GE HealthCare CareIntellect 的发布让医院 AI 接受 72 小时考验

GE HealthCare 推出了 CareIntellect for Operations，并作出了一项明确承诺：在容量问题演变为运营危机之前，最多提前 72 小时向医院发出预警。GE HealthCare CareIntellect 的发布，标志着其医院 AI 战略从实时仪表板迈向行动建议。

该应用将全院压力预测与单个患者可能何时出院的预测结合起来，随后就病床、人员配置、影像检查、转运、治疗和出院规划提出优先级建议。

这一组合构成了该产品面临的核心考验。医院并不需要另一个能在拥堵出现后准确描述情况的屏幕。它们需要的是员工信任的预测、符合临床工作流程的建议，以及能够证明更早预警带来更好结果的证据。

夏威夷的 Queen’s Health Systems 和北卡罗来纳州的 Duke Health 将作为首批临床评估地点。它们的经验将有助于判断 CareIntellect 会成为运营控制层，还是又一个告警来源。

GE HealthCare 进入的是一个已有专业厂商预测出院日期、确定医疗缺口优先级并优化医院容量的市场。其优势在于既有的 Command Center 覆盖基础，以及共享的 CareIntellect 云平台。其弱点同样明确：该产品发布时，新应用尚无独立结果可供参考。

GE HealthCare CareIntellect 的发布究竟改变了什么

CareIntellect for Operations 将 GE HealthCare 的定位从展示当前状况，转变为预测压力并给出应对方案。

医院指挥中心历来汇总分散在电子病历、人员配置系统、病床管理工具和部门队列中的信息。这种整合视图可以改善协调，但仍依赖人员发现问题并决定如何处理。

CareIntellect 试图将这一决策点前移。它分析数百项患者和运营信号，包括病床可用性、延误、人员配置、等待时间和配套服务需求。

该软件会生成覆盖未来 72 小时的逐小时预测。它提供病区、部门和全院层面的视图，使管理者能够将全院预警追溯至具体的运营限制因素。

GE HealthCare 表示，该应用随后会提出行动建议，并随着情况变化重新调整工作流程的优先级。这些建议仍需由员工审核，而非直接控制医疗服务。

该产品使用两项核心模型。Pressure Forecast 模型用于估计运营压力将出现在哪里，而 Estimated Day of Discharge 模型则预测个体患者可能何时出院。

根据 GE HealthCare 的技术说明，压力模型采用 N-BEATS，这是一种专为时间序列预测设计的神经网络架构。时间序列是按固定时间间隔收集的一系列测量数据。

该模型审查以每 15 分钟为间隔记录的 14 天历史观测数据，并利用这些模式预测住院患者数、可用病床、人员配置比例、急诊留观滞留和影像检查周转时间等因素。

出院模型采用不同的方法。它分析患者记录中的临床事件序列，包括实验室结果、诊断、操作、用药医嘱、影像检查和转运。

GE HealthCare 表示，该模型改造了常用于识别序列内关系的 BERT 架构。在这里，临床事件取代了单词，成为被评估的元素。

随着新信息到来，预测会每小时更新。滑动窗口方法会赋予近期事件更高权重，同时保留足够的历史信息，以解读整个住院过程。

这些模型在运营工作流程中汇合。如果预计急诊入院人数将上升，系统可以识别可能出院的患者，并突出阻碍这些患者离院的因素。

这种关联至关重要，因为没有响应机制的容量预测价值有限。对明日病床需求将超过供给的预警，本身并不会创造出病床。

因此，GE HealthCare CareIntellect 的发布核心在于协同调度，而不只是预测。它的成败取决于建议行动能否足够早地触达合适员工，从而改变预测中的结果。

CareIntellect for Operations 运行在 Amazon Web Services 上，可通过 GE HealthCare 和 AWS Marketplace 获取。它加入了一个基于共享数据、安全、身份、部署和监控服务构建的更广泛应用产品家族。

GE HealthCare 将这一共享云基础描述为减少重复集成工作的方式。医院在连接一个 CareIntellect 应用后，启用另一个应用时应当面临更少技术工作。

这种平台战略才是此次发布背后更大的变化。GE HealthCare 正试图将单个医疗应用转化为可复用的软件环境，并将其与自身的临床和运营覆盖基础绑定。

为什么 72 小时预测很重要

这个三天窗口之所以重要，是因为医院拥堵由相互关联的延误逐步形成，而非一次戏剧性的单点故障。

一次影像检查延迟可能推迟临床决策。这一延迟可能阻碍患者出院、占用病床，并让另一名已收治患者继续在急诊科等待。

由此产生的问题横跨多个团队。影像人员看到的是排队，护士看到的是被占用的病床，个案管理人员看到的是未完成的出院计划，而急诊人员看到的是滞留患者。

每个团队都可能在自身部门内作出合理响应，但医院整体仍可能走向更广泛的拥堵。系统级预测试图在每种症状都明显出现前，揭示这种连锁反应。

三天也是一个可操作的运营时间范围。它足以调整人员配置、升级处理出院障碍、重新确定服务优先级或审查转运计划；同时又足够短，使当前入院患者和已安排的手术仍具有相关性。

