海岸作为实证环境是由于研究人员的数据获取权限，在本研究中，结构组件指与生命科学产业视角下AI医疗技术创新相关的行动者、网络和机构。生命科学产业包括致力于开发、生产和分销医疗保健技术（如药品、医疗器械和设备）的公司。在本研究中，研究人员根据最终用户应用对AI医疗技术创新进行了分类，如表2所示。

3.2 数据收集与分析

数据收集基于来自官方和公开可用文档的定性访谈和二手数据。访谈分为三个阶段：（1）探索领域，（2）收集实证证据，（3）检查和探索专家经验。

3.2.1 第一阶段——深入访谈

进行了八位利益相关者的深入访谈，以归纳性地探索该领域并收集有关结构组件和感知弱点及优势的更多信息。开发了包含开放式问题的访谈指南，以允许参与者表达他们的观点和经验（Flick，2018）。样本选择使用了滚雪球抽样技术（Flick，2018）。访谈包括一位地方政策制定者、三位研究人员、一位医学博士、两位行业关联人员和一位金融投资者。每次访谈持续约30-60分钟。访谈笔记被转录并使用定性内容分析软件程序NVivo进行分析。

3.2.2 第二阶段——电话调查

进行了电话访谈，以收集来自已开发或正在开发AI创新的生命科学公司的实证证据。为识别公司，咨询了二手数据和第一阶段的参与者。通过已发布数据源（www.allabolag.se）收集了补充数据，包括收入和员工人数。确定了30家公司并通过电话或电子邮件联系。五家公司尚未考虑应用AI技术，被排除在研究之外。进行了电话访谈，期间要求每位公司代表根据最终用户应用定义公司的AI计划。在六种情况下，应用了多个最终用户应用，研究人员决定将所有应用纳入进一步分析。三个应用专门用于行业内的药物开发，被排除在分析商业部署的医疗保健中使用的创新之外。研究人员将捕获的数据分类为创新类型（OECD，2018）。要求每位公司代表根据表3中描述的水平对采用水平进行排名。访谈持续20-30分钟。

3.2.3 第三阶段——半结构化专家访谈

进行了半结构化专家访谈，使用开放式问题以进一步探索现象（Flick，2018）。基于理论框架和在第一阶段获得的现象知识创建了访谈指南。如果第二阶段的公司代表将采用排名定为五或以上，则要求他们指定组织内的AI专家。专家被定义为具有通过研究、开发、计算机科学、IT、营销或业务开发获得的AI技术的技术、流程导向和解释性知识的个人。所有被联系的专家都同意参与研究。进行了总共13次专家访谈，每次持续约60分钟，如表4所示。访谈笔记被转录并使用定性内容分析软件程序NVivo按照与研究问题相对应的主题进行编码。

4. 结果与分析

4.1 结构组件

图1中展示的医疗部门地图是基于研究参与者提供的信息和已发布来源的二手数据开发的，包括垂直轴上按学术、市场和治理领域的关键行动者，以及水平轴上的价值链。哥德堡大学、查尔姆斯理工大学和区域大学及学院被确定为学术领域的核心行动者。市场领域包括25家合格的生命科学公司。公司根据欧盟对中小企业的定义进行分类（European Commission，2015）。不符合任何中小企业定义的公司被归类为大型公司。研究包括5家大型公司、2家中型公司、3家小型公司和15家微型公司。

萨尔格里克斯卡大学医院是该地区最大的大学医院。建立了大学创新办公室和平台，以支持医疗专业人员和研究人员产生的创新。建立了科学公园和孵化器，以促进创新的商业化。BioVenture Hub是一个创新生态系统，整合在哥德堡的阿斯利康战略研发中心，为新兴生命科学公司和学术团体提供与彼此以及市场上最大现有企业之一互动的独特机会。治理领域包括投资者和国家行动者，如瑞典创新系统署（Vinnova）、瑞典专利局、瑞典医疗局和卫生与社会事务部。进一步影响治理和市场领域的区域行动者包括Business Region Göteborg（BRG），一家致力于发展区域产业的非营利公司，以及区域县办公室和区域机构。

