AI医疗的临床辅助决策要给出实时建议，本质上依赖医院信息系统（HIS）、检验科LIS、影像PACS、药房系统等上下游环节的数据互联。实时建议的价值，取决于整条产业链的协同效率——GPT类模型只有汇聚检验结果、影像报告、用药记录等多源数据，才能为医生提供有依据的决策支持；而当前医疗机构普遍存在的数据孤岛，正是产业链协同最大的现实障碍。

多源数据汇聚是实时建议的前提

临床辅助决策的实时性，建立在多源医疗数据的打通之上。以GPT类模型为例，其可用于向医疗保健提供者提供实时的、基于证据的建议，包括针对特定情况建议适当的治疗方案、标记潜在的药物相互作用，并为复杂的医疗案例提供临床指南。这些能力需要同时读取检验科的生化指标、影像科的阅片结论、药房的处方与库存信息，再结合病历系统中的患者历史记录。

这意味着医院信息系统不只是数据存储库，更是AI决策的“输入管道”。检验LIS、影像PACS、药房系统各自产生的数据，需要经过标准化处理后汇入统一的临床数据平台，GPT才能进行跨科室的关联分析。数据链路中任何一环缺失或延迟，都会直接影响实时建议的准确性与可用性。

数据孤岛：产业链协同的主要障碍

医疗数据被称为AI时代的“石油”，但医疗数据的权属与流通问题始终是痛点。在实际中，医疗大数据的权属基本在医院方；也有观点认为，医疗数据的所有权在于患者个人、控制权在于医院、管理权在于政府，第三方机构需借助政府支持和医院配合，方能对其进行商业化开发和利用。

目前AI模型训练所需的医疗数据，大都是通过企业和医院签署研发协议获得。实际操作中，数据收集到模型建立过程会做好物理隔离，通常是“数据不出院，模型出院”——医院与企业之间通过专门的清洗模块只保留必要数据，既保护患者隐私，也限制了数据的自由流动。这种模式保障了安全，却也意味着AI医疗产品的迭代高度依赖医院端的配合意愿与数据开放程度。

理解数据比获得数据更困难

即便数据链路打通，AI医疗还面临更深层的挑战。在《深度医疗》中，埃里克·托普分析IBM医疗AI沃森的失败时指出，其“最基本的失误之一，就是将获取数百万页的医疗信息等同于理解或使用这些信息”。对现阶段的AI医疗产品来说，理解医疗数据远比获得数据更重要也更困难。

常见问题

AI医疗在临床辅助决策中的自动化程度有多高？

目前AI医疗仍处在L1到L2的路上，远未达到完全自动化。埃里克·托普认为，AI医疗不太可能超越自动设备的3级水平——很多诊断工作、阅片工作可以用AI辅助完成，但就医学整体而言，任何时候都不能容忍没有人类医生监督的完全自动化。

医院与AI企业如何共享数据而不泄露隐私？

通常通过签署研发协议实现合作，并采取“数据不出院，模型出院”的物理隔离方式。数据收集到模型建立过程中，会有专门的模块进行数据清洗，只保留必要数据，医院与企业之间做好物理隔离。

医疗数据能否在市场上交易流通？

国内各个大数据交易所已有不少将“医疗卫生”数据纳入交易品类，但目前实际成交案例极少——仅有贵州大数据交易所上架了一款“儿童构音障碍早筛语音数据”产品并完成交易。数据交易仍处于早期探索阶段，医院端的数据控制权与患者隐私保护之间的平衡，是制约流通规模的核心因素。