这并不意味着每个问题都能在 72 小时内解决。医院无法立即招聘护士、扩建影像科，或创造合适的急性期后安置资源。

预测仍可以帮助管理者分配受限资源，也能区分异常峰值与需要结构性应对的持续压力。

系统的出院预测尤为重要，因为住院容量不只取决于是否作出让患者回家的医疗决定。交通安排、药房工作、检查结果、治疗评估、居家服务和安置都可能延迟离院。

从实际角度看，CareIntellect for Operations 是围绕这些依赖关系建立的协调系统。它估计未来压力，识别患者层面的影响因素，并建议员工下一步应将注意力转向何处。

GE HealthCare 并非从零开始。据该公司称，其 Command Center 软件已被全球近 500 家医院和医疗机构使用。

Queen’s Health Systems 已在使用这一早期平台。GE HealthCare 报告称，在一项更广泛的运营改进项目中，Queen’s 将平均住院时间缩短了一天以上。

该医疗系统还报告称，在测量期间，急诊科入院患者住院时间减少了 41.2%。这些数据来自 Queen’s，反映的是一项涉及技术、治理、标准化工作流程和领导层变革的项目。

这一背景至关重要。Command Center 并非独自发挥作用，这些结果也不能证明 CareIntellect for Operations 在另一家医院将如何表现。

Duke 和 Queen’s 在成为首批评估地点之前，曾协助 GE HealthCare 开发这款新应用。这一合作关系曾在2025 年合作报道中公开说明。

Duke 拥有使用 GE HealthCare 运营软件的经验，而 Queen’s 则提供了一个已有患者流动改革记录的部署环境。两家机构都能从了解指挥中心工作流程的团队处提供反馈。

这种经验可能加快采用速度，但也使首批评估具备了异常有利的条件。缺乏成熟运营治理的机构可能得出不同结果。

眼前的压力来自使用量上升和容量有限。该应用的发布材料称，住院量在 2025 年增长了 5.3%，而许多医院当时已接近满负荷运行。

这些条件使更早的可见性颇具吸引力。但由于负担过重的团队几乎没有多余注意力，错误或优先级不当的预警也会带来更高风险。

预测只有在改变决策时才有价值。如果它只是确认了经验丰富员工原本已有的判断，那么该产品只是增加了计算量，而没有带来实质性的运营杠杆。

因此，首批实施必须衡量行动，而不只是预测。医院应跟踪团队是否更早作出响应、障碍是否更快被清除，以及可避免的延误是否减少。

真正的竞争在于预测与运营执行之间

GE HealthCare 的医院 AI 将取决于它能否把预测转化为协调一致的工作，而不是能否再生成一个风险评分。

医院运营软件市场已经包括专注于住院流程、出院规划、排班和容量优化的供应商。Qventus 和 LeanTaaS 是其中的突出案例，电子病历供应商也提供分析和工作流程功能。

这些公司从不同起点切入市场。有些将专业助手嵌入现有临床工作流程，另一些则强调排班优化或指挥中心视图。

GE HealthCare 的路径是将企业级预测与患者级出院预测结合起来，同时将这一层与成熟的 Command Center 业务及更广泛的医疗技术产品组合相连接。

