目前，大量医生和患者仍处在一个高度碎片化的医疗信息体系中。各类数据虽然已经被记录，但往往以难以利用的形式存在：实验室结果以扫描图片呈现，用药史记录迟到或字迹难辨，关键病情信息散落在厚厚的纸质或电子文档中，难以及时检索。
临床一线反馈显示，这种状况带来的不仅是流程不便，更是额外压力。医生被迫承担原本应由系统解决的信息整合负担。在此背景下，人工智能（AI）被寄予厚望，但相关观点指出，AI的效能高度依赖其所基于的数据质量和数据结构。当信息不完整、不一致或被封锁在各自为政的系统中时，即便是技术最先进的AI工具，也难以输出有价值的洞见。
文章指出，AI在医疗中的角色重要但并非“单兵作战”。真正组织、连接和解读医疗信息的责任仍在医疗机构及其构建的基础系统之上。只有在数据被充分整理和打通之后，AI才能在合适的时间向临床医生提供合适的信息，减少查找关键信息的时间成本，并在诊疗现场辅助决策。未来医疗创新的关键，被认为不在于单纯追求更大的AI模型，而在于如何为这些模型准备更高质量、更可用的数据。
AI已在减轻一线负担
已有实践显示，AI工具正在帮助临床医生收回部分时间。相关应用包括起草医疗文书、辅助沟通、减少行政性工作，从而缓解与文书和流程相关的职业倦怠压力。
athenaInstitute在《护理前线的AI》报告中披露的一项全国性调查结果显示，在500多名医生和管理人员受访者中，64%的临床医生认为，与文档相关的AI工具减轻了他们的工作量，近一半受访者将“节省时间”视为AI带来的最重要益处。受访临床医生在描述这部分“节省时间”时，通常将其理解为可以更多地专注于患者本身。
报道认为，行政压力的缓解不仅改变了工作负荷，也改变了医生在诊室中的状态和表现。但这些积极进展同时凸显出一个前提：当周边信息完整、一致且易于解读时，AI的表现最佳，而这在许多医疗机构中仍非普遍现象。
数据质量决定AI效果
根据athenaInstitute的研究，临床医生持续反映在需要时难以及时获取所需信息。近一半受访者表示，经常遇到格式不统一或难以定位的信息，仅有2%的人称能够跨系统及时、全面地查看患者信息。
这种信息脱节被认为带来直接后果。例如，当关键数据缺失时，AI难以及时标记患者病情恶化的早期信号；当病历无法在不同医疗机构之间顺畅流转时，AI难以避免重复检查；当基础信息彼此矛盾时，AI也难以有效增强临床推理。
文章将AI形容为“放大器”：它只能放大已有的内容。如果底层数据是碎片化的，AI输出的洞见也将呈现碎片化特征。
在此背景下，互操作性被视为关键议题。对临床医生而言，这关系到是继续拼凑零散信息，还是能够获得患者相对完整、清晰的健康全貌；对患者而言，则意味着是反复向不同医生重复同样信息，还是可以将更多时间用于与医生的直接交流。
研究还指出，当AI能够在文档、接诊、沟通、排班和理赔等高摩擦工作流程中有效减负时，其在医疗机构中的采用率会提高；当AI的运行机制透明、可监测且有临床依据时，医务人员的信任度会增强；当互操作性和标准化成为清晰的制度支柱时，安全性也有望得到提升。
四大转变被视为未来方向
文章认为，能够充分释放AI价值的，将是那些构建了坚实数据基础的医疗机构，并概括出四项被视为关键的行动方向：
-
精选而非一味积累
医生并不需要更多的原始数据，而是需要与诊疗决策高度相关、能够直接支持治疗的“有意义数据”。 -
通过标准化降低复杂度
在数据格式、字段和定义上建立可预测的结构，有助于减少信息使用过程中的摩擦和认知负担。 -
让智能具备可携性
患者会在不同机构和场景间流动，其医疗信息也应能够随之完整流转、可被解读，并随时准备支持下一次诊疗。 -
支持直观解读
理想状态下，AI应能突出最重要的信息点，解释其重要性，并在此基础上强化而非替代临床判断。
文章指出，当上述要素结合在一起时，AI不再是若干孤立工具的简单叠加，而更接近于一个能够提供清晰信息、减少噪音的“智能伙伴”。
互联数据被视为人性化医疗基础
文章认为，医疗体系并不缺乏奉献、专业和同理心，真正不足的是在关键时刻“看清全貌”的能力。AI有望在这一点上发挥作用，但前提是建立在使用通用语言、具备互联能力的数据系统之上。
文章最后指出，如果当前开始在互联且可用的数据基础设施上投入资源，医疗服务不仅有望变得更高效，也有望在患者体验和医患互动层面更加人性化。文中将这一方向描述为患者、临床医生和社区共同期望的进步与创新。
文末署名显示，相关观点来自athenahealth首席营销官兼athenaInstitute联合主席Stacy Simpson。
