借助新平台,瑞典卡罗琳斯卡大学医院(Karolinska University Hospital)正在朝着更好地利用数据的方向发展。
过去一年,Malin Fahlén一直担任卡罗琳斯卡大学医院的IT经理,这与她之前担任H&M全球电子商务平台负责人的工作形成了鲜明对比。
她说:“我改变了主意,在那里工作了九年后,决定要开辟新的天地。”
卡罗琳斯卡大学医院不仅是欧洲最大的医院之一,也是世界上最好的医院之一,因此对IT环境的要求和对其能力的期望是一直都有的。
“如果我们想成为医疗领域的世界领导者,那么我们也必须成为医疗IT领域的世界领导者,”她说。
构建新的平台
为了摆脱过时的IT环境,Fahlén正在开发一个覆盖了卡罗琳斯卡学院以及整个斯德哥尔摩地区的新平台,以便在护理和治疗方面提供数据,并用于后续流程、分析和研究。
她说:“我们负责构建这个基础设施,该地区监督我们的工作,并且通过目前正在进行的采购,研究如何使用这个新的基础设施和平台。”
在卡罗琳斯卡学院开发新基础设施的同时,斯德哥尔摩地区进行了多项采购,包括一项通用医疗记录系统采购,另一项是临床数据存储库(CDR),即存储健康数据的数据库,以及整合来自各种临床来源的数据的实时数据库。
减少管理
在第一阶段,他们希望能覆盖医疗领域的大量管理工作。
“我们正在研究如何将数据自动传输到新平台的各种存储库中,目前我们正在研究如何扩展它,这将节省下大量的时间。”
自动化和AI都包含在计划中,用于简化和减少管理工作量,从而使医疗专业人员有更多时间与患者相处。
“我们还在研究如何在临床常规中使用AI,以及用于改进调度、运营规划、降低财务流程的复杂性。”
另一个优先领域是允许AI从其他来源(如内联网和文档管理系统)查找信息。
制定退役计划
然而在这个平台下,许多遗留系统仍然是隐藏着的,如何处理这些系统是个问题。不过,一些旧系统已经链接到了新平台,使得所有数据都可以更好地供企业使用。但Fahlén强调,卡罗琳斯卡大学医院不仅需要更好地引入新系统,还需要考虑退役问题。
“我们需要制定长期计划,以应对短期和长期的系统格局变化。当需要的时候,我们通常会购买系统,但我们必须考虑的不仅仅是增加系统园区,还涉及到我们如何与供应商展开合作。”
系统的数量不仅会带来复杂性,还会带来风险,因此,以标准化和安全的方式进行退役是非常重要的,尽可能地减少单独集成。此外,IT也被集成在医疗设备中。
“鉴于瑞典加入北约以及我们所处的行业是网络攻击的明显目标,所有这些都使得IT安全变得非常重要。为了安全有效地退役和引入新系统,我们必须在该地区以及医院内制定有针对性的架构。”
无缝的体验
除了明确的目标架构外,还需要制定动态集成策略以跟上发展趋势,而不是陷入遗留的问题中。
“基本上,我们需要减少管理工作,让医生有时间从事临床活动,而不是在不同的IT系统上花费太多时间。背景信息必须适用于每个患者,无论使用哪种系统,数据都应该得到有效和正确的处理,以实现无缝的体验,员工不必花费不必要的时间登录和退出不同的系统来管理文档。”
为了安全地试用和测试新技术,卡罗琳斯卡大学医院计划建立沙盒环境,不仅可以供IT使用,还可以供医疗业务使用。
“我们需要打造一个IT环境,让员工在其中能够展开工作。重要的是,我们要以安全的方式做到这一点,而不是采购不同的环境。毕竟,创新对于确保我们处于领先地位至关重要。”
全面参与
在卡罗琳斯卡大学医院工作一年后,Fahlén发现,她和她的团队与第三方和厂商的合作方式,是公共部门和私营部门之间最大的不同。在公共部门,公共采购流程漫长,法律框架受到严格监管。与私营企业相比,公共部门做出快速决策和调整方向的空间则比较小。
许多私营企业的系统也都在云端,这在卡罗琳斯卡大学医院目前还没有实现,但正在评估中。
“我刚开始在这儿工作的时候,这扇门是完全关闭的,但我们现在正在寻找潜在机会,然后,对于不适合外包到云端的系统,我们可能还需要本地解决方案和我们自己的内部云服务。
然而,两者之间也有相似之处,尤其是在协调IT和运营以实现共同目标方面。
“不仅仅是私营部门需要了解价值创造,我们也必须优先考虑我们的工作,在医疗领域创造价值。我们提供的解决方案必须是具有可扩展性的,这样我们才能经济高效地构建解决方案并产生最大的业务效益。”
这意味着要找到良好的治理方法并优先考虑共同目标。“我们在这方面做了很多工作,IT作为一个职能,不能孤立地发挥作用。企业中的所有人都需要共同努力才能取得成功。”
好文章,需要你的鼓励
IBM Spyre加速器将于本月晚些时候正式推出,为z17大型机、LinuxONE 5和Power11系统等企业级硬件的AI能力提供显著提升。该加速器基于定制芯片的PCIe卡,配备32个独立加速器核心,专为处理AI工作负载需求而设计。系统最多可配置48张Spyre卡,支持多模型AI处理,包括生成式AI和大语言模型,主要应用于金融交易欺诈检测等关键业务场景。
微软研究院提出潜在分区网络(LZN),首次实现生成建模、表示学习和分类任务的真正统一。该框架通过共享高斯潜在空间和创新的潜在对齐机制,让原本独立的AI任务协同工作。实验显示LZN不仅能增强现有模型性能,还能独立完成各类任务,多任务联合训练效果更是超越单独训练。这项研究为构建下一代通用AI系统提供了新的架构思路。
意大利初创公司Ganiga开发了AI驱动的智能垃圾分拣机器人Hoooly,能自动识别并分类垃圾和可回收物。该公司产品包括机器人垃圾桶、智能盖子和废物追踪软件,旨在解决全球塑料回收率不足10%的问题。2024年公司收入50万美元,已向谷歌和多个机场销售超120台设备,计划融资300万美元并拓展美国市场。
上海AI实验室开发的VLAC模型让机器人首次具备真实世界自主学习能力。该系统如同给机器人配备智能导师,能实时评估动作效果并从中学习。在四个操作任务测试中,机器人成功率从30%提升至90%,仅需200次练习。技术结合视觉、语言理解和动作生成,支持跨场景适应和人机协作,为家庭服务、医疗护理等领域应用奠定基础。