竞争问题不在于对手能否构建预测模型。它们已经利用机器学习估计出院日期、安排辅助工作顺序、预测需求并识别医疗缺口。

更困难的问题是运营闭环。必须有人接受建议、拥有采取行动的权限、协调受影响的团队，并确认障碍已经解决。

以被识别为威胁明日出院安排的影像延迟为例。一项建议可能会优先安排数项扫描，但影像容量仍然有限。

让这些患者优先可能会推迟其他检查。机构需要制定规则来解决这种权衡，并掌握每项选择所带来的后果。

出院预测也会带来类似的复杂性。模型可以识别可能的离院日期，但这一估计可能随着患者状况变化或急性期后计划未完成而改变。

员工必须了解系统为何提高某位患者的优先级。他们还需要一种快速方式来拒绝不合适的建议，并记录原因。

这类反馈不仅仅是一项易用性功能。它还能揭示缺失的数据、本地工作流程差异，或模型未能充分反映的持续性限制。

GE HealthCare 表示，CareIntellect 会随着入院、诊疗操作、人员配置和患者流转的变化而更新建议。关键在于，这些变化如何呈现在日常工作中。

如果建议只被集中式运营团队看到，就可能成为又一次交接。若将其嵌入各部门队列，则可能更快改变行为，但也可能产生相互冲突的优先级。

这正是 CareIntellect 平台设计在战略上变得重要的地方。该公司表示，共用的身份、数据、安全和部署服务将支持多项应用。

共享基础可以减轻启用额外软件的负担，但并不能自动解决本地数据质量、工作流程设计或责任归属问题。

医院经常以不同方式编码同一运营概念。床位状态、出院准备情况、人员可用性和部门延误，在不同设施和源系统之间都可能存在差异。

系统必须在不掩盖其局限性的前提下标准化这些输入。当底层记录不完整或存在延迟时，整洁的仪表板可能制造虚假的信心。

这使实施成为产品的一部分。供应商和医院必须定义每个信号、验证接口、指定负责人，并确定建议何时应触发升级处理。

此次发布最早的独立新闻报道证实，Duke 和 Queen’s 将提供一线临床和运营反馈。该反馈闭环应检验界面是否符合实际决策方式。

它还应揭示医院 AI 中一个关键分野：技术上准确的模型若打断工作，仍可能失败；而准确度中等的模型若能支持受信任的流程，则可能发挥作用。

因此，买方应从多个层面要求提供性能表现。模型准确度固然重要，但建议接受率、行动所需时间、已解决的障碍、员工工作负荷以及患者流转结果同样重要。

这与任何严肃的 AI workflow 所需的纪律相同：追溯输入、明确决策归属、记录例外情况，并衡量流程是否得到改善。

CareIntellect 最强的潜在优势，在于将系统压力与个体患者的进展联系起来。其最大挑战，则是在本地条件发生变化时，保持这种联系的实用性。

这些数字尚未证明什么

此次发布确立了技术范围和评估合作伙伴，但尚未证明独立的临床、财务或运营影响。

GE HealthCare 引用了与其 Command Center 客户相关的结果。其中包括：在不同部署中，住院时长缩短超过一天，以及每年可额外接收 19,000 名患者的容量。

