自ChatGPT首次发布以来已经过去了两年多，在这段时间里，人工智能（AI）已经成为生成式AI的代名词。当大多数人讨论AI时，他们通常指的是大型语言模型（LLM）及其相关的聊天机器人。生成式AI对各个行业乃至全球普通民众的影响如此之大，医疗保健领域也不例外。
对于许多医疗保健组织而言，AI仍然是一个热门话题，但其吸引人之处在于它承诺可以改善临床和行政工作流程。2024年，早期采用者展示了AI的潜力。今年，预计将有更多组织涉足生成式AI领域。虽然越来越多的医疗保健领导者正在考虑和准备实施AI，但他们也在推动供应商展示其解决方案的实际价值。
2025年，预计医疗保健组织将对AI项目的风险承受能力有所提高，这将导致更高的采用率。然而，他们也将有意选择那些能够满足业务需求并在效率或成本节约方面带来回报的投资回报率（ROI）的解决方案。
以下是医疗保健组织在2025年可能如何接近AI的一些方式。
医疗保健组织将在2025年采用哪些AI解决方案？
医疗保健领导者对提供明确价值的AI工具感兴趣，无论是更好的临床医生体验、降低成本、提高行政效率还是改善患者护理。以下是一些例子：
环境监听减少临床文档
许多组织已经在使用环境监听技术，这是一种基于机器学习的音频解决方案。最初由医生使用，后来扩展到护士，语音识别技术实时监听和分析医患对话，然后提取相关信息用于临床记录，满足计费和编码要求。这使得临床医生可以专注于患者，而无需分心完成文档工作。
组织选择环境监听作为进入AI的第一步的主要原因是，它们评估并发现这些解决方案在临床效率和减轻倦怠方面具有明确的回报率（ROI）。另一个原因是，环境监听不再像过去那样被视为高风险，现在它属于医疗保健AI领域的“低挂果实”，与病历摘要一起。
推动生成式AI的准确性与透明度提升
一些医疗保健组织开始尝试检索增强生成（RAG），这是一种结合传统向量数据库功能与LLM的AI框架。换句话说，用户可以获得一个能够访问组织更准确和最新数据的生成式AI聊天机器人。RAG使组织的聊天机器人能够在问答应用程序中为员工提供更好的答案，从而减少了使用生成式AI工具的一些弊端。
合成数据在AI开发和测试中的使用也将引起更多关注，因为拥有足够好的数据来验证模型是一个挑战。这是更大范围内的模型测试和模型保证能力趋势的一部分。这些模型的性能声明将面临医疗保健组织越来越严格的审查。过去，组织不知道该问什么问题，但现在有更多的教育资源可用。医疗保健领导者希望确保这些模型能兑现其承诺。例如，健康AI联盟等组织正在创建框架来实现这一目标。
机器视觉改善患者护理
在患者房间添加摄像头、传感器和麦克风，使医疗保健组织能够收集更多数据，这些数据可以通过AI平台进行分析，以改善护理。例如，摄像头可以检测到患者在床上翻身，平台可以通知护理团队成员无需手动翻身。一些摄像头还可以检测到患者起身，并提醒工作人员防止跌倒。
随着这些工具的进步和更多的医疗物联网传感器及摄像头被添加到患者房间，更多的解决方案将结合机器视觉和环境监听的AI能力，以改善主动患者护理和临床工作流程。
2025年AI法规是否会增加？
AI法规已经有增加的趋势，我们预计这种趋势将继续下去，主要是由于AI的本质和对未知的恐惧。无论来自政府还是来自监管机构和组织，可能会出台新的法规以确保AI不会被不当使用。然而，重要的是要在监管和创新之间取得平衡。
医疗保健组织还将更加关注如何遵守现有的法规，如国家协调员办公室关于健康数据、技术和互操作性的HTI-1最终规则。
为医疗保健领域采用AI做准备
AI为医疗保健组织提供了令人兴奋的可能性，可以改善提供者体验和患者护理，但要有效使用AI工具，关键在于IT基础设施。组织的速度和带宽是否已升级以支持这些解决方案？
计划实施AI解决方案的组织还应努力整理其数据。即使是即用型AI解决方案也需要良好的数据治理。组织对其自身数据了解得越多，IT团队就越容易知道解决方案在其环境中如何运作。如果数据管理不善，AI实施将更具挑战性。
AI治理是实现实施成功的重要因素。组织应有一个明确的AI定义，并确保组织内存在合适的人来讨论潜在风险、ROI和文化准备度。尽早且经常进行这些讨论，有助于统一组织内部的不同AI兴趣。
IT领导者还需要考虑如何有效地将AI解决方案集成到工作流程中并获得用户的支持。即使解决方案很好，但如果实施不当，效果也会大打折扣。
大多数医疗保健组织预算有限，因此一些AI工具会被选中，而另一些则不会。不能解决现有问题或无法提供某种形式回报的工具将被优先级较低，组织可能会选择继续沿用旧方法。
(全文结束)
