PartsSource 任命 Nick Marzotto 领导其 AI 战略

PartsSource 任命在 Epic 工作了 15 年的 Nick Marzotto 负责 AI 和数据业务，使这则 Google News 消息的意义不止于高管招聘。该公司希望预测医院的设备需求，但这些预测依赖于来自众多供应商、系统和临床站点的碎片化记录。

Marzotto 于 2026 年 9 月 1 日出任 PartsSource AI 与数据副总裁。他将负责该公司临床技术平台上的人工智能、机器学习、数据科学和工作流自动化。PartsSource 表示，该平台服务超过 5,000 家医院和 15,000 个临床站点。

这一雄心让人联想到电子健康记录推动的早期医疗变革。Epic 及其他 EHR 供应商连接了曾分散在不同部门的临床信息。PartsSource 现在希望为医疗设备、维护、零部件、供应商和服务运营构建一层类似的智能系统。

但这一类比也是核心风险所在。患者记录历经多年的标准化、实施工作、治理和监管压力才获得价值。医院资产数据仍分散在维护系统、供应商门户、服务历史、采购工具和本地电子表格中。聘请一位经验丰富的高管可以明确方向，却无法解决这种碎片化问题。

PartsSource 此项任命实际改变了什么

PartsSource 已将 AI 战略从笼统的产品愿景转变为一项由具名高管负责的明确职责。

根据该公司的 AI 领导层公告，Marzotto 将在其产品和技术组织内开展工作。他的职责涵盖 AI、机器学习、数据科学和智能工作流自动化。

这一职责范围很重要。较为狭窄的任命可能只会聚焦于增加一名对话式助手或生成维护摘要。而 Marzotto 的角色则横跨数据基础、分析模型、产品界面和运营工作流，这些因素共同决定一项洞察能否转化为行动。

PartsSource 将自己定位为临床技术绩效平台。其网络连接医院团队与零部件、服务、供应商信息、资产记录和循证决策支持。该公司称，其目录包含超过 400 万种产品和服务，并拥有由超过 5,000 名服务技术人员组成的网络。

这些数字由公司自行报告，并非对 AI 准备程度的独立衡量。但它们仍揭示了 PartsSource AI 战略的潜力。一个处理众多设备类别和服务事件的平台，能够观察到单家医院可能永远无法看见的模式。

一个站点的部件故障只能提供有限证据。若在可比设备、医院、气候、使用水平和服务历史中出现类似故障，则可形成更有价值的信号。只要底层数据采用兼容的定义，机器学习便可以在这些记录中寻找反复出现的关联。

Marzotto 具备在大型医疗软件组织内协调 AI 采用的经验。PartsSource 表示，他自 2020 年起担任 Epic 临床应用与人工智能副总裁。该公司还称，他曾围绕共同的生成式 AI 方法协调超过 50 个产品团队。

该公司将其在 Epic 领导的项目归因于 500 个医疗系统中采用率增长 32 倍。这一说法在公告中缺乏独立发布的方法论支持。不过，它确实说明了 PartsSource 聘请他的目的：在众多产品和客户之间组织 AI 部署，而不只是监督模型开发。

这正是为什么这项任命值得获得比 Google News 标题所暗示的更多关注。PartsSource 正让一位高管对数据质量、模型行为、治理和运营采用之间的衔接负责。

眼下的变化是组织层面的。最终考验将是可衡量的产品表现。医院需要证据证明，这一新的智能层能够减少延误、提升设备可用性，或消除重复性工作，同时不会引入不安全的建议。

为什么医院设备数据是战略性资产

机会不在于打造更好的聊天机器人，而在于形成每一项临床资产可靠的运营全景。

医疗技术管理，通常简称 HTM，涵盖确保医疗设备安全、可用并得到适当维护的人员和流程。其中包括预防性维护、维修、召回、更换规划、零部件采购、网络安全和服务合同管理。

