挑战：让数据为 AI 做好准备
医疗机构正寄希望于 AI 与机器学习，以 改善诊疗质量、提效流程与工作流，并提升洞察力。 AI虽具备变革医疗的潜力，但数据管理与集成的难题往往阻碍 AI 开发进程，导致项目停滞，并削弱投资回报。
许多 AI驱动的应用利用来自不同来源的数据，如电子病历系统、智能医疗设备、医院排班和计费系统以及公共卫生数据库。 数据的冗余、不一致和缺失可能会影响数据质量和完整性，并阻碍医疗 AI 创新的推进。
无论您是开发还是部署一款基于 AI的医疗健康应用程序，可访问、可靠且准确的数据都是成功的关键。
数据是医疗 AI 创新的基石
数据是所有 AI 的基础。 “垃圾进，垃圾出”这条老生常谈的定律，对 AI来说确实适用。 如果输入 AI系统的数据不完整、不准确或不一致，其分析得出的结论肯定会有缺陷。 遗憾的是，在现实世界中，数据既肮脏又零散，而且并不是整洁、规范化和结构化的表格。 在许多情况下，数据科学家必须对数据进行预处理、清理和标记，以便为分析或机器学习做好准备。
掌控数据的能力是 AI的关键。 为了取得成功，您需要决定哪些数据应输入 AI，了解数据的来源，追踪并审计数据的使用方式，严格控制数据访问以防止泄露。 此外，您还需要以多种方式处理数据，并将多种数据源进行融合。
解决方案：InterSystems IRIS for Health
InterSystems® 是医疗数据技术和 基于标准的互操作性领域的领导者。 我们拥有成熟的技术与深厚的专业知识，助您快速、轻松地让数据做好 AI 准备。
InterSystems IRIS for Health™是一款全面的、云优先的数字健康开发平台，提供了处理所有医疗数据标准（包括 HL7® FHIR® ）所需的全栈构建模块。
您可以利用 InterSystems IRIS for Health 高效采集、集成并管控数据，从而构建并调优精准的 AI 模型，并将其无缝融入实时临床工作流与业务流程中。
该解决方案包含一整套嵌入式集成能力，包括对各类打包应用、数据库、行业标准、协议与技术的开箱即用连接能力，以及内置的机器学习和生成式 AI 设施。
InterSystems IRIS for Health 提供了 实施智能数据编织（Smart Data Fabric）所需的诸多关键能力——包括数据集成、管理与分析——且全部集成于单一产品中。 智能数据编织通过提供统一、可扩展、安全且可扩展的数据架构，为医疗 AI 创新奠定坚实基础。 它们赋予您掌控数据及处理数据的能力，使您真正为 AI 做好准备。
借助 InterSystems 加速价值实现
无论您是部署传统的表格型 AI 解决方案，还是构建全新的生成式 AI（GenAI）医疗应用，InterSystems 都能助您加速价值实现（Time-to-Value），最大化 AI 投资回报。 利用 InterSystems IRIS for Health，您可以：
- 获取所需全量数据：快速、轻松地采集多样化的医疗数据。
- 连接万物：高效对接广泛的应用与系统。
- 转换与控制数据：统一数据形态，为 AI 应用做好准备。
- 治理数据：确保数据安全，严格管理与审计输入 AI 的数据内容。
- 轻松为大型语言模型提供数据：为任意大型语言模型提供数据并进行控制，实现极致的灵活性和选择自由。
- 快速构建模型：利用内置的机器学习、AI 编排与向量搜索能力，配合低代码图形化编辑器，快速将模型投入生产。
- 单平台极简运维：在同一平台上处理医疗数据并运行生产级 AI 负载，实现最优总体拥有成本（TCO）。
快速建模。 极速投产。
InterSystems IRIS for Health 非常适合那些没有资深内部数据科学家团队的机构。 它集成了丰富的工具与功能，旨在简化 AI 应用的开发与测试，全方位提效 AI 创新的落地，包括：
- 集成式机器学习（Integrated ML）：让不具备高阶数据科学技能的普通应用开发者，也能轻松创建并训练机器学习模型。
- 内置向量搜索：支持语义搜索与检索增强生成（RAG）能力。
- 原生 AI 编排与可视化追踪：高效构建并管理横跨多个 AI 模型的复合型应用。
InterSystems IRIS for Health 应用实例
每天，患者会在 Personal Community 门户上留下数千条留言，其中数十条属于临床紧急信息。 然而，此前联络中心座席缺乏自动化手段来识别和优先处理这些重要信息，导致急需救治的患者可能面临延误风险。
为了持续创新并改善患者护理，该医疗系统利用 InterSystems IRIS for Health 开发了一款机器学习模型，能够精准标记紧急消息并自动置顶。 该 ML 模型帮助集中式联络中心确保优先消息被及时路由至合适的临床医生，既优化了诊疗交付效率，也缓解了患者的焦虑情绪。 上线首月，即有 6% 的消息被标记为临床紧急，完全符合预期。
基于这一初步应用的成功，该医疗机构计划进一步利用 AI 协助患者处理常见需求（如预约挂号或续方申请），自动引导患者跳转至相应网页。 数据显示，超过 15% 的门户消息涉及患者可自行完成的常规操作（如预约安排）。
此外，该机构还在探索 AI 的更多应用场景，例如：用两个词概括患者留言主旨，以及针对无需临床医生介入的常见门户咨询，生成自动化回复。
该 ML 模型综合分析多项变量，包括患者的既往就诊记录、社会经济状况、年龄及居住地等，以此预判爽约可能性。 凭借这一预测能力，医疗机构得以在排班时充分考虑爽约概率，从而提升接诊量、优化资源配置并避免营收损失。
依托精准的爽约预测，该机构每日可多安排 80 个号源。 同时，通过对高风险爽约患者自动发送短信、语音或邮件提醒，并对未确认的预约进行自动取消与候补填充，患爽约率已从 18% 降至 10%，有效挽回了潜在损失。 目前，该机构正致力于将爽约率进一步压缩至 5%。
该医疗机构使用InterSystems IRIS for Health对来自各种EHR系统及其他应用程序的患者数据进行清理和整合，以便为机器学习做好准备。
人工智能与机器学习拥有变革医疗的巨大潜力，但数据管理与集成难题往往会阻碍 AI 计划的推进。 InterSystems 拥有成熟的技术与深厚的专业知识，助您实现 AI 就行（AI-Ready）、提效 AI 开发，并确保 AI 项目的成功。 欢迎立即联系我们。