CCM 与 KLAS 报告称，63% 医疗系统缺少成熟 AI 战略治理框架

CCM 与 KLAS 报告称，多数医疗系统的 AI 采购速度已快于治理和测试能力建设

Center for Connected Medicine（CCM）与 KLAS Research 联合发布的最新报告指出，医疗系统对第三方 AI 的部署正在加速，但与之配套的战略、数据架构、验证环境和治理机制明显滞后。

报告揭示了什么

这份题为《Validation and Trust: How Health Systems Are Testing and Governing Analytics and AI Solutions》的报告，调查了 27 家医疗系统中的 C-suite、高级临床信息化负责人和 IT 高管。

研究发现，93% 的受访医疗系统已经部署第三方 AI，但只有 44% 拥有专门的数据环境，例如云湖仓、生产克隆环境或真实世界数据平台，用于在算法进入临床流程前完成验证。

报告认为，当前医疗 AI 的主要瓶颈，已经从“是否采购工具”转向“是否具备操作层面的验证能力和基础设施”。

当前最常见的 AI 用例

从部署场景看，环境式临床文书和 AI 书记员类应用占比最高，达到 52%；收入周期管理与编码为 36%；医学影像为 32%；嵌入电子病历系统的临床决策支持同样为 32%。

虽然 92% 的机构表示会在部署前做测试，但不到一半的组织拥有专门的沙箱或数据平台，用于验证模型的准确性、安全性以及漂移问题。

治理与数据质量短板

报告显示，63% 的医疗系统 AI 战略仍处于“发展中”或临时拼接状态，只有 4% 可以被描述为“成熟”。

在具体障碍上，最常见的问题包括依赖手工表格和人工临时方案、不同团队之间数据定义不一致，以及人才和资源严重不足。这些问题直接影响模型可靠性，也使机构难以形成稳定的测试和监测流程。

为什么这件事值得关注

报告认为，如果在缺少专门测试环境的情况下直接把算法投入临床或行政流程，医疗系统将面临算法漂移、未经验证的偏差、安全漏洞以及投资回报无法验证等多重风险。

UPMC 首席医疗信息官 Rob Bart 表示，医疗行业已经非常快地从讨论 AI 潜力转向在企业范围内部署 AI。下一步的重点，不再只是上线新工具，而是建立治理结构、测试能力和组织策略，确保 AI 能带来真正且可衡量的价值。

更成熟机构在做什么

报告提到，部分更成熟的组织已经开始建立专门的平台，例如 UPMC 的真实世界数据引擎 Ahavi，用于在不影响真实临床服务的前提下，利用去标识化患者数据评估第三方算法。

这说明医疗系统真正需要补的，不只是 AI 工具本身，而是让这些工具能够被安全、持续、可验证地使用起来的组织与技术底座。