全球医疗系统呈碎片化状态：病历无法随患者流转，数据也止步于机构边界。
以人工智能驱动的医疗模型可以解决这一问题，但其运行所依托的底层架构存在不足，制约了其作用发挥。
阿布扎比的智能健康系统将健康智能视为基础性服务，而非应用层，为其他地区提供了可行的范例。
一位58岁的糖尿病患者，在一家医疗机构就诊于初级保健医生，在另一家机构就诊于内分泌科医生，之后还需在家附近的两家药房取药。
每个医疗系统只掌握她病情的一部分。当她因突发胸痛前往医院急诊室时，医生看到的病历看似完整，实际上却缺少一项药物相互作用的信息，而这项信息本可在三天前就提示她的风险。
能够发现这一问题的人工智能模型已经存在多年。短板不在于智能，而在于基础设施。
这位患者的遭遇并非个例。在各大洲，医疗系统都面临着同样的结构性失灵：病历无法随患者流转，数据止步于机构边界，而人工智能（AI）模型运行于原本并非为其设计的基础之上。技术已经取得长足进步，但底层架构尚未跟上。
医疗数据分散于各系统之间
她的数据，与全球数十亿患者的数据一样，分散在从未被设计为共享数据的各个系统之中。电子健康档案之间无法互通，药房数据库彼此孤立，保险系统则侧重于计费而非洞察。医疗人工智能赖以运行的基础，从未为这一关键时刻而建。
这是我们讨论得不够充分的一项挑战：医疗人工智能的发展受阻，并非因为模型能力不足，而是缺少一个关键层级，即使这些模型真正发挥作用的那种隐形架构。
医疗领导者谈及互操作性时，往往将其视为技术问题，而实际上，这是一项治理挑战。
在生产级人工智能方面取得实质进展的机构已认识到这一点。它们将智能数据视为组织的“大脑”，并将数据整合提升为高管层面的优先事项。同时，它们明确了临床、运营和技术负责人的职责。
监管框架已奠定了大部分基础。欧盟互操作性强制性要求、快速医疗互操作性资源（FHIR）在美国的采用情况，印度的阿育吠陀数字使命，以及世界卫生组织的数字健康全球战略，均指向同一方向。一直缺失的是机构意愿，即将数据整合视为战略性基础设施，而非仅为合规而勾选的一项任务。
那些长期停留在试点阶段的机构存在共同特征：它们投入大量资金购置先进的人工智能工具，却任由自身数据基础保持碎片化状态。麦肯锡的研究显示，不足20%的医疗人工智能试点项目成功过渡至全面规模化部署；而麻省理工学院（MIT）2025年的一项研究发现，95%的人工智能实验未能产生价值。
医疗数据的可见性缺口
在消费级人工智能领域，近似结果往往已经足够。一个准确率为80%的推荐引擎依然能为用户带来价值，即使它遗漏了某些语境，也可以通过再次查询加以纠正。
然而，医疗人工智能所处的约束条件截然不同。遗漏药物相互作用并非小小的不便，基于不完整病史作出的诊断建议也不仅仅是欠佳。在医疗领域，“足够好”与“真正足够”之间的差距，是以患者的健康结局来衡量的。
这一现实要求的数据质量标准，远高于目前大多数医疗系统、支付方和监管机构所达到的水平。生产级医疗人工智能需要能够完整记录患者病史的纵向病历，而不仅仅是其在单一系统内的就诊记录。
它还需要社会决定因素等情境性数据，而传统病历从未被设计用于承载这类信息。目前的系统距离这一标准仍相去甚远，无论模型多么精密，都无法弥补源头数据的不完整。
患者已开始察觉这一点。消费科技的广泛普及，已使人们习惯于期待能够正常运作的人工智能。
超过 9亿人每周都在全球范围内与ChatGPT等人工智能助手互动。这类系统经过训练，能够预判用户需求、推送相关信息，并在用户拥有的每一台设备上协同运作。然而，当他们步入医疗场所时，却遇到了传真机、重复的登记表格，以及无法调取同城另一家医院病历的临床医生。
这种体验上的落差本身构成了机构层面的压力。患者日益期望其医疗系统能够展现他们在生活其他领域所接触到的同等智能水平。
弥合医疗数据缺口的三种途径
缺失的这一层级是可以构建的，而且无需全面替换现有系统。它所需要的是一种在结构上有所不同的数据架构思路，即在不要求将所有旧系统彻底拆除重建的前提下，实现信息整合。这一思路由三项能力构成。
第一，数据整合应置于现有系统之上，汇聚电子病历、药房平台、理赔数据库及其他辅助来源的数据，而无需替换任何一个系统。
第二，多模态标准化应能够摄取实际中以混乱格式到达的真实数据，包括传真、非结构化临床记录、通话录音文本等，并将其转化为结构化、可供查询的形式。
第三，智能本体与知识图谱能够将静态数据存储转化为可供推理的资产，实质上是一种既能承载信息、又能理解信息之间关系的基础设施。有两项决策可以释放这一潜力：提供方将数据基础设施列为优先事项，以及支付方重新定义质量指标，以奖励纵向数据覆盖率，而不仅仅是诊疗点的文档记录。
阿布扎比为智能健康提供蓝图
这并非对遥远未来的构想。正如世界经济论坛白皮书《数字健康的新纪元：阿布扎比迈向健康智能的跨越》所概述的那样，阿布扎比的智能健康系统已提供了一套可行的蓝图。
该酋长国将健康智能视为基础性服务而非应用层，已从碎片化的数字化迈向以人工智能赋能、覆盖全民规模的医疗协同。
在实践中，阿布扎比系统整合了50多个医疗机构的数据，支持实时临床决策辅助和人群层面的风险分层。
医生可以调取患者在公立和私立机构的病历，而在大多数医疗系统中，这一功能往往需要耗时数周的人工协调。成效是可以衡量的：诊断重复检查减少、慢性病管理干预提前，并形成了一种可供其他卫生主管部门借鉴的治理模式。
由此，阿布扎比的智能健康系统有助于改善健康结局和生态系统效率，并在其他地区认识到医疗人工智能应成为的优先事项时，为其提供可效仿的范例。
医疗人工智能如何重塑患者的就医历程
让我们回到那位前往急诊室的58岁患者。
在我们设想的新情境中，系统已掌握她的健康问题，其病历已在各个诊疗环节间完成整合，并且在她到达之前，药物相互作用就已被标记出来。
值班医生看到的是完整的全貌，而非零散的片段。干预发生在关键时刻，而非数日之后。当天，她便恢复健康并回到家中，既无需冒险住院，也没有产生不必要的医疗费用。
这一未来并非幻想。模型已经存在，标准也已确立。剩下的是构建连接二者的基础层的承诺。这一承诺必须由提供方推动，由支付方促成，并由监管机构引导；任何单一主体都无法独自实现。
最关键的基础设施，往往是无人留意的部分，即那套使其他一切得以运转的无声架构。
就医疗人工智能而言，这一架构仍然缺失。构建它是尚待完成的工作，因为技术在出现故障时最为显眼，而在最佳状态下则是无形的。
