top of page

俄亥俄州立大学与 Microsoft 合作:临床 AI 连接五年云战略

21分钟前
讀畢需時 12 分鐘
Illustrative photograph. Photo: Imad Clicks / Pexels.

俄亥俄州立大学和 Microsoft 于 11 月 10 日宣布建立为期五年的合作关系,连接医院技术、临床 AI、科研基础设施和人才培养。俄亥俄州立大学与 Microsoft 的合作结合了已在医疗系统内部运行的工具,以及更广泛的发展议程。理解这种区别很重要:机构层面的协议确立方向,而单项部署仍需要各自的证据支撑。

核心张力在于组织层面。连接临床工作、科研和医院运营有望带来更有用的技术,但也要求就数据访问、问责和评估作出更清晰的决定。这些责任不仅涉及采购软件的团队,还会影响审阅生成笔记的临床医生、申请信息的研究人员,以及决定哪些改进值得扩大推广的管理者。

该大学还于 9 月宣布与 Google Cloud 建立合作关系。这为理解本次协议提供了有用的参照,但并不意味着两者存在直接的替代竞争。关键问题在于,不同的机构关系如何满足特定需求,以及由此形成的系统是否能让日常工作更可靠。

俄亥俄州立大学与 Microsoft 的合作究竟改变了什么

根据双方公布的五年合作关系,该计划涵盖互联医院、云基础设施、共享数据、临床 AI 和培训。

智能医院平台已在 Richard M. Ross Heart Hospital 和 James Outpatient Care 运行。该平台使用 Microsoft 的云平台 Azure 以及物联网技术,后者可连接实体设备和传感器。双方计划将其扩展到更多设施。

合作伙伴的目标是将约 70% 至 80% 的存储和计算迁移至 Azure。电子健康记录——即数字化患者病历——也将迁移至该平台,用于备份和业务连续性。

采用分析平台 Microsoft Fabric 及其共享存储层 OneLake 的数据基础已完成高层设计。拟议应用包括手术需求和人员配置预测。

临床医生已在使用 Dragon Copilot 的环境式文档功能,该功能会将就诊对话转化为需要临床医生审阅和最终确认的笔记草稿。AI 支持的肿瘤多学科会诊,即围绕癌症病例的多学科讨论,仍处于探索阶段。培训和认证机会也是协议的一部分。

该公告确立了一项协调推进的计划,其中不同组成部分处于不同的发展阶段。

这一差异改变了读者应如何评估后续更新。正在运行的服务、已完成的设计和探索性的工作流都代表着进展,但它们回答的是不同问题,因此应承载不同预期。

已运行的服务会引出有关可靠性、采用情况和结果的问题。已完成的设计会引出有关实施、权限和测试的问题。探索性工作流则会引出有关其目标用户,以及在部署前所需条件的问题。

将这些阶段归入同一合作关系,在战略上是合理的。但这也使精准报道变得不可或缺。否则,读者可能会将协议的广度误认为其中每项应用的成熟度。

因此,最有力的解读应当是具体的:俄亥俄州立大学和 Microsoft 已建立一个框架,用于连接跨越部门边界的工作。它的价值取决于这些连接能够实现什么,以及该机构如何评估结果。

对于企业买家而言,这使该协议的意义超出了医疗保健领域。广泛的技术合作关系,只有在改变团队如何协调交付、管理信息和承担故障责任时,才会产生实质影响。

单凭一项合作公告无法解决这些问题。它只是建立了一种结构,让两家机构能够随着时间推移处理这些问题。

医院团队承接整合背后的工作

眼前的压力落在那些负责将共享基础设施转化为可靠日常工作流的人身上。

对技术领导者而言,挑战在于安排顺序。迁移信息、改造应用和引入 AI,可能通过不同项目影响同一批员工。即使更广泛的计划有共同目标,每个项目仍需要可行的过渡方案。

例如,临床部门不能仅凭生成文本的质量来评估一款文档工具。它的实用性还取决于草稿何时出现、在哪里进行修正,以及最终记录如何进入既有工作流程。

同样的原则也适用于医院运营。对资源使用情况有更清晰的了解,只有在有人能够据此采取行动时才有价值。若没有权限、人员配置或明确的响应机制,更好的可见性可能无法改变底层流程。

