医疗保健的未来是由数据驱动的，借助分析技术并依靠人工智能(AI)和机器学习(ML)来推动。随着生成式AI等技术登上头条，它们有望显著增强医疗服务，在初级保健医生、患者以及其他临床医生和专家之间建立新的联系。
将分析技术的预测能力与AI的计算能力相结合，可以改善患者预后和健康公平，甚至实现医疗互操作性这一“圣杯”——让不同的医疗系统和平台无缝连接、协作并共享数据。
但是，在生态系统中的企业能够利用AI和分析技术实现互联医疗之前，他们需要坚实的愿景以及扎实的数据和分析基础。
克服长期存在的挑战
医疗保健行业的复杂性带来了重大且长期存在的挑战：
- 应对健康不平等：不同人群在医疗服务获取和提供方面的差异导致许多患者的预后不佳。
- 实现价值导向型医疗：在支付方、提供方和其他关键利益相关者之间定义和衡量价值的困难，阻碍了从数量到价值模式的转变。
- 填补劳动力缺口：医护人员短缺正在阻碍医疗服务的可及性。
- 管理不断上升的成本：健康系统追踪器发现，2001年至2021年间，医疗成本增速(3.3%)快于所有商品和服务的成本增速(2.2%)，可负担性成为主要问题。
- 缓解日益增长的压力：患有慢性病和合并症的人数正在上升。加上人口老龄化和增长，支付方和提供方承受着提供有效、持续护理的压力。
这些挑战曾看似不可逾越。但如今，随着技术进步，终于有了有效的解决方案。
从顶层展望
领先的医疗企业已经在利用数据分析改善医疗服务提供和患者预后。例如，通过使用分析技术了解人群，一家提供方推出了一系列举措，使急诊科使用率降低了5%。这包括开放免预约就诊、扩大在线紧急护理以及重新定义基于电话的护士分诊方案。
通过使用分析技术和AI来提升决策能力，支付方、提供方和临床医生正在降低成本并改善患者体验。私募股权公司Frazier Healthcare Partners的数据与AI合伙人Ken McLaren强调了其投资组合公司之一Caravel Autism Health如何运用这些先进技术。“Caravel现在可以预测哪些临床活动将改善自闭症儿童的预后，从而帮助临床医生更好地确定优先护理目标。AI帮助公司提高了识别需要额外治疗客户的能力，更精确地进行分诊和护理，并改善了根据行业标准指标（Vineland-3和VB-MAPP）衡量的整体结果。这种影响也延伸到了员工身上，他们现在可以更有效地利用时间。”
其他医疗提供方正在通过使用AI预测哪些患者不会在特定诊所赴约来改善医疗可及性和提供。这有助于通过超额预订最可能缺席的预约来提高接诊能力，并为患者提供更多就诊和治疗的机会。
随着生成式AI的迅速崛起，公司正在利用它来增强临床助手、自动生成咨询后的医疗文档，并通过翻译和通信解决方案改善服务。
AI和分析技术使从业者能够快速获取患者洞察，使他们能够采取明智的行动，影响收入周期管理、临床决策，并最终影响人群健康管理。但AI不仅仅是技术。它正在帮助将人文关怀带回医疗保健。
“AI并不是在做临床决策，而是通过洞察来教育和告知临床医生，帮助他们更快地做出更好的决策，”McLaren说。“凭借一流的数据分析，公司可以解决重大业务问题，无论是改善临床医生对患者的评估，还是确保肿瘤药物在正确的时间送达正确的地点，同时最大限度地降低不良反应或不依从的风险。”
既然有如此巨大的潜力，是什么阻碍了医疗企业全面拥抱AI和分析技术？
数据的障碍
该行业数据丰富，但这些数据并未得到有效利用。例如，在最近的一项研究中，我们发现数据获取是阻碍健康计划高管提供、计划提供或考虑提供一系列健康社会决定因素(SDOH)福利的最大挑战之一。
数据成为障碍的原因有几个：
- 复杂性和成本：建立企业数据基础设施并非易事，也并非没有开销，但拥有高质量的数据对于AI和分析技术提供有意义的洞察至关重要。
- 信任：医疗保健有严格的数据隐私法规。为了有效利用数据，企业必须跟上治理、安全要求和法规的步伐，并保持对AI的道德态度。
- 人才缺口：对具备业务、技术和数据知识的人员进行再培训和招聘是一个巨大的挑战。
- 缺乏互操作性：由于医疗数据分散在系统和价值链中，很难创建能够清晰了解个人病史或提供有意义体验的连接和洞察。
互操作性挑战持续伤害着行业和患者。但正在解决这一问题的公司正在产生影响。他们通过跨支付方、提供方、药房等共享数据来改善患者服务，以识别人群和社会经济趋势。例如，如果他们能够预测某个地区肾病的增加，就可以雇佣合适的医生并投资合适的服务来匹配未来的需求。
从基础做起，以数据为基石
投资强大的数据基础需要数据湖来为结构化和非结构化数据创建集中式存储库。然后企业可以收集、存储、管理和分析来自无数来源的海量数据。
虽然收集数据至关重要，但管理和清理数据同样重要。毕竟，不准确或不完整的数据可能会对患者、支付方和提供方造成严重后果。只有拥有干净且管理良好的数据，企业才能生成准确的健康预测，识别高风险患者并积极治疗他们以改善长期预后。这对于维护患者安全、减少管理、诊断和治疗中的错误也至关重要，更不用说提高支付方和提供方的运营效率了。
将数据管理和清理与数据湖中的收集和存储相结合，使医疗企业能够在不违反隐私和安全要求的情况下释放研发创新。然后，公司可以利用强大的分析技术和AI技术（包括生成式AI）创建新的功能、应用程序和服务。
组织正在创建日益复杂、垂直整合的系统，这些系统结合了医疗生态系统的不同元素，例如医疗服务提供与健康保险、药房、零售和诊断。其目标是更好地预测和理解SDOH与人群健康需求，从而节省下游成本。但是，如果没有强大的数据、工程、分析技术和AI工具来建模和可视化结果，公司就不会看到预期的投资回报。
互联的未来
有了数据基础，实现互操作性和互联医疗的能力就更近了。能够轻松访问和交叉引用医疗记录、检查结果和其他临床数据的公司将全面了解其成员和患者。这意味着他们可以预测人们是否面临某些疾病的风险，发现护理缺口，并理解他们需要的不是更多的护理，而是可能的经济帮助。
那些投资于数据基础的组织将是在现在和将来能够使用最具影响力技术的组织。随着AI和分析技术能力的高速发展，我们可以期待未来的医疗保健将实现无缝连接、更加个性化，并为所有人带来更好的体验。
Alex Kleinman是Genpact医疗保健业务的全球部门负责人，他负责监督为全球主要医疗支付方、提供方、分销公司以及医疗技术和服务的公司提供数字化转型和托管服务的团队。
Supreet Arora领导Genpact的医疗数据与分析实践。凭借在医疗行业超过15年的经验，他利用其领域知识与数据分析专业知识，为医疗价值链上的客户提供创新解决方案。
【全文结束】