The Ambulatory Intelligence Gap

门诊护理——患者与医疗系统互动的主要场所，包括门诊诊所和医生诊所——是决定增长成败的关键战场。然而许多医疗系统仍面临运营限制带来的挑战，这些限制影响着医疗可及性：医疗提供者容量、转诊保留率以及下游财务表现。

医疗可及性正在朝错误的方向发展。根据AMN Healthcare 2025年调查显示，新患者预约常规诊疗平均需要等待31天才能就诊，这一数字自2022年以来已增长19%。

转诊系统是另一个压力来源。据ReferralMD统计，美国医疗系统每年因转诊流失损失约1500亿美元，而MGMA 2025年转诊协调基准研究发现，38%的转诊未能实现闭环管理。

对于门诊护理管理者而言，这些问题并非孤立存在。医疗可及性、医疗提供者容量、转诊保留率、患者面板管理以及财务表现之间存在深度关联。真正的挑战不在于识别问题本身，而在于理解网络中的约束点在哪里、某一领域的决策如何影响其他领域的结果，以及优先解决哪些问题。

Health Catalyst首席产品官Robbie Hughes指出，他所接触的医疗系统普遍存在同样的模式：

"每天都有患者等待数周预约，结果发现医生已不再接收新患者。转诊信息经常丢失。医疗提供者虽然很忙，但经济模型依然难以奏效，"Hughes表示，"这并非因为他们不关心。他们需要的信息分散在五到六个互不连通的系统中，等信息整合完毕时，早已过时。"

数据与行动之间的鸿沟

"Hughes表示："从意识到存在问题到真正采取行动可能需要数月时间。"这并非数据缺失，很多时候是缺乏对数据含义的共识。每个人都有仪表盘，每个人都有自己的看法。"

常规工具无法弥合这一鸿沟：电子健康记录（EHR）报告、基于过时数据提取的Tableau视图、仅能提供快照的咨询项目。这些工具在数据提取时仅能回答特定问题，无法为运营负责人和财务负责人提供一致、实时的综合视图。

即使组织对看到的数据有信心，也常常难以理解背后的操作驱动因素。较长的等待时间可能表明医疗提供者容量不足，但也可能是转诊瓶颈、排班实践不协调或患者面板分布不均所致。医疗提供者生产力下降可能意味着某一诊所存在过剩产能，而另一处则面临访问限制。同一指标可能指向截然不同的根本问题。

这种复杂性正是造成门诊智能差距的原因。获取途径、提供者生产力、转诊、面板管理和财务表现并非独立运作，它们相互影响。改善一个领域可能会将约束转移到另一个领域。理解发生了什么很重要，而理解其背后的原因、驱动因素以及干预措施能产生最大影响，这才是实现改进的关键。

将专业知识转化为软件

人工智能的最新进展扩展了可能性。如今的AI模型能够分析复杂的运营关系，在大量数据中发现模式，并以前难以实现或不切实际的方式对信息进行合理化处理。

但仅靠人工智能无法解决问题。

人工智能可以识别数据中的模式，但本身并不天然理解门诊运营以及网络中各组件之间的复杂关联。它不了解哪些干预措施历史上曾改善获取途径、提高提供者利用率或减少转诊流失。这些答案需要运营背景和改进专业知识，而这些长期是领域内资深专家的专长。

这正是Health Catalyst方法的不同之处。Health Catalyst的门诊智能解决方案将现代人工智能能力与近二十年的医疗改进专业知识相结合，将特定于医疗的知识、运营最佳实践和经过验证的改进方法直接嵌入解决方案中。

但将组织的敏感患者数据连接到外部资源始终是医疗提供者面临的问题。因此，Health Catalyst将其AI解决方案直接部署到客户的Databricks工作区中。Health Catalyst将专业知识带到数据本身，确保数据永远不会离开医疗系统的环境。

这一选择反映了Hughes所观察到的趋势加速变化。他表示，客户越来越希望将数据托管在自己的数据湖中，而在人工智能时代，他们更加关注治理和控制。他们不希望数据被用作他人为其提取他们从未同意的价值的训练场。

Health Catalyst战略供应商合作伙伴负责人Brian Eliason表示，市场方向显而易见："客户已转变需求，希望掌控自己的数据。但他们也告诉我们希望继续与Health Catalyst保持合作关系，并由他们拥有数据。这就是我们推进已交付模式的原因。"

为客户环境而构建

实现这一目标需要真正的工程能力。Hughes表示，勋章架构使公司能够将服务专业知识转化为通用语义层，"在几周内完成过去需要数月甚至数年才能完成的工作。"

