至顶网CIO与应用频道 07月06日 编译:在全球范围内,医疗服务面临着前所未有的人口挑战,这在广泛财政紧缩时期提出了更多的需求。据Gartner称,技术被认为是一剂灵丹妙药,但如果没有适当的规划和实施,可能投资回报率(ROI)比较低。
Gartner研究主管Mike Jones表示:“数字化转型为医疗提供商的CIO们提供了一个很好的重塑未来的机会,他们必须提供更多更好的医疗服务,但预算却不保证有增加。不过,在一个高度政治化的环境中,很难知道从哪开始着手,糟糕的决策会关乎很多生命。”
Gartner确定了CIO应该关注的6个关键优先事项:
1. 改善财务洞察力,更好地协调IT能力
Jones说:“许多医疗机构缺乏对提供医疗服务的真实成本的了解,这使得他们处于无法充分了解其财务影响从而进行战略变革的危险之中。而且,他们往往缺乏识别和设计解决方案所需的、成熟的企业架构能力,以改善临床和财务结果。”
Gartner建议CIO立即与首席财务官(CFO)和首席医疗官(CMO)合作。三者可以从确定并启动围绕特定用例的试点,不断改进成本会计方法和系统采用。如果成功,CIO应该寻求在整个组织中扩大试点范围。
2. 使用企业架构为数字化实时健康系统时代做好规划
随着技术对医疗交付的成功变得越来越重要,技术环境也变得更难以管理。
“Gartner调查显示,那些缺乏成熟企业架构功能的医疗服务提供商,在管理向数字化业务架构(包括实时卫生系统)的过渡方面遇到了更大的困难,”Jones说。他还建议CIO与管理者以及临床负责人合作,制定高层战略,为未来实现一个实时卫生系统组织规划理想的未来。
3. 设定衡量数字化进展的关键绩效指标
数字化时代需要新的指标来评估绩效,但许多医疗组织并没有设定适当的关键绩效指标(KPI)。
Jones说:“首先从设定新数字化KPI衡量方法开始,这可以反映优化和转型的情况。此外还要添加明确的外向性绩效指标,以确保优化工作集中在患者方面,而且可以与健康医疗结果相互关联。”
4. 应用组合合理化,以创造新的数字化价值
Gartner研究表明,很多医疗提供商并没有意识到现有技术投资的全部价值,例如电子健康记录(EHR)和远程医疗。因此,第一步是识别和评估每个应用在组织内提供的价值。
“一旦评估阶段完成,CIO可以通过四个核心战略来优化他们的应用组合:降低应用采购成本,降低IT应用成本,提高联合IT和业务成本,实现业务创新。如果在更广泛的组织战略和医疗交付预期结果方面有任何变化的时候,你要确保与组织内的相关人员进行沟通,有助于你的利益相关者积极响应你的决策。”
5. 打造评估电子健康记录价值的新方法
Gartner 2018年CIO议程调查中,80%的医疗CIO认为他们的EHR尚未达到预期的投资回报率,其中50%的投资回报率中等或者很小。
“一部分问题在于,基于传统投资回报率概念的当前价值模型,无法充分体现EHR的全部优点,”Jones说。他建议组织采用EHR持续改进的思维方式。他们应该为所有利益相关者提供正式流程和治理,帮助他们在整个EHR生命周期中评估价值,包括补救措施所带来的影响。
6. 掌握软技能,更有效地推动变革
在充满政治因素且资源紧张的环境中实施数字化项目,不仅要依赖于正确的IT规划,还要还依赖于IT领导者的激励和说服能力。CIO们应该从四个方面提高他们的能力:
- 政治:通过与其他负责人建立战略伙伴关系,来管理组织策略的普遍重要性。
- 凝聚力建设:将目标凝聚力和归属感作为应用合理化的目标,特别是在处理合并、收购或公共卫生系统整合(共享服务)的时候。
- 向上指导:那些不了解IT有经过验证的实践的领导者们,不会承诺按照他们说的做。
- 视觉叙事:创造吸引人的、持久的痛点和收益,提升故事的直观体会。
Jones总结道:“医疗转型依赖于技术和人员的融合,为患者提供最好的护理,提高价值。在这个过程中,CIO们可以也应该扮演主角。”
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。