人工智能（AI）和機器學習技術正在席卷大多數產業，醫療保健也不例外。軟件開發公司InterSystems建議，正在部署AI技術的企業，必須確保擁有算法需要的大量高質量數據之外，還需要投資數據管理技術，考慮訊息資產和訊息流，以及適當的人員。

　　InterSystems在HealthcareITNews刊文表示，現在企業布建AI所面臨的阻礙來自數據，許多企業擁有的數據并不是存在一個地方，格式也不見得能使用，且數據可能含有可能導致錯誤決策的偏見，因此企業必須評估現有的訊息系統和數據流，厘清哪里些領域需要投資。

　　Medicomp Systems執行長表示，機器學習的進展在很大程度上取決于算法處理數據的精確度，而低質量的數據無法實現創新需要的效率和精準度，對醫療保健來說是一項重大挑戰，特別是在數據復雜且通常非結構化的臨床領域。

　　對實際部署AI和機器學習系統的企業來說，糟糕的數據質量會影響投資回報率，并降低采用率。INFOSYS調查顯示，接近一半的受訪者表示無法部署想要的AI技術，因為數據還沒有準備好，77%的IT決策者表示正在投資數據管理，特別是印度和美國企業。

　　AI可以快速消化大量數據，并將其轉化為臨床決策所需的可用信息，可以產生巨大變革。問題是，這些機器學習系統必須能夠持續且快速地攝取大量醫療數據，背后還必須有正確的基礎架構和流程支持。

　　組織需要投資數據管理技術。報導建議，企業應該關注IDC提出的第三平臺（Third Platform）數據管理技術，加速企業數碼化轉型。IDC指出，人工智能和機器學習是第四平臺，即數碼轉換平臺的一部分，因此利用第三平臺實現第四平臺是有意義的策略。

　　企業還需要考慮訊息資產和訊息流，并注意為訊息產制工廠提供訊息的物流。AI和機器學習可以被認為是饑餓的算法，就像需要連續輸入以提高生產力的裝配線一樣。訊息物流是在正確的時間為合適的算法以正確的格式提供正確的產品。

　　對于企業來說，花時間了解AI系統中的數據流，了解數據的質量以及儲存方式，增強并用于未來培訓至關重要。Mission Health執行長Chris DeRienzo提到創建成功的AI需要的5項關鍵要素當中，只有一個與技術有關，其它都是人員條件。

　　一旦企業制定正確的技術、團隊和程序分析，在強大算法、大量數據與處理能力支持下，AI和機器學習將準備好實現這些被大肆宣揚的應用。