4.2 功能评估

本节描述了与AI医疗技术创新相关的系统功能的优势（S）和劣势（W）。

4.2.1 知识开发与传播（F1）

在一些中型和大型公司中识别出决策者和AI专家之间的知识差距（W1）。并非所有决策者和管理者都具备足够的技术知识，以理解AI创新可能对市场或组织产生的潜在影响。相比之下，公司内的AI专家并非都具有提供更大AI投资论据所需的总体业务视角。由于缺乏AI医疗技术创新的经验，工业行动者普遍缺乏市场知识。

"我认为我们最大的障碍在我们的内部组织中。我们有很多数据，但坦白说，我们不知道能用它做什么。"（公司b，第三阶段的业务开发人员）

使用访谈数据和文献计量分析评估科学和技术知识。如图2所示，与AI医疗技术创新相关的科学出版物数量略有增加；然而，与生命科学和医疗相关的科学出版物的绝对数量较低（W2）。相比之下，分析了与所有工业部门相关的AI技术的出版物数量，代表西瑞典所有工业部门的研究人员发表的文章数量约为全球TIS预期的六倍。大量出版物部分归因于当地汽车工业与学术界之间的密集合作，这导致了与电动化相关的大量研究项目。因此，由于其他部门的大量活动，存在广泛的技术知识基础（S1）。

"坦白说，我们作为研究人员将把研究重点放在资金所在的地方。沃尔沃和吉利对电动化的先进AI技术投入了大量资源，而当地医疗组织对AI项目的投入非常少。"（第一阶段的高级AI研究人员）

4.2.2 合法性（F2）

分析了已发布来源的定性和二手数据，以评估合法性（F2）功能强度。AI专家对由于数据责任和隐私问题而难以使用健康数据表示沮丧（W3）。例如，重新使用从先前临床试验收集的患者数据可以在开发过程中成为关键资产；然而，先前收集的患者同意表不允许开发人员使用原本用于其他研究项目的数据，从而对数据所有权产生不确定性。

"我希望能够访问更多患者数据。我拥有的数据越多，我就能开发出更好的预测模型。"（公司a，第三阶段的高级开发人员）

通过评估技术采用水平，分析了从应用开发到安装的时间长度。如表5所示，发现医疗技术创新的采用水平较低（W4）。只有9%的服务创新已商业部署，73%处于前期开发阶段。根据研究参与者，服务创新往往由于难以获得商业模式的内部和外部认可而被延迟或推迟。例如，许多专家对提供投资回报预测和证明潜在未来收入模式感到沮丧。相比之下，约一半的产品创新已商业部署并推出给付费客户和利基市场。除了是物理产品创新还是数字虚拟服务创新外，产品和服务创新之间的一个主要区别是数据访问。因此，研究人员假设，对数据的控制越少，AI医疗技术创新的商业化所需时间就越长。例如，基于人工神经网络的决策支持系统依赖于访问医疗数据库，而产品创新（如人工假肢）可能仅需来自个别患者的数据。因此，与需要访问外部医疗数据库的服务或流程相关的服务创新相比，公司对物理产品创新的创新过程拥有更多控制权。

4.2.3 资源动员（F3）

使用定性数据和已发布来源的二手数据评估了功能资源动员（F3）。基础设施和数据访问是AI项目成功的关键，其核心是获得相关数据以训练和微调AI功能和准确性。瑞典以其高度发达的医疗质量登记系统而闻名，拥有各种医疗程序的大量数据，如髋部骨折患者国家质量登记系统RIKSHÖFT。然而，并非所有行动者都被允许使用医疗数据库中的数据，对于本研究中的非学术行动者，限制使用医疗数据库和质量登记系统的患者数据（W5）阻碍了AI医疗技术创新的进一步发展。两家公司没有遇到此类困难；然而，这些公司是由学术领域的医学研究人员创立的，因此可以访问医疗数据库。

