从模糊到形式化：用AI规模化医院质量改进

医院质量改进（QI）通过将高层级医院目标转化为可执行的方案，在优化医疗服务中发挥关键作用。QI的关键一步是识别关键的可改变贡献因素——我们称之为QI因素发现——通常通过鱼骨图、病历审查和精益医疗（Lean Healthcare）方法等专家驱动的半结构化定性工具完成。AI有潜力变革并加速QI因素发现，而这一过程传统上耗时耗资源，且在可重复性和可审计性方面受限。然而，当前的AI对齐方法假设任务定义良好，而QI因素发现是一个探索性、模糊且迭代的理解建构过程，依赖复杂的隐式专家判断。为了设计一个在形式化QI过程的同时保留其探索性成分的AI流水线，我们提出将该任务视为不仅学习LLM提示，还学习统领性的自然语言规范。具体而言，我们将QI因素发现映射到经典AI/ML开发流程的步骤（问题形式化、模型学习和模型验证），其中规范充当可调的超参数。领域专家与AI智能体迭代地共同完善统领性规范与AI流水线，直到AI提取结果与专家标注一致并与临床目标对齐。我们在一家城市安全网医院应用了这一“人机规范-方案协同优化”框架，以识别导致住院时间延长和非计划30天再入院的因素。由此得到的AI-for-QI流水线与专家标注达到了≥70%的一致性。与以往的人工精益分析相比，AI流水线效率显著更高，复现了既有发现，挖掘出新的可改变因素，并生成了可审计的推理轨迹。