这些是从协议中推导出的分析性影响,而不是有关俄亥俄州立大学实施问题的报道。它们解释了为何合作关系的广度提高了协调的重要性。

以排班预测为例。一项有用的预测必须在人员配置决策变得难以调整之前,送达作出该决策的人手中。它还需要提供足够的背景,让该人员理解其局限性。

如果预测表明需求将增加,运营层面的问题就变成了组织能够调整什么。即便预测本身准确,可用房间、专科覆盖和支持服务仍可能限制应对措施。

这个例子说明,单一技术性能指标无法承载全部评估。一种模型可以给出合理的估计,但周边工作流可能阻碍实质性改进。

临床团队在生成文档方面面临类似问题。审阅草稿需要投入注意力,而审阅本身也应纳入任何工作负荷评估。只统计生成的文本、不统计核验工作,将得到不完整的图景。

研究团队面对的是同一问题的另一种形式。只有当研究人员能够确认信息所代表的含义时,更容易获取信息才会有用。定义、采集方式和缺失观测都会影响数据集能够回答的问题。

对知识工作者而言,这种联系并不陌生。当人们能够识别正确材料并判断其相关性时,可搜索知识库才会有所帮助。临床信息需要额外的机构控制,但其底层信息问题依然可辨。

因此,俄亥俄州立大学的临床 AI 议程将交付责任分配给多个群体。技术人员管理系统,临床领导者界定可接受的工作流,运营管理者决定信息是否会改变一项决策。

共享计划可以帮助这些群体朝着相互兼容的目标推进。但当技术输出转化为人的行动时,其成功仍需要明确的责任归属。

共享基础设施同时带来协调与依赖

连接系统能够减少碎片化工作,同时也提高了共同规则和可靠恢复的重要性。

这是俄亥俄州立大学 Azure 迁移背后的主要权衡。更集中的技术环境为协调应用和信息提供了空间,但也使有关访问、恢复和机构控制的决策更具影响力。

这并不意味着该架构不安全,或整合并不可取。它意味着,基础设施选择需要在迁移工作负载数量之外进行评估。

一项迁移里程碑可以表明某个应用已成功转移,但并不能自动证明用户能在中断后恢复工作。这些是相关但彼此独立的运营主张。

同样的区分也适用于备份。存储可恢复的副本是连续性规划的一部分。该机构还需要了解,恢复过程如何融入员工在中断期间必须完成的工作。

对于评估未来公告的读者来说,恢复演练将比关于韧性的笼统保证提供更有用的证据。这类演练能够揭示日常运营中仍不可见的依赖关系。

数据整合则带来另一项挑战。将信息汇集到共同环境中,并不会让每个字段自动保持一致。各部门可能使用相似术语指代不同概念,或使用不同术语指代密切相关的概念。

因此,共享平台需要共享解释。必须有人决定采用哪些定义、谁可以修改这些定义,以及下游用户如何得知这些变化。

这正是基础设施成为机构政策的地方。访问设置体现了谁应当查看信息的决策。保留设置体现了信息应保留多久的决策。技术配置承载着组织判断。

联邦医疗保健云指导提供了相关背景。HHS 描述了处理受保护信息的医疗保健机构和云服务提供商所承担的责任,包括适当协议和风险分析。使用云服务并不会免除这些责任。

该指导并未评估这项合作关系,也未认证其实施情况。它说明了为何在任何严肃的医疗保健计算讨论中,治理都应与架构并列。

对企业买家而言,更广泛的教训关乎依赖性。整合决策应考虑:当应用发生变化、合同演变或服务不可用时,信息如何保持可访问。

当多个工作流共享同一底层服务时,这些问题尤为重要。共同基础可以简化协调,但也要求更清楚地理解中断的后果。

因此,俄亥俄州立大学的 Azure 迁移应通过运营准备度以及部署进展来评估。有用的证据应说明迁移了什么、哪些部分仍依赖其他系统,以及团队如何验证持续访问。

相关权衡是可管理的,但不能被“采用云即实现现代化”的笼统说法所掩盖。只有当机构能够说明改进了什么、以及如何得知这一点时,现代化才具有实际意义。

临床 AI 需要生成笔记之外的证据

生成可用草稿与改善临床医生的工作日,是两种不同的结果。

这一差异为俄亥俄州立大学的临床 AI 工作带来了具体的评估挑战。文档系统可以在一次诊疗中提供帮助,却仍可能让其他行政负担维持不变。

独立研究提供了一个有益的提醒。一项临床文档研究评估了 Atrium Health 早期部署的 DAX Copilot。其主要分析未发现电子病历使用或财务指标存在具有统计显著性的改善。

