构建统一的数据质量和监控体系是质控体系重中之重。在指控当中有至少是有三个事情是必须：

第一，一致性。

第二，标准化。

第三，合理性。

如果有条件，最好是能够把内容质控也加进去，最好能在使用前进行监控，对于能够及时发现医疗质量问题和风险有非常大的帮助。

另外，开放的APIs，统一数据中台支撑多种的业务数据的应用，做开放式的接口服务数据中台。

开放接口服务有几个好处：第一是简化管理。对接会变得很简单，然后很快速，排错也容易，能够减少数据治理工作量。如果每个系统接入，都要去做数据治理，都要去做对标还是蛮痛苦的。第二、数据安全。不需要全部开放数据给某一个应用，只需要提供业务所需的最小级，可以减少不必要的数据暴露，还可以做统一的脱敏转化，从而更好地保护患者隐私和医院的数据资产。

这方面国外已经有很好的应用案例，像斯坦福大学用于慢性疼痛患者管理的健康信息注册网络，是开源、开放标准的，高度灵活的系统平台。基于临床的知识决策的推荐，为临床的医生提供最佳的实践路径，并提供临床结果追踪的决策支持。

人工智能辅助临床诊疗决策的需求是非常巨大的，也是真实的。曾经有一个性命攸关的案例，一个小朋友两三天前在医院看病时还好好的，突然间，急重症肺炎转到重症加强护理病房，短短几天，从活蹦乱跳到性命垂危。重症肺炎在国内存在很大的问题，其中一个问题是部分低年资医生没有办法对重症肺炎进行百分百的准确识别。虽然国家已经有很明确的诊断标准。但问题的难点在于潜在的重症患儿早期症状不明显，而病情恶化快，可能两三天前根本就没有什么太特别的症状，突然间就要进重症加强护理病房了。临床识别非常困难。起病急，病情重变化又快。如果能够在早期识别病情，提早采取措施，会大大降低重症肺炎的病型病死率。

国外已有可以参考的案例，美国杜克医疗（Duke Health）基于人工智能技术，针对脓毒症的不同症状表现进行预警的建模，对及时发现脓毒症起了很大的帮助。再比如败血症,平时表现和很多急性感染的表现是一样的。也就是说，败血症本身并无特殊临床表现，败血病的临床表现也可见于其他急性感染。人工智能建模预警在第一次抗生素给药前17个小时就已经检测到败血症。所以，非常期待国内有更多的人工智能公司能够给医务人员带来更多的帮助。