医疗AI的下一个考验：整合

MIT Technology Review 2026/09/10 08:58 新闻

摘要

大型AI公司通过先进模型增强医疗AI能力，但将其成功整合到收入周期管理等运营工作流中，由于系统碎片化和整体解决方案的需求，仍然是一个关键挑战。

大型AI公司进入医疗领域是一个重要且受欢迎的发展，加速了行业可用的技术基础。 <figure class="wp-block-image size-large"><img loading="lazy" decoding="async" width="1365" height="768" src="https://wp.technologyreview.com/wp-content/uploads/2026/08/Ensemble-contributed-iStock-2263561985.jpg?w=840" alt="" class="wp-image-1141428" srcset="https://wp.technologyreview.com/wp-content/uploads/2026/08/Ensemble-contributed-iStock-2263561985.jpg 1365w, https://wp.technologyreview.com/wp-content/uploads/2026/08/Ensemble-contributed-iStock-2263561985.jpg?resize=300,169 300w, https://wp.technologyreview.com/wp-content/uploads/2026/08/Ensemble-contributed-iStock-2263561985.jpg?resize=768,432 768w" sizes="auto, (max-width: 1365px) 100vw, 1365px" /></figure> 他们的模型越来越能够处理长临床记录、解释复杂术语、将文档与证据进行比较，并从大量信息中生成连贯的摘要。对于花费大量时间搜索碎片化数据的临床医生、操作员和行政团队来说，这些进展有助于减少认知负担，使高价值信息更易获取。 但医疗领导者不应混淆模型能力与运营能力。 医疗行业的行政挑战源于信息碎片化、工作流碎片化和责任碎片化，而非信息缺乏。行业投入数十年时间构建捕捉活动的系统：电子健康记录、计费平台、支付方门户、调度系统、呼叫中心平台和分析应用。每个系统都记录重要信息，但很少有系统设计用于推理整个决策链，以确定患者是否能及时获得服务、临床医生是否有正确的文档，以及服务提供者是否得到适当补偿。 这正是AI现在必须面对的问题。 <h3 class="wp-block-heading">收入周期正成为医疗AI的试验场之一</h3> 收入周期是医疗提供者用来获得护理报酬的流程——从调度和登记，到编码、计费、支付方跟进和收款。 它特别适合严格的AI部署，因为它结合了高交易量、复杂推理、结构化和非结构化数据、可衡量的结果以及显著的运营差异。它还位于财务绩效、患者可及性和行政工作量的交汇点。 单一索赔可能受到患者保险信息、临床文档、编码规则、支付方特定政策、事先授权要求、医疗必要性标准以及许多其他数据源和运营流程的影响。任何一个领域的中断都可能在数周或数月后产生下游后果。 这就是为什么通用自动化常常不尽如人意。 传统机器人流程自动化在工作流稳定且规则可预测时效果良好，但医疗行政既不稳定也不可预测。支付方要求会变化。文档期望会演进。例外情况常见且往往重要。 大语言模型改进了部分方程式，从叙述性文本中提取意义、总结记录并支持对复杂文档的推理。但单独使用时，它们继承了重要限制。它们可能产生看似合理但缺乏足够可追溯性的输出。它们可能缺乏对本地工作流约束的认识。