与医疗部门感知到的发展缓慢速度相结合，对快速移动部门（如电动化）工作的吸引力，导致在生命科学中吸引AI技术人才的困难（W6）。

"尽管我肯定重视此类项目，但医疗领域的发展速度对我来说太慢了。"（第一阶段的高级AI研究人员）

学术界的AI专家经历了低财务资源（W7），这通过分析瑞典创新系统署（Vinnova）的资助调用总数得到了证实。直到2017年，有一个与TIS相关的调用；然而，有六个调用与其它部门相关。此外，中型和大型公司中的许多AI专家在向管理层展示新项目的投资回报时面临挑战，缺乏证据或不确定性往往导致不愿意投资。相比之下，微型和小型公司通常为早期开发项目吸引种子和风险资本。这也得到了一位投资者的证实，他宣称当地种子投资者愿意投资与AI技术创新相关的新前景。然而，项目的绝对数量以及因此投入的财务资本总额较低。

"我们决定分配一名全职员工负责数字化技术，以识别新的商业机会并支持我们的投资组合公司。"（第一阶段的高级投资者）

4.2.4 搜索指导（F4）

功能搜索指导（F4）通过来自下游市场行动者的定性访谈数据和已发布来源的二手数据进行评估。根据行动者与医疗和患者的接近程度选择行动者，因此他们对最终用户需求的了解和理解。例如，大学医院和医疗创新平台被纳入分析。尽管有少数来自领先医疗专业人员的与TIS相关的文章，但这些文章通常与医疗中AI技术创新所需的内容无关。这一发现通过上游市场行动者得到证实，他们认为领先医疗专业人员在使用AI技术创新改善医疗方面需求的表述不足（W8）。有趣的是，两家小型公司没有经历来自领先医疗专业人员的指导不足；然而，研究人员得出结论，这些公司是由在医疗系统中拥有良好建立网络的知名学术医学研究人员创立的；因此，他们不需要像非学术行动者那样需要指导。

"我们实际上不知道医疗组织需要什么。如果他们能指导我们如何在日常运营中利用AI，我们肯定会愿意投资。"（第一阶段的行业高级关联人员）

4.2.5 企业家实验（F5）

功能企业家实验（F5）通过该领域创新的一般推广、行动者数量和不同类型的申请进行评估。该功能通过该地区强大的创新文化得到加强，如已建立的创新办公室、科学公园和孵化器，它们积极参与各种活动以催化企业家活动并基于大学衍生企业建立新公司。此外，与TIS相关的新公司进入者数量自2014年以来增加了约25%（S2）。一些已建立的中型和大型生命科学公司尚未启动AI创新项目（W9），这对功能强度产生了总体负面影响。

"过去推动AI应用前进一直很困难。最近的高调事件和围绕AI的热议增加了我们开发新应用的可能性。"（公司b，第三阶段的业务开发人员）

本研究表明了各种最终用户应用（S3）；31%的已识别最终用户应用与决策支持相关，19%与患者支持相关，16%与教育相关，13%与医疗器械治疗相关，12%与药物开发相关，10%与诊断应用相关。

4.2.6 市场形成（F6）

功能市场形成（F6）基于行动者增强市场准入的战略的定性数据以及商业部署的AI技术创新水平进行评估。普遍观点认为，技术驱动的小型公司与中型和大型公司之间的合作将有助于减少上市时间。

"我们没有内部技术，因此我们最近收购了一家拥有非常有趣AI创新的初创公司。"（公司f，第三阶段的IT经理）

如表6所示，中型和大型公司中没有商业部署的医疗应用AI技术创新（W10）。相比之下，微型和小型公司开发的31%的AI医疗技术创新已商业部署；然而，这些由微型和小型公司开发的商业AI创新部署在利基市场，尚未产生显著收入（W11）。因此，研究人员得出结论，研究时AI医疗技术创新的市场规模总体较小。

