随着人工智能（AI）技术的兴起，数据管理政策必须确保信息的准确性和可信度，以便临床医生能够从中获得高质量的见解。生成式人工智能正在帮助医疗保健组织提高生产力和推进临床护理，但其可靠性仅取决于训练数据的质量。这使得医疗保健数据治理变得越来越重要。
一项来自亚马逊网络服务（AWS）和哈佛商业评论的新调查显示，跨多个行业的首席数据官担心他们的数据资产无法胜任任务。根据调查的新闻稿，52%的受访者认为他们组织对生成式AI的准备程度“不足”，而39%的人将数据问题列为有效扩展AI的最大障碍。
然而，医疗保健行业的监管框架使其在利用AI方面具有独特的优势。AWS的企业战略家Thomas Godden表示，“数据治理是确保患者安全的基础。”他之前曾担任Foundation Medicine的首席信息官。“医疗保健组织已经需要清理和控制其数据。因此，在很多方面，它们比其他行业更好地为AI做好了准备。”
为什么AI使医疗保健中的数据治理更加复杂？
数据治理是指确保数据高质量、易于访问、安全和可信的政策和标准。追踪和维护AI支持的技术所需的大量数据使医疗保健中的数据治理变得更加具有挑战性，主要体现在以下几个方面：
保持数据集更新
医疗保健数据不断演变，AI训练模型必须反映这些变化以确保准确性。“如果你不每天或每周更新模型，就会错过世界和患者中发生的变化。”Godden说。
消除偏差
数据可能包含与性别、种族和社会经济地位等因素相关的偏差。Quest Software的首席现场技术专家Susan Laine表示，数据团队必须有一个系统来识别并消除这些偏差。“当数据输入AI用于诊断和治疗建议时，数据问题只会被放大。”她警告说。
明确责任和问责制
如果AI驱动的决策导致不良结果，开发者、用户还是系统本身应该承担责任？“如果你不清楚数据发生了什么，就不会知道问题的真正来源或需要修复的地方。”Laine说。
AI和数据治理的好处是什么？
强大的数据治理框架确保AI模型接收到高质量的信息，从而降低风险。Laine说，“数据治理就像给AI套上一个玻璃盒。”它提供了透明度，让人们了解哪些数据在喂入AI模型以及谁接触过这些数据。
同时，AI本身也可以改善数据管理。它可以用于政策执行和安全模式分析。例如，AI可以监控和验证敏感患者数据是否被正确访问和处理。聊天机器人可以通过帮助分析师更高效地分类和解释大数据集中的信息来增强用户体验。
此外，机器学习工具可以帮助医疗保健组织处理更大的数据流。AI自动处理并从收集的数据中学习，从而使系统能够不断改进。
组织如何设定AI数据治理的现实期望？
Godden指出，一个常见的挑战是领导者认为必须在生成AI工具的价值之前振兴整个组织的数据集。相反，他鼓励他们调整期望并从小目标开始：“确定一个商业机会，并专注于解决该特定问题所需的数据治理和清理。”
明确组织的价值观并确保员工理解这些价值观也非常重要。这为员工提供了必要的指导方针，以便在数据异常发生时，他们可以根据公司的期望正确识别和修复问题。“AI模型会有偏差，纠正这些问题将取决于个人的价值判断。”Laine说。
她补充道，医疗系统需要记住AI并不完美。人为干预至关重要，尤其是在确定数据中异常原因时。“如果我是医生，我会感到更放心，知道有一个数据治理团队在后台验证数据是否合理。”Laine说。
谁应该领导AI数据治理工作？
通常由首席数据官领导治理工作，并得到数据质量分析师和架构师的支持。现在还使用提示专家来更好地训练AI训练模型。
当开始AI和数据治理时，Laine强调数据管理专业人士应该发挥主导作用：“这些人了解数据如何移动和变化。我认为依靠他们的专业知识对于组织正确实施AI至关重要。”
Godden补充说，建立医疗保健AI项目时，应该有一个多元化的团队参与制定管理和程序。这包括IT和数据团队、医疗专业人员以及法律、营销和人力资源部门的人员。“所有参与构建和使用AI的人都需要了解它并保持警惕。”Godden说，所有团队成员都有责任监测AI的一致性。“这不是IT的问题。这是每个人的问题。”
(全文结束)