医院设备信息很少起始于一个整洁的数据库。一台输液泵可能同时出现在计算机化维护管理系统、采购记录、制造商门户和技术人员的工单中。每个来源都可能以不同方式识别同一台设备。

这种不一致会阻碍有价值的分析。ECRI 指出，不同的设备名称和分类可能干扰维护规划、召回工作、网络安全响应和更换决策。其对 设备数据质量 的讨论表明，规范化是一项运营要求，而非行政整理工作。

PartsSource 希望连接资产、供应商、服务组织和医疗系统工作流之间的记录。如果这种连接奏效，医院便可以借助不止最新一张工单来评估维修决策。

决策引擎可能会考虑设备年限、既往故障、零部件可用性、技术人员资源、保修状态、服务合同条款、临床需求以及同类设备的表现。输出结果可以帮助团队决定是维修、更换、调配还是监控某项资产。

预测性维护是可能的应用之一。这一概念指利用状态和历史数据，在设备故障中断运营前估计其何时需要服务。在医疗领域，预测必须支持合格专业人员，而不能绕过他们的判断。

关于 AI 辅助维护的研究描述的是一个正在发展的领域，而非一套成熟的方法。近期一项 预测性维护研究 发现，医疗领域的实施仍较为碎片化，并需要与传感器、基础设施、决策系统和人工监督相整合。

PartsSource 已经处于多个此类输入交汇的位置。其市场和服务关系能够提供零部件可用性、供应商表现和维修活动方面的信息。医院集成则可以补充本地资产和工作流背景。

这种组合带来了可信的数据优势，但并不会自动产生准确预测。该公司必须判断哪些记录描述了真实的设备状态，哪些记录仅反映了不一致的文档记录或本地实践。

设想两家医院记录同一套影像系统反复发生故障的情况。一家可能会为技术人员的每次到访单独创建工单；另一家则可能在漫长维修期间始终保留同一张工单。模型可能将文档记录习惯误判为设备可靠性的差异。

缺失数据也会带来同样的问题。一项没有记录事故的资产，可能非常可靠、记录不完善，或是在未连接的系统之外接受维护。没有辅助背景信息，AI 无法区分这些解释。

这使数据血缘变得不可或缺。数据血缘记录信息的来源、变化过程，以及塑造输出结果的规则。在依赖涉及昂贵或临床重要设备的建议之前，医院团队需要这种可追溯性。

因此，真正的战略目标是一个值得信赖的资产图谱，而不是通用模型。这样的图谱将连接设备身份、位置、维护事件、供应商、零部件、技术人员、风险和结果。它还应保留足够的背景信息，让用户能够审查重要建议。

构建类似内部系统的组织面临同样的知识挑战。文档、决策和运营信号只有在保持可搜索且相互连接时才会变得有用。一份设计完善的 知识管理指南 解释了这一基本原则，尽管医院资产治理需要严格得多的控制措施。

PartsSource 的机会来自其在买方、服务提供商、制造商和设备记录之间所处的位置。它的困难也源于同一位置。每增加一个来源，既会扩展可用智能，也会增加规范化负担。

真正的对手是碎片化工作流

主要竞争是互联决策支持与医院现有拼凑式流程之间的较量。

由于 Marzotto 从一家公司转至另一家公司，人们很容易将 PartsSource 与 Epic 对立起来。但这会误读该公告。Epic 的业务核心是临床和患者信息，而 PartsSource 则聚焦于支持医疗服务交付的设备与服务。

PartsSource 的主要对手并非另一家具名软件公司，而是当下塑造设备决策的脱节系统、供应商专属数据、人工核对和机构知识的组合。

这些工作流持续存在有其合理原因。医疗设备来自众多制造商和不同代际。医院会收购医疗设施、继承合同、更换维护平台，并长期保留设备。统一的数据模型必须容纳这段历史。

临床工程团队同样承受压力。医疗仪器促进协会针对其 2025 年劳动力报告，调查了约 1,000 名北美 HTM 专业人员。受访者提到招聘缺口、退休、人员流动、更高的设备复杂度，以及不断扩展的网络安全职责。