在客户环境中构建解决方案需要平衡治理、性能和可用性。Health Catalyst的解决方案依赖于多个Databricks组件，每个组件都有特定用途：

• 治理始于**Unity Catalog**。 由于解决方案部署在客户的workspace中，Unity Catalog 可以从单一位置管理整个数据资产。访问控制、血缘关系和审计日志始终保留在客户环境中。这直接回答了任何CIO在部署新医疗系统时的首要问题：数据存储位置和数据可见性范围。所有数据均保留在租户内，不会外泄。
• 性能源自**Lakebase**。 该应用服务于领导者每日查看的运营数据，因此查询延迟是不可接受的。Hughes表示，选择Lakebase作为服务层的核心驱动力是其低延迟响应能力，以及未来扩展事务处理功能的潜力。Lakebase表是黄金模型的子集，而完整的模型集通过Unity Catalog对外提供，供通过传统分析、BI工具、即席查询或Genie访问数据的用户使用。
• **Genie**回答了下一个问题。 仪表板与自然语言查询并非非此即彼的选择。"机会不在于单独看待两者，而在于将它们结合"，Hughes表示。仪表板向领导者展示当前状态，而Genie则实时处理数据变化背后的原因，无需等待工单排队。

实际效果是会议形式的改变。分析师与负责人不再需要数日来回讨论问题，答案在所有人仍在会议室时即可返回。

将门诊绩效置于焦点

由于产品内置Health Catalyst的领域模型，运营负责人在系统部署当周即可获得洞察，无需等待为期六个月的分析项目。

解决方案预置了数十个指标，按四个领域分类：访问优化、收入智能、面板管理和转诊洞察。每个领域为运营负责人提供门诊绩效某一维度的完整视图。

跨领域的高管和提供者评分卡将这些洞察贯穿整个门诊体系，帮助领导者理解某一领域的运营决策如何影响其他领域结果，优先处理高价值机会，并将改进重点放在最可能产生可衡量影响的领域。

由于系统运行在客户自有环境中，医疗体系保留了灵活调整的能力。Hughes确认客户可根据服务的具体市场调整术语和工作流程，而非被迫适应供应商的固定定义。

Health Catalyst的门诊改进工作已取得的成果体现在以下数据中：

• 在Thibodaux Regional，Health Catalyst助力实现年度收入增加120万美元、接诊量提升15.3%、每例接诊工作RVU值增长6.75%。
• 在INTEGRIS Health，Health Catalyst帮助机构实现年度收入增加220万美元、关闭55,000个护理缺口、将抑郁筛查率翻倍。
• 在WakeMed，Health Catalyst助力实现年度收入增加2540万美元、门诊量提升15.8%、取消未重新安排的预约减少7.1%。

扩展成功经验

Ambulatory Intelligence 是 Health Catalyst 产品组合中的首个工具，而非独立工具。成本核算和临床质量解决方案将基于相同的数据基础进行开发，Hughes 预计这些工具在相互连接后将产生协同效应，底层数据资产将相互强化，并为 Ignite Intelligence 提供支持。Ignite Intelligence 通过挖掘过往的改进模式，揭示客户可能从未注意到的关系。

Health Catalyst 在门诊改进工作中取得的成果，已充分体现了这一影响。

未来功能的设计旨在帮助团队更快地将洞察转化为行动，依托 Health Catalyst 不断增长的证据库。

Hughes 最为兴奋的是长期规划。Health Catalyst 拥有 18 年的专有改进数据，计划将这些历史数据转化为不仅能描述问题，更能提出解决方案的模型：

Hughes 表示："我们最激动人心的创新是将数千个真实成果转化为人工智能驱动的模型，并深度整合到我们的解决方案中。这些模型将帮助组织了解在类似情境下哪些干预措施曾取得成效，并引导团队采取最可能产生可衡量影响的方案。个性化操作手册将快速提供。"

这一发展方向指向自主能力的实现。基于 Databricks Agent Bricks 等框架，解决方案的未来版本将超越机会识别，扩展至支持从机会发现到成果交付的完整路径。相关工作仍在推进中，但其依赖的数据基础已投入生产。

缩小差距

健康系统领导者实现增长所需的信息一直存在于其数据中。真正的差距从未是数据的可访问性，而是识别最关键机会与限制因素的能力、在行动效果最大的领域进行干预的能力，以及以信心提升成果的能力。

Health Catalyst 开发 Ambulatory Intelligence 的目标，是帮助医疗系统通过提升可及性、强化转诊留存率、优化医疗提供者产能、推动财务表现，消除限制门诊增长的操作障碍。

亲自体验 Ambulatory Intelligence 的运作方式，了解它如何在您的环境中揭示关键信息。