它们可能遗漏决定行动是否可能改变结果的支付方特定历史或上下文。 <h3 class="wp-block-heading">为什么基础模型将变得必要但不足够</h3> 主要AI公司正在为医疗解决真实的技术问题。 更好的上下文窗口使处理纵向记录变得更容易。更强的推理改善了对复杂临床场景的解释。更好的多模态能力最终可能以更有用的方式连接文本、图像、结构化数据和临床信号。更安全的模型行为和医疗特定调优将继续提高采用率。 这些能力将使医疗工作更快、更一致、更易于导航。但它们本身无法解决根深蒂固的行政复杂性。 医疗运营知识的大部分并不存在于一般医学文献、编码手册或公共支付方指南中。它存在于决策制定后实际发生的累积经验中。例如： <ul class="wp-block-list"> <li>为什么一种上诉策略优于另一种？</li> <li>哪些文档差距最可能导致报销延迟？</li> <li>特定支付方对特定临床论点如何回应？</li> </ul> 这些见解是行为性、运营性和纵向性的。它们源于多年的交易、结果、例外和人类判断。 随着基础模型变得更强大，访问基础医疗知识将变得不那么具有区分度。大多数领先系统将能够解释ICD-10代码、识别医学术语、总结支付方政策，并推理公共临床标准。持久的优势将来自组织如何将模型智能与专有运营数据、结构化知识、工作流上下文和治理相结合。 <h3 class="wp-block-heading">技术转变：从自动化到编排</h3> 代理编排将基础模型的理解转化为协调行动——智能可以跨系统跟踪工作、应用正确规则、在变化时适应，并从后续发生的事情中持续学习。 例如，一个事先授权工作流可能需要通过快速医疗互操作性资源（FHIR）API检索临床文档、将患者历史映射到支付方标准、识别缺失证据、生成提交包、将异常路由给专家、监控支付方响应、调整患者护理路径，并从结果中学习。 这种类型的工作流需要协调。它还需要护栏：监管要求、隐私标准、临床政策、编码规则、支付方标准和组织风险阈值。一个有前景的方法是混合架构，将LLMs与结构化知识库、符号逻辑、强化学习和确定性验证层相结合。 在Ensemble，这是我们的收入周期智能引擎EIQ背后的设计原则。EIQ将运营活动、临床文档、支付方行为和报销结果整合到一个持续学习的智能层中，该层与医院的电子健康记录（EHR）集成。它通过一个智能系统补充记录系统，旨在连接信息并浮出最有可能改善结果的行动。 EIQ使用神经符号方法，将LLMs和定制小语言模型与基于规则的推理相结合。该架构建立在医疗领域最健壮的数据集之一上，受益于十多年屡获殊荣的运营绩效、交易历史、支付方行为和操作员决策。语言模型帮助解释信息并生成人类可读的输出。符号层表示政策、规则、支付方要求和工作流约束，以便系统可以应用护栏、使推理步骤更可追溯，并推荐适合特定运营背景的行动。 <h3 class="wp-block-heading">从模型到系统：为什么医疗AI需要架构，而不仅仅是模型</h3> 模型本身不是解决方案。它们是解决方案的一部分。在医疗环境中，模型必须与数据管道、业务逻辑、用户界面和治理框架集成，才能在现实世界中产生影响。 这就是为什么医疗AI的下一个考验不是模型性能，而是系统集成。组织将需要构建或采用平台，将基础模型能力与运营上下文、专有数据和工作流自动化相结合。 那些做到这一点的将能够解锁显著的效率、减少错误并改善结果。那些未能做到的将发现他们的AI投资停留在试点阶段，无法扩展或产生持久影响。 整合之路不容易。它需要跨学科团队、对运营复杂性的深刻理解，以及愿意投资于不那么光鲜但必要的基础设施组件，如数据管道、API集成、监控和安全。但这是医疗AI充分发挥潜力的唯一途径。 随着行业继续探索AI在医疗中的作用，重点应从模型本身转向构建使模型能够在运营环境中茁壮成长的系统。这是真正的考验，也是最大机会所在。