由此产生的 HTM 劳动力调查结果 为 PartsSource 的任命提供了实际背景。医院需要的不只是分析上的新颖性，而是能够减少承担更广泛职责团队可避免工作的工具。

这正是 Nick Marzotto 的 AI 经验变得相关的地方。在超过 50 个产品团队之间协调生成式 AI，需要共同的技术模式、评估方法、治理规则和实施支持。PartsSource 必须在其平台上建立类似的纪律。

首批有用的应用可能不如自主资产管理那般引人注目。AI 可以对不一致的工单描述进行分类，将零部件与设备记录匹配，汇总维修历史，识别缺失字段，或优先处理需要人工审查的记录。

这些任务具备一个宝贵特性：用户可以检查结果。技术人员可以拒绝错误分类，管理者可以验证建议的匹配。这些纠正还可以在系统支持风险更高的预测前，揭示反复出现的数据问题。

更成熟的 PartsSource 医疗 AI 层可以对干预方案进行排序。它或许会标记某台设备：其故障历史、零部件稀缺程度和临床需求表明应当更早更换。它也可能识别出一份服务合同，其表现明显逊于可比安排。

即便如此，系统也应呈现证据，而不是给出无法解释的指令。医院团队需要了解哪些记录影响了建议、这些记录有多新，以及可比设备是否确实处于相同的运行条件下。

碎片化工作流还有另一位捍卫者：本地专业知识。经验丰富的生物医学设备技术人员往往知道哪些设备的实际表现不同于官方说明。他们能识别反复出现的供应商问题、建筑条件限制、临床偏好和临时解决方案。

忽视这些知识的 AI 平台，会生成技术上整齐、但在运营上薄弱的建议。能够吸收专家反馈的平台，则可以将本地修正转化为可复用的机构知识。

这带来了微妙的采用难题。如果产品必须经过大量人工清理才能产生价值，工作负荷已很重的团队可能会拒绝使用它。如果自动化过于激进，早期错误又可能摧毁信任。

最有力的实施路径是从边界明确的决策和可见证据开始。PartsSource 可以先瞄准重复性的对账工作，衡量准确性，并仅在用户验证基础能力后再扩大范围。这种做法将工作流整合置于雄心勃勃的营销主张之前。

Google News 的曝光或许会让这项高管任命获得关注。医院是否采用，将取决于更低调的证据：更少的人工交接、更清晰的服务历史、更快的采购，以及经验丰富的团队认为可信的建议。

Nick Marzotto 的 AI 使命是一场治理考验

医疗 AI 的成功，在于问责机制必须随自动化同步增长，而非事后补上。

PartsSource 表示，Marzotto 此前曾帮助 Epic 客户建立用于监控和负责任使用 AI 的治理基础设施。这项责任的重要性可能超过他的生成式 AI 采用数据。

治理规定谁来批准用例、系统可访问哪些数据、如何测试性能，以及何时必须由人工介入。它还规定，当模型产生错误或有害建议时应如何处理。

PartsSource 的 AI 战略跨越多个风险类别。资产数据可能暴露敏感的运营细节。服务历史可能包含技术人员备注和设施信息。联网设备记录则可能与安全漏洞或受保护的临床工作流产生交集。

FDA 将医疗设备网络安全视为一项覆盖全生命周期的共同责任，涉及制造商、医院、服务提供方、研究人员和政府机构。其网络安全指南强调威胁建模、文档记录、监控以及上市后风险管理。

PartsSource 并未在此次发布中宣布 AI 医疗设备。不过，其运营平台仍涉及可能影响患者护理的设备。一项糟糕的采购建议不同于错误诊断，但当所需设备持续无法使用时，两者都可能产生重要影响。

风险也会因用例而异。总结一份已完成的工单，与预测某台设备能否安全继续服役，后果并不相同。PartsSource 不应对两者采用同一种审批标准。

实用的治理模型应按影响程度对 AI 功能分类。低风险辅助功能可以接受自动化测试和常规抽样。影响维护优先级、资产可用性、网络安全或更换决策的建议，则需要更严格的验证和人工审批。