探索性分析表明,部分临床医生群体和使用模式可能从中受益。该研究属于观察性研究,作者也指出了其局限性。它并不能说明当前 Ohio State 的部署效果如何。

其相关性在于衡量问题。看似能够节省时间的机制,并不保证能在整个临床工作流程中带来可测量的改善。

临床医生或许会花更少时间撰写病历,但可能需要投入更多时间检查其结构或修正细节。另一位医生或许会认为草稿很有帮助,因为它减轻了认知负担,即使记录的工作时长变化不大。

这些可能性需要采用不同的衡量指标。文档处理时间、非工作时间工作量、修改负担和临床医生体验,各自揭示不同的信息。若将它们草率合并,可能掩盖哪些人受益,以及在何种条件下受益。

患者体验同样值得单独关注。临床医生对工具的满意度,并不能说明患者如何感受其使用过程。患者的理解程度、舒适度及提问能力,都应纳入评估。

这些考量均不能证明 Ohio State 已出现某一特定问题。它们指出了公正评估该合作预期收益所需的证据。

当生成文本进入长期留存的记录时,人工审核尤为重要。一份草稿可能看起来流畅,却遗漏某项限定说明,或将信息归属给错误的人。审核应关注含义,而不只是可读性。

因此,培训应包括识别何时需要修正或拒绝输出结果。熟悉界面固然有用,但不能替代专业判断。

探索性的癌症病例工作还提出了另一项区分:为专家整理信息,与提出治疗建议并不相同。未来的任何说明都应解释系统的角色,而不应模糊这些边界。

读者还应区分工作流程证据与患者结果证据。更快地为讨论做准备,能够回答一个运营层面的问题;更好的临床结果,则需要专门设计的评估来支撑这一不同的主张。

该公告并未证明癌症治疗结果得到改善、治疗决策取得成功,或临床试验带来新的收益。不能从合作范围中推断出这些结论。

可信的评估应为混合结果保留空间。某些专科可能认为某种工作流程有用,而其他专科仍需调整。一些收益或许体现在体验,而非速度。

这仍将提供有价值的信息。具体结果比掩盖不同用户和任务差异的笼统成功声明,更能有效指导采用决策。

Google 为 Ohio State 更广泛的 AI 战略提供背景

应依据 Ohio State 与供应商关系的既定目标和可验证结果进行评估,不应假定一项协议会取代另一项。

9 月 29 日,该大学宣布与 Google Cloud 建立合作关系,重点涵盖研究、校园技术使用权限和 AI 素养。公告提到校内 AI 空间、与 Google DeepMind 的合作,以及学生研究机会。

这项较早的协议为 Microsoft 11 月的公告提供了相关的竞争背景。两家公司都在寻求超越单一软件采购的机构合作关系。其公开项目在教育和研究方面有所重叠,但侧重点不同。

公开公告并不能证明存在正面对决的采购结果。它们也未显示该大学已将所有工作负载分配给单一供应商。

对读者而言,有价值的比较在于组织角色。一种合作关系可能强调校园研究环境,另一种则聚焦医疗系统运营。理解这些角色,比宣布总体胜者更重要。

这一背景也改变了对该合作商业意义的解读。大型机构协议表明供应商在某个项目中的位置,但并不能证明其对该机构更广泛技术战略拥有排他性控制权。

不过,Ohio State 与 Microsoft 的合作确实让 Microsoft 有机会在统一合作关系中连接基础设施、应用程序和劳动力发展。这种组合之所以重要,是因为采用成效取决于人们是否理解工具如何融入自身工作。

