医疗AI未来成败与否 数据管理技术是关键要素

　　人工智能（AI）和机器学习技术正在席卷大多数产业，医疗保健也不例外。软件开发公司InterSystems建议，正在部署AI技术的企业，必须确保拥有算法需要的大量高质量数据之外，还需要投资数据管理技术，考虑讯息资产和讯息流，以及适当的人员。

　　InterSystems在HealthcareITNews刊文表示，现在企业布建AI所面临的阻碍来自数据，许多企业拥有的数据并不是存在一个地方，格式也不见得能使用，且数据可能含有可能导致错误决策的偏见，因此企业必须评估现有的讯息系统和数据流，厘清哪里些领域需要投资。

　　Medicomp Systems执行长表示，机器学习的进展在很大程度上取决于算法处理数据的精确度，而低质量的数据无法实现创新需要的效率和精准度，对医疗保健来说是一项重大挑战，特别是在数据复杂且通常非结构化的临床领域。

　　对实际部署AI和机器学习系统的企业来说，糟糕的数据质量会影响投资回报率，并降低采用率。INFOSYS调查显示，接近一半的受访者表示无法部署想要的AI技术，因为数据还没有准备好，77%的IT决策者表示正在投资数据管理，特别是印度和美国企业。

　　AI可以快速消化大量数据，并将其转化为临床决策所需的可用信息，可以产生巨大变革。问题是，这些机器学习系统必须能够持续且快速地摄取大量医疗数据，背后还必须有正确的基础架构和流程支持。

　　组织需要投资数据管理技术。报导建议，企业应该关注IDC提出的第三平台（Third Platform）数据管理技术，加速企业数码化转型。IDC指出，人工智能和机器学习是第四平台，即数码转换平台的一部分，因此利用第三平台实现第四平台是有意义的策略。

　　企业还需要考虑讯息资产和讯息流，并注意为讯息产制工厂提供讯息的物流。AI和机器学习可以被认为是饥饿的算法，就像需要连续输入以提高生产力的装配线一样。讯息物流是在正确的时间为合适的算法以正确的格式提供正确的产品。

　　对于企业来说，花时间了解AI系统中的数据流，了解数据的质量以及储存方式，增强并用于未来培训至关重要。Mission Health执行长Chris DeRienzo提到创建成功的AI需要的5项关键要素当中，只有一个与技术有关，其它都是人员条件。

　　一旦企业制定正确的技术、团队和程序分析，在强大算法、大量数据与处理能力支持下，AI和机器学习将准备好实现这些被大肆宣扬的应用。