2026 全球医疗峰会（GHS2026）将于8月7–8 日在香港会议展览中心启幕。InterSystems亚太区董事总经理卢侠亮（Luciano Brustia）受邀出席 8月7日的圆桌论坛，与全球医疗领袖共议 “AI 智慧医院的地基：数据、平台与信任”（Building the AI Hospital: Data, Platforms and Trust）。 亚太地区的医疗机构正竞相采用人工智能——然而，许多项目尚未兑现价值便已停滞。会前，我们与InterSystems 亚太区董事总经理Luciano Brustia展开对话，探讨了为何数据质量是医疗 AI 隐形的瓶颈，以及医疗机构如何加速成果落地。 以下为 InterSystems 于 GHS2026 会议手册刊载的专访原文。
生成式 AI 已成为关注焦点，医疗机构应如何看待它？
卢侠亮（Luciano Brustia）：生成式 AI 令人振奋，它为临床医生、患者和管理人员开启了新的可能性。然而，其底层的基本原则依然适用。医疗机构需要的是可信、受管控且具备情境化的医疗数据。大语言模型固然强大，但当它们能够以安全、可控的方式获取准确的、针对特定机构的信息时，其价值将得到显著提升。
医疗 AI 领域的赢家未必是使用最大模型的机构，而是那些能为模型提供最佳数据的机构。
为何仍有大量项目未能达标？
卢侠亮（Luciano Brustia）：简而言之，问题在于数据。医疗机构产生的数据量空前庞大——源自电子健康记录（EHR）系统、智能医疗设备、排班与计费平台以及公共卫生数据库。但这些数据极少是洁净或一致的。数据冗余、缺失以及格式孤岛，意味着 AI 模型建立在摇摇欲坠的基础之上。
技术领域有一句老话：垃圾进，垃圾出（Garbage in, garbage out）。这句话在医疗 AI 领域从未如此贴切。当底层数据不可靠时，算法的输出同样不可靠——临床医生很快便会丧失对该工具的信任。挑战不仅在于连接数据，更在于对数据进行规范化与管控，以确保使用者对所处理的数据充满信心。
InterSystems 如何应对这一数据集成挑战？
卢侠亮（Luciano Brustia）：我们的理念是为医疗机构提供智能数据编织（Smart Data Fabric）——一个横跨异构系统的统一层，使数据可访问、可靠且具备 AI 就绪性，而无需强求其拆除或更换现有基础设施。
InterSystems IRIS for Health™ 支持实时数据处理与内存计算，这对于需要基于当前患者信息采取行动的 AI 应用至关重要。我们还将机器学习功能、向量搜索以及基于 HL7® FHIR® 标准的互操作性直接嵌入平台之中。我们的目标是消除集成的负担，让临床医生能够专注于 AI 应用场景本身，而非其底层繁杂的“管道工程”。
互操作性有多重要？行业是否在取得进展？
卢侠亮（Luciano Brustia）：互操作性是我们一切工作的基石。如果患者的数据分散在不互通的系统之中，根本无法构建有效的 AI。值得庆幸的是，诸如 HL7® FHIR® 等标准正获得切实的推广。它们为我们提供了一种通用的语言，用于安全、大规模地交换临床数据。
在亚太地区，我们看到各地的采纳程度参差不齐——部分市场进展迅速，而另一些仍在应对遗留基础设施的挑战。重要的是，行业的讨论焦点已然转变。各国卫生部及医院 CIO 们如今探讨的是“我们如何实现互操作性？”，而非“这为何重要？”。这是一种有意义的转变。
能否举一个 AI 在医疗场景中切实产生成效的具体案例？
卢侠亮（Luciano Brustia）：令我印象深刻的一个案例是美国一家非营利综合医疗系统。该系统需要管理其门户网站每日数千条的患者留言——其中包括临床紧急情况——而联络中心坐席此前缺乏自动化的优先级排序手段。通过在 InterSystems HealthShare® 之上应用 AI，他们实现了留言的自动分诊，能够立即识别出紧急病例。患者体验得到改善，响应时间大幅缩短，团队亦能将精力聚焦于最关键的环节。这生动地诠释了 AI 如何增强人类判断力，而非取而代之。
对于亚太地区希望启动或加速 AI 进程的医疗领导者，您有何建议？
卢侠亮（Luciano Brustia）：首先要构建坚实的数据基础，而非急于搭建 AI 模型。我曾目睹太多机构斥巨资投入复杂算法，最终却发现数据根本不足以支撑。请先审计现有数据，识别其中的缺口与不一致之处，并率先投资于集成与管控层。
其次，选择那些能让 AI 迅速展现清晰、可衡量价值的用例——例如优化分诊流程、减轻行政负担、加速诊断进程。早期的胜利有助于建立信心，并为应对更复杂的举措争取预算。
最后，切勿将 AI 视为单纯的技术项目，而应着眼长远。我所见过的最成功案例，均由对成果深度投入的临床领导者驱动。AI 并非一个独立的项目，而是一种将日益深入地嵌入临床、运营及财务工作流程的能力。