4.2.7 系统范围协同效应（F7）

许多专家认为，与由其他领域代表的行动者启动项目存在困难，并寻求正式网络以进一步发展知识和增加跨学科合作（W12）。一些具有领域知识的中型和大型公司缺乏技术知识，因此热衷于与技术驱动的小型公司建立合作。相比之下，本研究中85%的小型公司基于特定技术创新成立，通常缺乏领域知识。此外，规范学术人员知识产权的所谓教师例外规则（Regeringskansliet 1949，345）和行业与医疗之间的限制性合作规则（W13）（SKL 2013）对跨学科合作和创新项目启动产生了负面影响。

"仅仅因为我精通各种医学领域，并不意味着我能够开发与我领域相关的创新。我们需要与公司合作。"（第一阶段的医疗专业人员）

基于机器学习技术的创新在使用过程中变得更加智能，因此一旦获得更多数据，就可以得到改进。与管理此类创新的动态性质相关的法律和监管要求在许多工业行动者中不明确。例如，从法律角度看，软件的自动升级是否被允许尚不清楚。这也在文献中得到证实，根据瑞典标准研究所（SIS），AI医疗技术创新缺乏国家和国际标准和法规（W14）。

4.2.8 功能评估总结

表7展示了功能评估的总结，包括从生命科学产业视角识别的AI医疗技术创新的优势和劣势。两个系统功能，知识开发与传播（F1）和企业家实验（F5），被评估为中级，可以被视为进一步发展TIS和性能的基石。然而，本研究表明，其余四个功能较弱，可能显著限制发展和创新系统性能。

4.3 功能模式

许多决策者表示，如果能够证明技术的必要性，他们进一步调查如何利用AI技术的意愿将会增加。决策者敦促医疗组织阐明与使用AI技术改善医疗相关的需求。明确沟通的需求结合AI创新的合法性增加，将为更多行动者进入该领域提供激励。因此，将有更多资源投资于新产品开发，导致更强大的知识基础。因此，搜索指导（F4）影响合法性（F2）和企业家实验（F5），并间接影响知识开发与传播（F1）和资源动员（F3）。

公司内部数据库中只有一小部分数据被分析。增加此类数据的访问和结构将允许AI专家进行更多实验。此外，访问医疗中可用的大型多级数据集将使AI专家能够实验并可能解锁新见解。利用内部和外部数据源的AI项目可以增加对潜在商业机会的理解。此外，它可以催化监管要求与技术发展之间的协调，而且，建立标准。因此，资源动员（F3）影响实验（F5），并间接影响知识开发与传播（F1）、市场形成（F6）和系统范围协同效应（S7）。

基于功能模式，研究人员得出结论，加强资源动员（F3）和搜索指导（F4）可以启动一系列活动，直接影响所有功能（图3）。

4.4 系统阻碍机制

如图4所示，解决医疗专业人员在使用AI技术创新改善医疗方面需求表述不足的功能劣势（W8），将直接影响搜索指导（F4）和两个其他功能的间接影响。此外，限制使用医疗数据库和质量登记系统的患者数据（W5）、难以吸引AI技术人才到生命科学（W6）和低财务资源（W7）将影响资源动员（F3）并间接影响三个其他功能。

因此，该分析表明，由于其对功能的直接和间接影响，某些系统阻碍机制比其他机制更重要。因此，研究人员得出结论，解决资源动员（F3）和搜索指导（F4）的功能劣势可能对创新系统性能产生重大影响。

5. 讨论与结论

本研究的目的是评估与生命科学产业相关的AI医疗技术创新的创新系统性能，并识别阻碍机制。基于功能动态和系统阻碍机制的分析，研究人员得出结论，解决资源动员（F3）和搜索指导（F4）的功能劣势可能对创新系统性能产生重大影响。