这些结果证明运营软件能够支持具有实质意义的改变。但不应将其视为 CareIntellect 的预期结果。

这些数据来自不同的医疗系统和运营项目。每家机构都有自己的人员配置模式、领导架构、患者群体、基准表现和实施计划。

CareIntellect 还引入了新的预测组件。由于其模型会影响哪些限制因素和患者获得关注，因此需要单独验证。

Pressure Forecast 模型研究 14 天的本地历史数据。这个相对近期的窗口可以捕捉当前运营模式，但读者尚不清楚系统如何应对突发变化。

季节性疾病、人员配置中断、信息系统故障或本地紧急事件，都可能打破近期模式。应用必须展示在这些情况下不确定性如何变化。

出院模型带来了另一项验证挑战。患者记录反映医疗需求、文档记录方式以及外部服务的可及性。

一项预测可能看似准确，却掩盖了其在不同临床群体中的不均衡表现。医院需要按相关人群、部门和出院去向细分的结果。

建议也可能造成自动化偏见。尤其在工作负荷较高时，员工可能对计算机生成的优先级赋予过高权重。

CareIntellect 的设计似乎旨在让人类始终处于决策闭环中。然而，只有当用户能够理解建议依据并能坦然表示异议时，人工审核才能真正保护患者。

GE HealthCare 表示，该产品将预测与基于规则的建议关联起来。买方应审查哪些元素来自学习模型，哪些来自配置规则，以及谁可以修改这些规则。

他们还应询问系统如何记录被拒绝的建议。较高的拒绝率可能意味着模型表现不佳、本地规则不适用，或变革管理不足。

医疗监管又增加了一层考量。医院管理软件并不总是受到与作出诊断或治疗决策的软件相同的监管。

FDA 的 2026 年软件指南说明，预期用途和功能如何决定临床决策支持软件是否作为医疗器械受到监管。

CareIntellect 专注于医院运营，但其出院模型会分析患者特定的临床信息。医疗系统必须了解运营建议的边界在哪里，以及临床判断从何处开始。

出于同样原因，安全和数据治理也很重要。该应用在云环境中汇集来自电子医疗系统和资源管理平台的记录。

GE HealthCare 描述了共享访问控制、监控、反恶意软件服务和集中式日志记录。客户仍需审查数据流、保留期限、权限、事件响应和合同责任。

互操作性是另一项实际风险。基于过时人员数据或不完整转运信息的预测，可能看起来很精确，却描述了错误的情况。

美国医院协会的劳动力扫描报告将强大的数据基础设施列为医疗 AI 的基础。它强调了可互操作记录、企业数据系统和数字指挥中心的重要性。

这种基础在市场中分布并不均衡。系统碎片化的医院，在获得可靠预测之前将面临更多集成和治理工作。

实施也可能转移负担，而不是减少负担。如果员工必须将 CareIntellect 建议与独立工作清单进行协调，该应用可能会增加又一层协调工作。

医院应衡量审查和处理建议所花费的时间。行政工作减少应体现在实际观察到的工作流程中，而不仅仅是产品演示里。

因此，首批临床评估具有不同寻常的重要性。Duke 和 Queen’s 必须证明，该产品能否在其现有流程和技术之外改善决策。

有价值的证据包括：不同时间跨度下的预测准确度、建议接受率、出院障碍解决情况、急诊滞留、住院时长、转运接收率以及员工时间。

结果还需要恰当的基线。当评估期间需求、人员配置或服务可用性发生变化时，前后对比可能具有误导性。

最有力的分析将比较相似时期、记录同期干预措施，并说明医疗系统如何归因结果。独立审查将进一步增强这些发现的可信度。

在这些证据出现之前，正确的结论应当保持克制。GE HealthCare 的 CareIntellect 发布展示了一种可信的压力预判机制，但其现实效益仍在评估中。

将决定 CareIntellect 成败的三个信号

三个信号将决定 CareIntellect 是否成为不可或缺的医院基础设施：经验证的性能、持续的员工采用，以及向有利发布地点之外的扩展。

第一个信号是 Duke 和 Queen’s 可衡量的表现。GE HealthCare 应披露的不应只是单一的标题式改进数据。

预测准确度应分别针对病区、部门和全院压力进行报告。结果还应展示近期开预测与完整 72 小时时间范围之间的准确度如何变化。

出院模型同样需要具体证据。医院应披露，预测的离院时间窗口是否变得更准确，以及团队是否更早解决了识别出的障碍。

在模型指标之后，运营结果同样重要。更短的滞留时间、更低的可避免住院时长、更高的转运接收率以及更少的人工核对，都将表明实际价值。

如果评估仅显示预测准确，产品的核心论点就会被削弱。医院管理者早已知道拥堵是个问题。他们购买的是时间和协调行动。

第二个信号是员工行为。采用情况应通过持续使用、建议接受、记录在案的人工覆盖以及节省的时间来衡量。

仅有高使用率还不够。强制使用的软件可能制造活动量却无法改善工作，而自动接受则可能表明不健康的盲从。

最有价值的模式应是规律使用、审慎覆盖和更快解决问题的结合。这将表明员工理解该系统、选择性地信任它，并保留自身责任。

GE HealthCare 还应说明一线反馈如何改变产品。对工作流程、解释、提醒或模型输入的具体修订，将证明评估正在塑造部署。

如果团队仍在维护并行的电子表格和非正式升级渠道，CareIntellect 就尚未成为 GE HealthCare 所设想的运营记录。

第三个信号是在具有不同基础设施和运营模式的医院中扩展。Duke 和 Queen’s 是经验丰富的合作伙伴，而非具有代表性的首次买家。

有说服力的推广应包括社区医院、多医院网络，以及使用不同电子记录环境的机构。经过本地配置后，性能应保持稳定。

这种扩展将检验 CareIntellect 的平台论点。可复用服务应缩短集成工作，并减少添加应用所需的工作量。

如果每次部署仍需要大量定制工程，共享基础所带来的杠杆作用就会低于公司所声称的水平。如果启用速度加快而不削弱治理，GE HealthCare 将获得显著的商业优势。

竞争对手的反应将在这第三个信号中提供另一条线索。专注于住院容量的供应商可能会强调更深入的工作流程自动化、本地训练模型或更紧密的电子记录集成。

GE HealthCare 不需要在每一项专业功能比较中取胜。它需要证明，其更广泛的运营视角比孤立应用更能协调各部门。

未来一到三个月应会带来有关实施、评估设计和客户反馈的早期细节。完整的结果数据可能需要更长时间的观察。

买方不应将决策简化为功能清单。决定性问题在于数据准备度、运营权限、工作流程契合度和证据。

医院能否及时、稳定地提供输入数据？员工能否理解一项建议为何会出现？是否有人拥有权限去解决已识别的约束？

领导者能否区分模型改进与更广泛的流程改革？他们能否监控不均衡的表现，而不再增加一项人工报告负担？

这些问题界定了将 CareIntellect for Operations 解释为操作系统而非仪表盘的真正含义。它试图将预测、优先级排序与机构响应连接起来。

GE HealthCare 推出 CareIntellect 值得关注，因为这项尝试拥有了具体的架构和两家重要的评估合作伙伴。但它尚未证明，这一架构能够带来更好的医院运营。

关注 Duke 和 Queen’s 衡量什么、其员工如何使用这些建议，以及后续客户部署该系统时是否需要更少的定制。这些信号将表明，72 小时的预警能否转化为 72 小时的有效行动。