培训可以帮助弥合工具可用性与熟练使用之间的差距。然而,课程参与和实际能力仍是不同的结果。完成培训并不能证明员工能够安全处理含糊的结果。

对临床医生而言,有用的能力包括知道何时应质疑生成的文档。对研究人员而言,这包括理解可用信息的局限。对管理人员而言,这包括识别何时不应让预测结果主导决策。

这些是更广泛项目需要支持的技能示例,而非对已发布课程的主张。它们说明了为何劳动力发展应成为分析的一部分。

多个供应商关系也带来协调问题。机构需要就批准的用途、信息处理和支持机制制定明确规则。否则,即使每项单独服务都按预期运行,员工仍可能面临不确定性。

这是一般性的机构挑战,并非 Ohio State 出现混乱的证据。相关公告使其值得关注,因为其目标覆盖不同社群和专业角色。

对于其他大学和企业采购方而言,这一案例值得作为围绕机构合作关系组织 AI 采用的示例加以关注。其最终经验将取决于交付细节。

竞争分析也应保持同样的具体性。关键问题在于每家供应商支持哪些工作流程、机构如何评估它们,以及用户是否体验到预期改善。

供应商的广度可以支持协调。特定工作流程的证据仍必须证明,这种广度是否转化为有用的机构成果。

关注交付里程碑、临床工作负荷和实用技能

接下来有价值的更新应让项目的各个组成部分更容易得到评估。

未来几个月,读者应首先关注交付里程碑,其次是临床工作流程证据,第三是实际培训成果。这些是观察重点,而不是已公布的截止日期。

第一个信号是对实施进展更清晰的说明。有价值的更新应明确哪些系统已投入使用、哪些仍在开发中,以及过渡过程中进行了哪些验证。

对于 Ohio State 的 Azure 迁移,这意味着要区分已转移的工作负载与更广泛的目标。部署说明应清楚界定范围,使读者能够理解发生了哪些变化。

同样的标准也适用于互联的医院运营。列明额外部署将证明扩展正在进行。报告明确的运营指标,则有助于说明扩展是否带来了预期价值。

如果这些信号表明交付可靠且运营改善可衡量,它们将强化协调基础设施的论据。有关进展的笼统表述则会让核心问题悬而未决。

第二个信号是有关临床工作负荷的证据。有价值的报道应说明谁使用了工具、它支持了哪些工作,以及机构如何评估相关体验。

评估应将审核和修正纳入考量,同时衡量创建文档所花费的时间。它还应区分持续使用者与仅短暂尝试系统的人群。

若结果显示持续使用、文档质量可接受且工作负荷降低,将强化扩大部署的理由。若结果仅限于特定任务,则只能支持更为有限的结论。

混合结果同样重要。它们可能指出哪些地方需要改变工作流程,或某项工具更适合哪些特定用户。

对于探索性的临床应用,明确定义其角色本身就是有用的进展。读者应关注系统协助什么、将什么留给专家,以及如何评估其表现的说明。

第三个信号是培训是否产生实际能力。参与人数说明覆盖范围;证明参与者能够运用恰当判断,则更能说明准备程度。

有意义的更新可以解释学习如何与实际职责相连接。这将使教育组成部分比笼统介绍认证机会更容易评估。

这些信号也提供了合理解读沉默的方式。在一个为期五年的项目中,短期内缺乏结果数据并不意味着失败。这仅意味着有关收益的结论仍为时过早。

Ohio State 与 Microsoft 的合作值得关注,因为它连接了机构通常会分别评估的决策。计算能力、文档处理、研究访问权限和劳动力能力相互影响,即使它们的实施时间表有所不同。

应像关注整体协议一样密切追踪各项具体部署。应询问每次更新描述的是可用性、采用情况、运营改善还是临床证据,因为这些主张需要不同的支撑。将既定目标与实际报告的衡量指标进行比较,并寻找对团队间差异的解释。对于考虑类似安排的机构而言,应将这项合作视为值得追踪的案例,而非可以直接复制的既成模型。最有力的结论应与最有力的证据相对应,并随着实施推进重新审视这些结论。该项目的哪一部分将最先公布足够细节,以显示互联基础设施如何改变日常工作?

 
 

免费开始使用

一款本地优先的AI助手

为了获得更好的人工智能体验,

remio 目前仅支持Windows 10+ (x64)和M-Chip Mac 。

你的 AI 工作伙伴

和 remio 一起高效工作

规划、创作、交付

一站式完成

bottom of page