Assessing Organizational Readiness for Artificial Intelligence in Healthcare Through a Digital Transformation Debt Framework
本文介绍了数字化转型债务（DT-Debt）框架，这是一个七维度的评估工具，通过将医疗机构划分为四种原型来诊断其结构性人工智能就绪程度，从而引导针对性的补救措施和投资排序，进而解决人工智能实施失败的根本原因。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图建造一个宏伟的、自动驾驶的机器人，它可以帮助医生拯救生命。你拥有最顶尖的大脑（人工智能）、最闪亮的传感器以及金钱能买到的最昂贵的代码。但当你把它启动时，它只是呆坐在那里，一脸困惑，或者更糟的是，因为它试图在纠缠不清的电线和破损的地板构成的迷宫中穿行，它开始给出糟糕的建议。这就是目前医疗保健领域人工智能的现状。这里的科学研究不在于如何让机器人变得更聪明，而在于修复它所居住的房子。这篇论文指出，大多数医院正试图把一辆法拉利停进一个堆满垃圾的车库里，而汽车无法启动的原因不是引擎的问题，而是杂物的干扰。作者认为，在我们能够信任人工智能做出重大决策之前，我们需要衡量一家医院通过多年的快速修补、旧电脑和混乱文书工作所积累的“债务”。这就像是在决定建造二层楼之前，先检查你的地基是否出现了裂缝。
这篇题为《通过数字转型债务框架评估医疗保健领域人工智能的组织准备度》的论文，提出了一种看待这个问题的新方式。它不再问“我们的 AI 是否足够好？”，而是问“我们的组织是否准备好承载这个 AI 了？”作者来自西达斯-西奈医疗系统（Cedars-Sinai Health System）的 Kunal Khashu 认为，许多 AI 项目失败的原因不是技术出了问题，而是医院的“数字债务”过高。他们创建了一个名为数字转型债务（DT-Debt）框架的工具。你可以把它想象成对一家医院数字灵魂的一次大型健康检查。它观察了医院可能存在“债务”的七个不同领域——比如拥有陈旧、缓慢的计算机（技术债务）、混乱且不完整的患者记录（数据债务），或是员工因过度疲劳且缺乏培训而无法使用新工具（劳动力债务）。
论文指出，如果一家医院的这类债务过多，他们购买的任何 AI 都很可能会坠毁并化为灰烬。作者识别了医院中 AI 失败的六种常见方式，例如“从试点到生产的失败”（即机器人在实验室测试中表现完美，但在现实世界中却失败了）以及“隐藏成本”陷阱（由于需要进行大量的修复工作，项目最终的成本比承诺的高出十倍）。通过测量这七个领域的债务，该框架将医院分为四种不同的“原型”或性格类型，范围从“转型受限型”（深陷数字债务的医院）到“AI 就绪型”（拥有坚实基础的医院）。
作者谨慎地表示，这还不是一根魔杖，也不是已被证实的物理定律；它是一种基于回顾现有研究并创建合成示例的结构化思考方式。他们认为，普遍观点——即我们只需要更好的算法或更干净的数据——只讲了一半的故事。真正的故事是，组织本身才是瓶颈。如果一家医院处于“转型受限”状态，论文建议他们甚至不应该尝试购买高端 AI。相反，他们需要通过修复数据、培训员工和更新旧系统来首先偿还债务。只有当医院向“功能就绪”或“AI 就绪”的阶梯迈进时，他们才能安全地部署 AI 而不引发混乱。
简而言之，这篇论文是一次现实层面的警示。它告诉医院领导者，购买 AI 就像购买一辆高性能赛车：如果你的车库一团糟，且你的技师不知道如何调校引擎，那么这辆车就无法赢得比赛。DT-Debt 框架就是技师的清单，它准确地告诉你，在转动钥匙之前究竟需要修理什么。它表明，通往成功 AI 的路径不在于投入更多的资金在技术上，而在于诚实面对技术必须应对的组织性混乱。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。