医疗 AI 就绪的第一步，是先解决支付方与服务方的数据碎片化

医疗 AI 就绪，先从打通数据碎片化开始

医疗支付方和服务方都希望评估人工智能能否改善从事前授权到会员管理等各类流程，但现实是，数据碎片化仍然是医疗行业推进 AI 就绪度的最大障碍之一。MedCity News 在一场由 Verato 赞助的网络研讨会报道中指出，无论是支付方还是提供方主导的健康计划，如果没有先解决数据割裂问题，AI 很难真正落地。

这场讨论由 Verato 产品营销副总裁 Martin Hougaard 主持，参与者包括社区健康计划联盟（Alliance of Community Health Plans）企业分析副总裁 Thomasina Anane，以及 SCAN Health Plan 首席信息官 Vinay Kulkarni。几位嘉宾一致认为，AI 就绪不仅是技术问题，更是治理、流程与组织设计问题。

为什么数据碎片化会拖慢 AI 落地

Anane 指出，共享的数据定义以及一致的数据治理机制，是医疗行业进入 AI 阶段的基础。如果不同系统、不同部门、不同合作主体对同一类数据的定义不一致，模型就很难建立稳定、可信的判断依据。

Kulkarni 也强调，真正可用于 AI 的，不只是“有数据”，而是高质量、可互操作、并且具备稳健隐私保护的数据。对医疗机构而言，只有在这些前提具备的情况下，机器学习模型和大语言模型才有可能可靠地服务真实业务流程。

支付准确性和风险调整首当其冲

Anane 认为，支付准确性和风险调整是最容易受到数据碎片化影响的领域之一。数据割裂会表现为文档缺口、误诊记录、病情严重程度编码不足等问题，而这些问题最终都会影响健康计划是否能准确反映其服务患者的风险水平，并据此获得合理支付。

她指出，如果信息采集不准确，机构就无法获得准确支付，这不仅影响财务结果，也会直接影响其在竞争激烈的健康计划市场中的生存能力。

AI readiness 不是简单上模型

Kulkarni 对 “AI 就绪” 给出了更偏运营层面的定义。他认为，真正的 AI readiness 是一种运营和结构现实，意味着组织的数据工作流和合规护栏已经搭建完成，可以让机器学习模型和大语言模型建立在可信基础之上。

他特别提到，组织必须嵌入 human-in-the-loop 机制，也就是把人工审核节点明确放进流程里，而不是把高风险决策完全交给模型自动执行。

可追溯性与治理同样关键

除了人工复核，Kulkarni 还强调了确定性数据血缘（deterministic data lineage）的重要性。换句话说，组织需要能够把 AI 生成的输出，准确追溯到原始数据输入、数据转换过程以及应用过的业务规则。

这种可追溯能力不仅关系到内部治理，也关系到未来如何向合作方、监管方和管理层解释模型输出的来源与依据。

医疗行业的 AI 建设本质上是数据基础设施工程

这场讨论传递出的核心信息很明确：许多医疗 AI 项目推进缓慢，并不是因为模型本身不够先进，而是因为底层数据链路、治理标准、权限控制和跨部门协同仍然没有准备好。

对支付方和医疗服务机构而言，AI 就绪更像是一项数据基础设施工程。只有先补上数据定义、互操作性、隐私保护、人工复核和可追溯性这些基本能力，AI 才有可能从试点演示走向稳定、可审计、可规模化的真实应用。