人工智能（AI）和機器學習技術(shù)正在席卷大多數(shù)產(chǎn)業(yè)，醫(yī)療保健也不例外。軟件開發(fā)公司InterSystems建議，正在部署AI技術(shù)的企業(yè)，必須確保擁有算法需要的大量高質(zhì)量數(shù)據(jù)之外，還需要投資數(shù)據(jù)管理技術(shù)，考慮訊息資產(chǎn)和訊息流，以及適當?shù)娜藛T。

　　InterSystems在HealthcareITNews刊文表示，現(xiàn)在企業(yè)布建AI所面臨的阻礙來自數(shù)據(jù)，許多企業(yè)擁有的數(shù)據(jù)并不是存在一個地方，格式也不見得能使用，且數(shù)據(jù)可能含有可能導致錯誤決策的偏見，因此企業(yè)必須評估現(xiàn)有的訊息系統(tǒng)和數(shù)據(jù)流，厘清哪里些領(lǐng)域需要投資。

　　Medicomp Systems執(zhí)行長表示，機器學習的進展在很大程度上取決于算法處理數(shù)據(jù)的精確度，而低質(zhì)量的數(shù)據(jù)無法實現(xiàn)創(chuàng)新需要的效率和精準度，對醫(yī)療保健來說是一項重大挑戰(zhàn)，特別是在數(shù)據(jù)復雜且通常非結(jié)構(gòu)化的臨床領(lǐng)域。

　　對實際部署AI和機器學習系統(tǒng)的企業(yè)來說，糟糕的數(shù)據(jù)質(zhì)量會影響投資回報率，并降低采用率。INFOSYS調(diào)查顯示，接近一半的受訪者表示無法部署想要的AI技術(shù)，因為數(shù)據(jù)還沒有準備好，77%的IT決策者表示正在投資數(shù)據(jù)管理，特別是印度和美國企業(yè)。

　　AI可以快速消化大量數(shù)據(jù)，并將其轉(zhuǎn)化為臨床決策所需的可用信息，可以產(chǎn)生巨大變革。問題是，這些機器學習系統(tǒng)必須能夠持續(xù)且快速地攝取大量醫(yī)療數(shù)據(jù)，背后還必須有正確的基礎架構(gòu)和流程支持。

　　組織需要投資數(shù)據(jù)管理技術(shù)。報導建議，企業(yè)應該關(guān)注IDC提出的第三平臺（Third Platform）數(shù)據(jù)管理技術(shù)，加速企業(yè)數(shù)碼化轉(zhuǎn)型。IDC指出，人工智能和機器學習是第四平臺，即數(shù)碼轉(zhuǎn)換平臺的一部分，因此利用第三平臺實現(xiàn)第四平臺是有意義的策略。

　　企業(yè)還需要考慮訊息資產(chǎn)和訊息流，并注意為訊息產(chǎn)制工廠提供訊息的物流。AI和機器學習可以被認為是饑餓的算法，就像需要連續(xù)輸入以提高生產(chǎn)力的裝配線一樣。訊息物流是在正確的時間為合適的算法以正確的格式提供正確的產(chǎn)品。

　　對于企業(yè)來說，花時間了解AI系統(tǒng)中的數(shù)據(jù)流，了解數(shù)據(jù)的質(zhì)量以及儲存方式，增強并用于未來培訓至關(guān)重要。Mission Health執(zhí)行長Chris DeRienzo提到創(chuàng)建成功的AI需要的5項關(guān)鍵要素當中，只有一個與技術(shù)有關(guān)，其它都是人員條件。

　　一旦企業(yè)制定正確的技術(shù)、團隊和程序分析，在強大算法、大量數(shù)據(jù)與處理能力支持下，AI和機器學習將準備好實現(xiàn)這些被大肆宣揚的應用。