查看原文

查看缓存全文

缓存时间: 2026/09/10 14:14

# 医疗保健AI的下一个挑战：系统整合来源：https://www.technologyreview.com/2026/09/10/1141421/healthcare-ais-next-test-is-integration 大型AI企业进军医疗保健领域是一个重要且可喜的进展，正在加速该行业可用技术基础的提升。这些模型在处理长篇临床记录、解读复杂术语、对照循证依据核对文档，以及从海量信息中生成结构化摘要方面的能力日益增强。对于需要花费大量时间搜索零散数据的临床医生、运营团队和行政人员而言，这些进步有助于减轻认知负担，使高价值信息更易获取。但医疗保健领域的管理者不应将模型能力与运营能力混为一谈。医疗保健面临的行政挑战源于信息碎片化、工作流程碎片化和责任碎片化，而非信息匮乏。该行业数十年来投资于记录各类活动的系统：电子健康记录、计费平台、支付方门户、排班系统、呼叫中心平台和数据分析应用。每个系统都记录了重要信息，但鲜有系统被设计用来贯穿完整的决策链条——这个链条决定了患者能否及时获得医疗服务、临床医生能否获得正确的文档，以及医疗服务提供者能否获得合理报销。这正是AI当前必须面对的难题。 ### **收入周期正成为医疗AI的试验场之一** 收入周期是医疗服务提供者为获得医疗护理报酬而采用的流程——从预约挂号、编码计费、支付方跟进到收款。这一流程异常适合严格的AI部署，因为它结合了高交易量、复杂推理、结构化与非结构化数据、可量化结果以及显著的运营差异。它同时处于财务绩效、患者可及性和行政工作量的交汇点。单次理赔可能受到患者保险信息、临床文档、编码规则、特定支付方政策、事前授权要求、医疗必要性标准以及众多其他数据源和运营流程的影响。其中任何一个环节的中断都可能在数周或数月后产生连锁后果。这就是为什么通用自动化往往效果有限。传统机器人流程自动化在工作流程稳定、规则可预测时运作良好，但医疗行政两者皆非。支付方要求不断变化，文档规范持续更新，例外情况常见且往往影响重大。大语言模型改善了等式的一部分——从叙述性文本中提取含义，总结记录，并支持对复杂文档的推理。但仅凭单个模型使用时，它们也继承了重要局限性。它们可能生成缺乏足够可追溯性的看似合理的输出；可能缺乏对本地工作流程约束的认知；可能遗漏决定某一行动是否可能改变结果的特定支付方历史或背景信息。 ### **为何基础模型将成为必要条件而非充分条件** 主要AI公司正在为医疗保健领域解决真实的技术问题。更优的上下文窗口使处理纵向记录变得更加容易。更强的推理能力提升了对复杂临床场景的解读。更出色的多模态能力最终可能帮助以更有用的方式连接文本、影像、结构化数据和临床信号。更安全的模型行为和针对医疗的专门调优将继续推动应用普及。这些能力将使医疗工作更快、更一致、更易导航。但它们本身无法解决根深蒂固的行政复杂性问题。医疗保健领域的大量运营知识并不存在于通用医学文献、编码手册或公开的支付方指南中。它们存在于决策执行后积累的实际经验中。例如： - 为何一种申诉策略优于另一种？ - 哪些文档缺失最可能导致报销延迟？ - 特定支付方对某一临床论证的反应模式是什么？这些洞见具有行为性、操作性和纵向性。它们源于多年积累的交易记录、处理结果、例外情况和人类判断。随着基础模型能力不断增强，获取基础医疗知识将不再具有差异化优势。大多数领先系统将能够解读ICD-10编码、识别医学术语、总结支付方政策，并基于公开临床标准进行推理。持久优势将来自各组织如何将模型智能与专有运营数据、结构化知识、工作流程上下文以及治理体系相结合。 ### **技术范式转变：从自动化到编排协同** 智能体编排将基础模型的理解转化为协同行动——这种智能能够跟踪工作流跨系统运行、应用正确规则、在情况变化时自适应调整，并从后续事件中持续学习。以事前授权工作流程为例，它可能需要：通过快速医疗互操作性资源（FHIR）API检索临床文档，将患者病史映射到支付方标准，识别缺失证据，生成提交包，将例外情况转交给专家，监控支付方响应，调整患者护理路径，并从结果中学习。这类工作流程需要协同配合。它也需要保障措施：监管要求、隐私标准、临床政策、编码规则、支付方标准和组织风险阈值。一个有前景的方法是采用混合架构，将大语言模型与结构化知识库、符号逻辑、强化学习和确定性验证层相结合。在Ensemble，这是我们营收周期智能引擎EIQ背后的设计原则。EIQ将运营活动、临床文档、支付方行为和报销结果整合到一个持续学习的智能层中，并与医院的电子健康记录（EHR）系统集成。它通过智能系统补充记录系统，旨在连接信息并推荐最有可能改善结果的行动。 EIQ采用神经符号方法，将大语言模型与定制小语言模型同基于规则的推理相结合。该架构建立在医疗保健领域最稳健的数据集之一上，基于十多年屡获殊荣的运营绩效、交易历史、支付方行为和运营者决策数据。语言模型帮助解读信息并生成人类可读的输出。符号层则表示政策、规则、支付方要求和工作流程约束，使系统能够应用保障措施、增强推理步骤的可追溯性，并推荐符合特定运营情境的行动方案。 ### **未来十年的奖赏所在** 主要AI公司对医疗保健的贡献将是巨大的。它们的模型将变得更快、更安全、能力更强、更易获取。但医疗AI的下一个十年将由系统整合定义，而不仅仅是模型能力本身。创造最大价值的组织将是那些将模型与受控数据、运营工作流程、领域专业知识、人类监督和可量化结果连接起来的组织。他们将理解医疗智能无法存在于独立的界面中。它必须内嵌于决定医疗服务可及性、文档管理和患者体验的各项决策之中。 *本文内容由Ensemble提供，并非MIT Technology Review编辑团队撰写。*

医疗AI的下一个考验：整合

相似文章

有没有人注意到医疗AI的讨论正逐渐远离模型？

医疗AI并非真正的问题

医院中的AI并非替代医生，而是优化医院实际运作方式

用代理式AI重振全球医疗的人性化

未来几年，哪个医疗领域将从人工智能中受益最多？

提交意见反馈