公司还必须应对模型漂移。当输入数据或现实条件发生足以削弱模型性能的变化时，就会出现漂移。新设备型号、供应商、文档模式和服务政策，都可能改变历史记录中学习到的关系。

因此，部署后仍应持续监控。团队需要按设备类型、医院环境、数据来源和建议类别细分性能指标。可接受的总体评分，可能掩盖某个规模较小但关键的资产群组表现不佳的问题。

ECRI 的医疗 AI 材料也提出了另一项警告。该机构将滥用 AI 聊天机器人列为 2026 年首要健康技术危害，并在其AI 安全资源中强调隐私、偏见、治理、监控和教育。

聊天机器人并非 PartsSource 公告的核心承诺。不过，这一警告仍然适用，因为自然语言界面可能让不确定的输出显得权威。流畅表达不是证据。

如果 PartsSource 增加对话式访问，界面应展示来源、日期、置信度限制和未解决的冲突。它应区分经验证的资产记录、生成式摘要和概率性建议。

数据权利也带来另一个问题。医院会希望明确了解其记录是否用于训练共享模型、是否保持隔离，或是否仅贡献于聚合基准。供应商同样可能审视比较绩效信息的计算和展示方式。

这些问题并不是反对使用 AI。它们是可信部署的前提条件。只有当 PartsSource 在展示产品能力的同时公布清晰的控制措施，Marzotto 的使命才具有实际意义。

公司的公告对推动团队从被动工作转向预判作出了广泛主张。这一结果尚未得到独立验证。这项任命应被理解为建设所需系统的承诺，而非该系统已经存在的证据。

Google News 读者目前不应作出的假设

一项高管任命传达的是意图，却没有提供设备正常运行时间改善或运营负担降低的独立证据。

该公告提供了规模数据、Marzotto 在 Epic 任职期间的采用主张，以及互联智能的愿景。它没有说明新的产品发布、客户部署时间表、外部验证研究，或与新战略相关的已衡量医院成果。

这一差异很重要，因为 AI 公告往往将现有分析能力、未来开发和广泛的企业方向混在一起。读者应区分 PartsSource 目前运营的内容，与其扩展 AI 计划拟交付的内容。

当前的基础包括大型市场平台、服务关系、工作流软件和基准数据。未来承诺则是利用互联信息预判设备需求并推荐行动。

PartsSource 自身的医疗技术报告主张，应从广泛预算编制和基于声誉的供应商选择，转向按设备类型制定的规划和可验证的绩效标准。这个方向支持公司的论点，但它仍然是公司自行撰写的证据。

独立验证应回答更棘手的问题。一项建议是否比现有做法更能减少计划外停机？它在不同医院中能否保持准确？技术人员会在多大程度上覆盖其建议？当数据不完整时会发生什么？

答案需要经过精心设计的评估。简单的前后对比可能会将模型影响与人员变动、新服务合同、设备更换或文档改进混淆。

医院还应审查假阳性和假阴性。假阳性可能触发不必要的检查或更换。假阴性可能漏掉正在出现的故障。可接受的平衡取决于资产关键性和可用备用能力。

PartsSource 的医疗 AI 工作必须考虑数据覆盖不均的问题。大型医疗系统可能在许多站点贡献详细的历史记录。较小的机构可能只有稀疏或不一致的记录。基于第一类群体训练的模型，未必能在第二类群体中表现同样出色。

供应商比较也带来相关担忧。一家服务于复杂设备或偏远地点的供应商，可能看起来比处理大城市附近常规任务的供应商更慢。排名需要根据案例复杂度、地理位置、可用性和报告质量进行调整。