5.1 对政策干预的启示

由于功能相互作用并影响彼此，政策干预和活动可以针对加强特定系统阻碍机制。本研究表明，创新系统性能主要受到资源有限和医疗专业人士在使用AI技术创新改善医疗方面需求沟通不足等系统劣势的限制。

解决本研究中确定的系统阻碍机制的一种方法是建立一个共享项目投资组合平台，理想情况下由政府机构资助，以催化学术、市场和治理领域的行动者之间的跨学科合作，他们可以在具有明确定义目标和目标的项目上合作。此类项目的数量增加将为更多行动者提供实验和获得AI技术经验的机会。例如，增加对数据库和瑞典质量登记系统的健康数据的访问，将允许更多行动者使用数据进行实验。此类具体项目还将催化关于数据责任和隐私问题的讨论，鼓励机构行动者使当前法规与最新技术发展保持一致。

因此，为提高创新系统性能，可能有理由进行旨在增加可用资源和制定愿景与使命声明以利用AI医疗技术创新改善医疗的政策干预。

5.2 理论贡献

在其他创新系统分析中（Hekkert和Negro，2009；Larisch、Amer-Wåhlin和Hidefjäll，2016），知识开发与传播（F1）、合法性（F2）和资源动员（F3）显示出相互依赖性，为企业家实验（F5）和搜索指导（F4）在技术发展的早期阶段提供初始条件。然而，如图5所示，我们的分析表明，知识开发与传播（F1）和企业家实验（F5）相互依赖，并为合法性（F2）、资源动员（F3）、搜索指导（F4）和市场形成（F6）提供初始条件。更具体地说，结果表明，创新系统性能主要受到资源有限和医疗专业人士在使用AI技术创新改善医疗方面需求沟通不足等系统劣势的限制。因此，尽管使用单一案例研究存在局限性，但我们的研究的理论含义表明，在创新系统发展的早期阶段，知识开发与传播（F1）和企业家实验（F5）之间可能存在相关性。然而，需要更多研究来加强实证基础，因此，我们鼓励在医疗环境中应用更多TIS的研究，以更好地理解创新的采用。

5.3 局限性

研究人员承认本研究的局限性，在得出结论和建立在研究结果基础上时应予以考虑。本案例研究基于已发布来源的二手数据和46名研究参与者的访谈的三角测量，因此可能不代表整个人口。因此，在基于本研究结果进行概括时需要谨慎。研究的另一个局限性是边界，包括与生命科学产业相关的创新，而排除了在医疗组织内部开发的创新。因此，作者呼吁对在医疗组织内部和由医疗组织开发的AI医疗技术创新进行进一步研究。从数据收集到本报告发布时医疗系统的复杂性和创新系统的快速发展，呼吁进行进一步研究以分析AI医疗技术创新的时间发展。

致谢

分析包括第一作者先前收集的数据，并得到瑞典萨尔格里克斯卡科学公园的支持，特此致谢。然而，萨尔格里克斯卡科学公园并未影响本研究报告的分析或结论。

作者声明

作者报告无潜在利益冲突。

作者简介

Petra Apell是瑞典哥德堡查尔姆斯理工大学医疗改善中心（CHI）的博士生。她的研究兴趣是通过数字创新改善医疗质量。Petra是一位医疗技术企业家，《外科模拟基础：原则与实践》（Springer, Ltd）的编辑，并拥有与医疗技术创新相关的全球专利。

Henrik Eriksson是瑞典哥德堡查尔姆斯理工大学医疗改善中心（CHI）的教授。他有许多研究兴趣，如质量、质量管理与质量改善以及卓越组织。研究问题的示例包括：（1）如何实现高质量和良好结果？（2）卓越组织的特征是什么？（3）卓越组织与普通组织的不同之处是什么？

参考文献

（略，根据要求删除了参考文献列表）

【全文结束】