一项AI实施科学研究以改善大型医疗系统中的可信数据
定量方法
2026-03-06 v2 机器学习
摘要
人工智能（AI）在医疗领域的快速发展引发了对可信AI和AI实施科学的兴趣，两者对于加速临床应用至关重要。然而，严格的法规、研究与临床环境之间的差距以及AI系统评估的挑战继续阻碍实际实施。本研究在Shriners Children's（SC）——一个大型多地点儿科系统——中展示了AI实施案例研究，展示了SC的研究数据仓库（RDW）在安全的Microsoft Fabric环境中现代化至OMOP CDM v5.4的过程。我们引入了一个兼容SC基础设施的基于Python的数据质量评估工具，扩展了OHDsi的基于R/Java的数据质量仪表板（DQD），并通过METRIC框架整合了可信AI原则。该扩展通过解决信息性缺失、冗余性、及时性和分布一致性来增强数据质量评估。我们还使用FHIR标准比较了针对颅面微发育不全（CFM）的系统性AI实施策略与特定案例策略。我们的贡献包括对AI实施的真实世界评估、将可信AI原则整合到数据质量评估中，以及混合实施策略的见解，该策略将系统性基础设施与基于用例的方法相结合以推进医疗AI。
引用
@article{arxiv.2512.03098,
title = {An AI Implementation Science Study to Improve Trustworthy Data in a Large Healthcare System},
author = {Benoit L. Marteau and Andrew Hornback and Shaun Q. Tan and Christian Lowson and Jason Woloff and May D. Wang},
journal= {arXiv preprint arXiv:2512.03098},
year = {2026}
}
备注
10 pages, 7 figures. Preprint version. This manuscript has been accepted at IEEE BHI 2025. This is the author-prepared version and not the final published IEEE version. The final version will appear in IEEE Xplore