短短两年之内,一场疫情将医疗保健的创新速度提升了十倍,医疗保健机构正在越来越依赖云服务以满足短时间内对技术进步出人意料的需求。研究表明,大多数医疗保健公司倾向于混合多云架构,大多数医疗保健基础架构将在未来几年内迁移到云端。
尽管各种“即服务”一直在不断涌现,但是当今云服务的三种主要模式是软件即服务(SaaS)、基础架构即服务(IaaS)和平台即服务(PaaS)。在医疗保健领域,由于多种原因,PaaS提出了一个特别深刻的主张,并且有能力超越SaaS成为更胜一筹的云服务模型。

典型的SaaS医疗保健应用程序包括电子病历和健康记录(EMR/EHR)、远程医疗解决方案、成像、计费和供应链管理,它们往往全然不同,是分散的系统,数据和解决方案也处于各个孤岛之中。另一方面,PaaS是一种独特的云服务类别,让用户无需构建或维护基础架构即可运行和管理软件。
在医疗保健领域,PaaS使医院和卫生系统、数字健康开发人员、健康计划和其他主要利益相关方能够更有效地执行健康IT解决方案,而无需投入大量时间和资源来构建支持这些方案的技术基础——很多时候是因为已经存在的选择已经足够了。
PaaS特别适合医疗保健领域
下面是为什么PaaS在医疗保健交付系统中被证明是更胜一筹的数据管理和应用程序开发模型的四个原因,这些医疗保健交付系统旨在改善信息交换并为机构、患者和其他医疗保健利益相关方创造更多价值:
与数据管理的SaaS模型相反,平台即服务(PaaS)是一种更全面、更开放的企业框架,可促进集成化、可互操作的解决方案。相比之下,SaaS通常是单点解决方案,数据是封闭的,医疗保健运营在一座座孤岛之上。
平台能够以独特的方式支持统一的患者记录和患者体验,这对于更好的信息交流、护理协调以及向价值驱动型护理的转变至关重要。
PaaS可以为所有医疗保健数据的数据集成和互操作性提供企业基础设施和安全性。(例如,数据科学平台可以运行高级医疗保健分析,通用应用程序服务可以简化并加速解决方案开发,开发人员工具可以构建这些解决方案,解决方案市场可以解决最常见的高影响用例,还有定制的解决方案。)
在一个统一、整体的工作流程中连接多个应用和解决方案是有意义的。SaaS简单地解决了眼前的痛点,实际上却让机构内的数据、工作流和体验更加碎片化。
“构建vs.购买”决策:加速创新的平台
医疗系统不再构建或购买单一用途的SaaS解决方案,而是越来越多地使用平台来创建统一的患者数据存储库,作为单一的事实来源,这些存储库是集成化、统一、可用、可分析并且可操作的。随着卫生系统数据需求的变化和发展,使用平台提供了灵活性,让组织不再受制于特定供应商的SaaS或数据模型。
对于试图驾驭这样的数据管理版图并为机构做出最佳选择的医院和卫生系统而言,跨行业平台的兴起已经给出了“构建vs.购买”的重要教训。与其投入大量时间和资源来构建数据管理系统的各个层(一层用于集成,一层用于数据智能,一层用于中间件,一层用于互操作性等),不如投资研究已经存在的平台并解决这些问题。
看看医疗保健领域之外的他山之石,以优步为例。优步为其乘客提供的主要价值是便利和轻松的行程管理。然而,这家拼车公司并没有从头开始构建解决方案。他们没有构建地图功能,而是使用谷歌的位置云。Uber的SMS短信功能则使用了Twilio的通信云。通过利用现有平台和能力,优步之类的公司可以专注于尽快满足消费者的核心需求,而不必重新发明轮子或者将时间和资源从其他领域的创新中抽出来。
医院的主要收获是关注机构的核心价值主张,并探索如何利用现有平台帮助加速并实现相关目标。你会发现云平台生态系统会比你在内部构建的解决方案更适合帮助你实现核心目标。不是“构建它,一切就自然而来”,而是“构建它,然后你就会失败”——或者至少无法扩大规模并取得成功。平台可以加速创新——只要你愿意。
好文章,需要你的鼓励
企业AI搜索公司Glean宣布年度经常性收入(ARR)达3亿美元,较15个月前的1亿美元增长三倍。尽管谷歌、微软、OpenAI等科技巨头纷纷入局企业AI搜索市场,Glean凭借"上下文图谱"技术深度理解企业业务需求,并帮助客户显著降低AI计算成本。该公司提供按用量计费和混合定价两种模式,客户涵盖Databricks、Reddit、Pinterest及三星等企业。Glean上轮融资后估值达72亿美元。
香港中文大学与MiniMax提出ClaimDiff-RL框架,将图像描述的AI训练从整体打分升级为逐条核查,有效解决了传统方式导致AI"少说保平安"的问题,同时在多项基准测试上超越Gemini-3-Pro-Preview。
杰夫·贝索斯旗下的蓝色起源公司在佛罗里达卡纳维拉尔角进行静态点火测试时,新格伦重型火箭发生爆炸。这是美国历史上最大规模的火箭爆炸之一,也是蓝色起源公司遭遇的最严重失败。所有人员安全,但该事故可能导致新格伦火箭项目长期暂停。此前该火箭已成功完成三次发射,并实现了助推器回收和重复使用。
ParaVT是一个由南洋理工等多校联合提出的并行视频工具调用框架,通过让AI同时分析多段视频并引入PARA-GRPO算法解决训练中的格式崩溃与工具跳过问题,在六项长视频理解测试中平均提升约7.9%。