Building AI-Ready Infrastructure for U.S. Healthcare: A Product Management Perspective
Notice bibliographique
Résumé
U.S. public and safety-net hospitals widely view AI as a path to better outcomes, lighter clinician workload, and lower costs, but most are not yet “AI-ready” due to immature governance, uneven data infrastructure, and chronic resource constraints. This policy perspective outlines a practical roadmap for building AI-ready infrastructure from a product management lens. We synthesize evidence on five pillars: (1) modernizing legacy IT and enforcing interoperability to unlock data liquidity; (2) raising data quality and governance standards to reduce bias and protect privacy; (3) provisioning compute, storage, and resilient networks via hybrid on-prem/cloud architectures; (4) developing an AI-literate workforce and co-design practices that integrate tools into real clinical workflows; and (5) adopting disciplined procurement, validation, and post-deployment monitoring to ensure safety and value. We translate global lessons from the NHS, Canada, and Singapore into actionable steps for U.S. public systems, emphasizing standards like FHIR, privacy-preserving approaches such as federated learning, and guideline-aligned evaluation (e.g., DECIDE-AI). The result is a sequenced, governance-anchored playbook that helps executives and product leaders move from pilot-itis to sustainable scale. Implemented well, this approach can accelerate equitable AI adoption in safety-net settings, reduce clinician burden, and improve patient outcomes while maintaining transparency, accountability, and trust.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».