AI改善患者结局与体验的能力确凿无疑，但它受到传统数据系统的制约。
医疗行业必须从孤立的、按职能划分的数据架构，转向能够实时摄取多模态数据的架构，以支持推理和自主行动。
通过迈向这一新型医疗数据架构，拥有主权的国家能够为民众提供更优质的医疗服务，发掘前所未见的新洞见与新发现，并构建由自主学习型AI驱动的卫生系统。
在短短几年间，人工智能（AI）在医疗领域的应用已从理论走向变革性实践。如今，AI正助力我们重新构想医疗的方方面面——从行政负担到诊断及患者结局。
例如，在新加坡的SingHealth，生成式AI（Gen AI）文档系统Note Buddy，可同时以四种语言将患者就诊过程转写并总结为临床记录。在美国梅奥诊所，研究人员开发了一款名为StateViewer的AI工具，该工具可帮助临床医生利用一次普及度较高的扫描，更快速、准确地识别与九种痴呆症相关的大脑活动模式。与此同时，诸如加拿大多伦多圣迈克尔医院的CHARTWatch等预测工具，已将非预期死亡率在内科病房降低了26%。
这些例子以及其他众多实例，充分彰显了AI改善人类健康的巨大力量，也正因如此，许多人认为全球医疗的AI变革是不可避免的。
然而，这一不可避免的趋势正遭遇瓶颈：医疗行业的数据历史漫长而复杂，历经数十年形成了各异的系统、不兼容的格式、孤立的记录及陈旧的基础设施。过时的数据结构将AI局限于狭窄的、针对特定任务的工具，而非让其通过获取完整的多模态医疗数据来实现推理、学习与行动，从而制约了创新。要实现更优质、更个性化、更便捷的医疗服务，需要对医疗底层数据架构进行大胆重构。
如今，即便是数字化水平最为先进的机构和国家，也缺乏支持下一代智能体化与推理型AI系统所需的、已为AI做好准备的数据架构。要让各国落实其承诺，在符合本国文化、历史与伦理框架的前提下，大规模地将主权健康AI作为国家级资源加以推广，各国将需要重新设计其健康数据架构。
构建面向下一代的医疗数据架构
要打造现代数据架构，以下概念至关重要：
1. 统一数据管道
大多数现有的健康数据结构，设计初衷是提供批量更新，并依赖电子健康记录、实验室检测或影像的人工录入。然而，健康数据日益由实时传感器和自动化数据输入所驱动，且未来将更加如此。
因此，现代数据结构需要借助智能统一数据管道，实时清洗、标准化并标注传入数据，并直接将这些数据转化为数值表示，使AI能够理解。该管道使数据从相对僵化的关系型数据库，转向多维图数据库，从而同时实现实时语义与关键语境。
2. 使数据为AI做好准备、可理解且可导航
即便经过处理，许多关键的健康数据仍难以通过传统关键词搜索被找到，也会遗漏那些能够改善医疗服务并推动新发现的隐性关联。
目前已出现一些新的方法，可从数据中提取最大价值，医疗行业需积极采纳，包括向量数据库、基于图和分层的RAG（检索增强生成）基础架构、极端分类器及世界模型。例如，采用标准化、可检索且向量化数据表示的方式，将确保数据被持续地实时存储、标注和使用。
向量化及类似方法，能够将多模态数据（文本、图像、信号、基因组序列等）转化为多维数值嵌入，从而捕捉数据点之间的关联与含义。这使AI系统能够结合语境理解数据，例如以远高于以往的精度识别相似的临床病例、将症状与既往结局相关联，或检索相关研究成果。
临床文档是一个尤为突出的挑战——患者病史中的关键洞见、记录与叙述均在其中。此类数据已被证明对AI而言尤其难以处理，而这类数据对AI的广泛应用又至关重要。这些先进方法对于此类复杂数据不可或缺，它们使数据可被AI用于生成洞见，从而实现快速检索以及实时决策支持，而这对未来的临床与研究工具至关重要。
3. 将原始数据、精选数据与增强数据统一至单一的托管环境中
大量医疗数据被孤立并分散于众多不同的存储容器中。将数据迁移至单一容器成本高昂，且检索困难。医疗系统需要以数据湖仓一体架构作为存储基础。该架构通过标准化的暴露层，实现对分析、AI及运营的安全访问，同时兼顾灵活性与可信度。来自电子健康记录、实验室、影像设备、可穿戴设备乃至患者应用程序的数据，可在生成时即流入单一的可互操作环境，从而在一个平台上便于分析与AI调用。
4. 确保跨用户与跨用途的数据一致性、安全性与访问权限
医疗行业相对独特，需同时应对多模态数据的复杂性，以及严格的安全监管与伦理要求。尽管数据（如在湖仓一体架构中）被统一存储于众多有序的容器中，但它也必须高度安全，并具备高度可检索性，才能使AI发掘医疗洞见。
智能数据编织架构涵盖分散于众多不同容器与规则中的数据，并强制执行数据安全与隐私保护。当AI应用或临床医生请求数据时，系统会首先核实请求方是否获得适当的授权与访问控制，随后数据通过该架构被提取，并将其编织为连贯且具备情境感知能力的信息集，供最终用户使用。
5. 以可信的临床与管理洞见为数据奠定基础
健康AI需要特定的护栏与语境，以确保其洞见与运营及临床指南保持一致。知识图谱（由节点、边及标签构成的网络，包含核心概念与术语之间的关系）是一种途径，可借此为AI的决策与输出提供依据，使其成为基于语境、经过验证的临床洞见。这有助于使AI建议值得信赖，并便于医护团队及运营同行进行审查。
世界经济论坛如何帮助领导者理解AI并协作推动负责任的创新
人工智能卓越中心连接跨行业的领导者，共同理解人工智能的快速演进及其对经济与社会的影响。该中心支持围绕AI应用相关的机遇、风险与权衡进行知情对话。
通过可信空间与协作倡议，该中心助力合作伙伴建立共同认知，并携手推进负责任的AI创新与应用。
面向自动化推理的架构
通过将数据模型从孤立、静态的检索系统转变为智能、持续学习的环境，每一个新的数据点都能即时为医疗服务和研究洞见提供支持。
这一新框架还将使医疗系统AI能够在所有职能中实时运行，其中一个系统的输入（例如实验室结果或生命体征监测仪数据）将通过流式更新即时反映至整个网络。此外，基于此类架构构建的智能体化AI工具将能够进行自动化推理，从而在全球范围内实现更优质、成本更低的医疗服务。
基于该架构，AI智能体将利用实时传感器数据（包括视频或音频）来发现即便是训练有素的专家也可能忽略的细微征兆。同样重要的是，这些智能体将从每一次结局及反馈循环中学习，在保持符合运营与临床护理标准的同时不断提升性能。
另有专为研究训练的智能体，将同时梳理数据以识别异常与规律，回答探究性问题，推动突破、疗法与治愈方案的诞生——并持续学习每位研究人员与实验室所需的有价值数据。
对于患者而言，经训练用于解答健康问题的AI智能体将持续跟进最新文献，能够解答基础护理与患者教育类问题，并将其他问题分诊至相应的临床医生。
安全、以患者为中心的AI愿景今日已可实现，但唯有全球范围内采纳现代化的数据架构，方能真正落地。借此，医疗机构、政府及其他卫生创新者可实现我们共同的愿景：将数据转化为成效，将信息转化为关怀，使我们得以惠及更多有需要的人群。
Matthew Callstrom博士（梅奥诊所）与Peter Lee博士（微软）也为本文作出了贡献。