生成式 AI 又增加了一层不确定性。它可以帮助用户用自然语言查询复杂记录，但也可能生成缺乏支持的陈述。检索、引用、权限控制和确定性检查应约束任何生成式回答。

这些问题都不会让该战略变得不现实。它们定义了从任命公告到可靠运营价值之间必须完成的工作。

Marzotto 在 Epic 的经历表明，他拥有在众多团队和医疗系统中推动采用的经验。然而，PartsSource 面临的是截然不同的数据环境。EHR 信息即使互操作性仍不完美，也已经高度标准化。设备和服务数据在不同供应商和机构之间可能缺乏一致性。

因此，公司必须展示自身的成果。来自 Epic 的信誉可以开启对话，但无法替代 PartsSource 特有的证据。

这正是该 Google News 条目背后的核心转折。公司聘请了一位 AI 负责人，以使医院设备管理更具预测性。在预测赢得信任之前，PartsSource 必须先完成识别、标准化、治理和验证这些不那么显眼的工作。

三项可显示该战略是否奏效的信号

下一批证据应依次来自产品行为、客户成果和治理披露。

第一个信号是明确的产品发布。PartsSource 应确定一项 AI 支持的工作流，说明它改善了什么决策，并描述围绕它设置的人工审核机制。

相比覆盖所有工作流的广泛助手，一项聚焦的发布更能强化战略。零部件匹配、服务历史标准化或维护优先级排序，都可以提供可测试的起点。缺乏明确边界的模糊 AI 层，会削弱公告的运营意义。

读者应关注输入和输出的细节。公司无需公开专有模型，但应说明哪些数据类别会影响建议，以及用户在采取行动前能够检查什么。

第二个信号是客户层面的证据。一份可信的案例研究应说明基准流程、评估周期、部署范围和相关运营结果。

潜在指标包括设备可用性、工单完成时间、重复维修率、采购延迟、技术人员覆盖建议的次数，以及用于对账记录的时间。每项指标都需要背景，因为医院的设备组合和人员配置模式会对绩效产生实质影响。

独立评估将进一步增强论证。一家医疗系统、专业协会或研究合作伙伴可以将 AI 辅助工作流与现有做法进行比较。评估应在有利结果之外，同时报告局限性和不成功案例。

第三个信号是公开的治理框架。PartsSource 应明确数据权限、模型监控、审计追踪、客户控制措施，以及针对有争议建议的升级路径。

治理披露将显示 Nick Marzotto 的 AI 使命是否超越功能开发。它也将帮助医院的安全、法务、临床工程、供应链和 IT 团队共同评估该平台。

这些信号会在不同时间线上出现。产品规格可以很快公布。可靠的结果数据需要持续使用。治理政策则应在更高影响力的自动化触达客户之前就已具备。

竞争对手的反应同样值得关注，但它们只是辅助证据。设备制造商、独立服务机构、维护软件供应商以及医疗系统技术团队，都掌握着这项数据拼图的一部分。

如果这些群体扩大集成范围，或推出类似的预测性产品，PartsSource 将面临证明其网络广度能够带来更优决策的压力。若它们限制数据访问，其集成挑战则会更加严峻。

这项任命为 PartsSource 在下一阶段带来了一位具有知名度的领导者，也让客户明确知道应由谁、由哪个组织对结果负责。

对开发者而言，启示在于，医疗 AI 基础设施涵盖身份解析、权限管理、监控和反馈闭环。模型选择只是整个系统的一部分。

对企业采购方而言，首要任务是寻找与明确工作流相关的证据。应询问：哪些决策会改变、由哪些记录提供支持、谁负责审批，以及部署后如何衡量绩效。

对知识工作者而言，更广泛的模式并不陌生。连接分散的信息能够减少重复检索，并帮助团队保留上下文。然而，在医疗运营中，便利性必须始终让位于可追溯性和安全性。

PartsSource 的任命出现在 Google News 各处，只是评估的开始，而非结论。应关注一个定义明确的产品、一项透明的客户衡量指标，以及一个治理框架。这些信号结合起来，才能显示 PartsSource 是否正在构建可靠的运营智能，还是仅仅为既有平台贴上 AI 的标签。