人工智能（AI）在医疗领域的整合正在以前所未有的速度加速。然而，医疗人工智能的高效应用在很大程度上取决于数据质量。研究表明，80%的医疗数据以非结构化格式存在，这使得AI算法或大语言模型难以提取有意义的见解。
"垃圾进，垃圾出"这一说法准确描述了当前状况。要真正发挥生成式人工智能在医疗领域的能力，必须解决数据质量相关的挑战并保持数据清洁。
医疗数据准备的独特挑战
当我们谈论医疗AI数据准备时，这实际上是一个两阶段过程——训练AI模型，然后将这些训练好的模型用于获取有用见解。使用医疗数据训练AI模型的主要障碍之一是数据质量和准确性的不一致性。来自不同诊疗场景的医疗数据缺乏标准化格式和准确性，这常常导致数据被错误解读或有价值的信息丢失。
医疗数据质量挑战
此外，医疗或实验室数据通常包含不准确信息、信息不完整或有效性不足的问题。这些数据质量问题可能误导AI模型识别不存在的模式，进而导致不准确或误导性的结果。因此，在为机器学习模型准备数据时，理解并解决这些缺陷至关重要。
AI数据准备过程中常见的问题源于半结构化和非结构化数据。由于80%的医疗数据以临床笔记等非结构化格式存在，因此需要将这些原始信息映射到行业标准。
鉴于这些挑战，医疗组织在将数据用于AI技术之前，必须建立特定的工具或流程来评估、清理和标准化数据。能够将临床笔记编码到行业标准的临床术语工具可以帮助提高输入AI模型的数据质量。
劣质数据在AI训练中的风险
成功整合AI到医疗领域在很大程度上取决于数据质量。使用不干净或混乱的数据训练AI模型可能导致多种并发症，如准确性下降和偏见的引入。与少数族裔群体相关的数据不足或过于简化可能导致模型中内嵌偏见，进而导致错误的假设和糟糕的建议。
AI实施中的数据质量核心要素
在为AI模型准备数据时，保持数据质量至关重要。组织在实施AI工具时应关注的六个核心要素包括准确性、有效性、数据完整性、完整性、一致性和及时性。通过确保这些质量特征，医疗组织可以更高效地为AI准备数据，将错误降至最低。
数据治理在AI成功中的作用
强大的数据治理流程，包括将数据对齐和验证代码至行业标准，对保持AI模型的数据质量至关重要。它有助于区分优质数据和劣质数据。
例如，验证实验室结果是否对应适当的代码至关重要，以避免错误代码进入系统。我们曾在某一数据集中发现数据质量准确率仅30%，因为包含无效和错误的实验室代码。将实验室数据标准化并映射到LOINC（观测指标标识符逻辑命名与编码）可以帮助整合来自多个来源的信息，从而确保数据准确性。
用于标准化医疗数据的临床术语，如LOINC、ICD-10、CPT和SNOMED，每年发布超过600次代码集更新。建立临床术语的单一真理来源是确保训练AI模型数据正确性的关键。持续评估模型训练使用的数据有助于识别数据中的差距或偏见。
通往有效医疗AI的道路
由于医疗数据的复杂性，建立一个适当评估和清理数据的流程至关重要。AI在医疗领域的潜力巨大，但数据质量的基础工作不能忽视，因为它们决定了AI平台的成功。通过有效的数据治理和标准化实践，医疗组织可以最大化AI能力，确保最准确的输出结果以改善患者护理。
【全文结束】
