众所周知，患者可以通过医疗手表检测的心电图来获取心房颤动的数据，这只是医疗器械数字化引领医学产品开发和创新的一个例子。然而，尽管互联服务平台上的医疗器械具备数据存储、安全性、可访问性和移动应用程序以及部分高级分析的组件，但从执行角度来看，成功实施人工智能以推动智能操作仍然是一个挑战。根据Gartner统计，有85%的数据科学项目是失败的。将数据科学成功地集成到医疗器械开发中需要重新思考数据科学在产品设计和生命周期管理中的作用。
将数据科学视为一种产品
数据科学被定义为使用数学算法来实现自动化、预测、控制或描述使用交互中的过程，它必须被视为一种产品。因为与任何医疗产品一样，数据科学从需求开始，为医疗提供者和患者提供明确的医疗效用。
将数据科学局限于算法设计领域是错误的。虽然数据科学家擅长拟合模型，但他们的真正价值来自于用拟合数据模型解决现实问题。数据科学中成功的算法开发过程涉及商业领袖、产品工程师、医生和数据科学家合作发现、设计和交付。例如，与医疗器械的典型数据科学集成将包括以下活动：
● 确定医疗需求
● 确定适当的数据变量
● 开发正确的分析模型
● 设计解析算法集成
● 执行测试和验证
● 部署测试版
● 监测实时结果
● 维护和更新算法
将数据科学视为一种产品或一种产品的特征，为企业提供不同的执行方式，专注于有形的结果。数据科学家接受开发解决问题的精确模型的培训，但很多公司面临的挑战是如何操作这些模型并将其产出商业化。
高级分析：过程的一部分，而不是事后思考
人工智能与医疗器械的成功连接取决于数据是否能够用于对一系列事件的结果做出实时决策或报告。大多数公司没有意识到创建可操作智能的高级分析的层次。通过了解这些层次，从简单的基础规则到复杂规则的分析、复杂事件处理和无监督学习模型，公司可以快速开发有深远意义的完整分析。随着公司分析系统从描述性和诊断性发展到预测性和规定性，甚至还可以提供业务价值的战略机会。
成功的集成包括将高级分析视为一个体系结构，而不是一个要实施的单一解决方案。在分析开发中确保您成功的最佳方法是遵循发现、设计和交付的连续过程。例如，数据科学体系结构从一个业务问题开始，要求您确定是否拥有正确的数据，并能够在现有IT系统中实际利用这些数据。
数据科学执行中的常见挑战
数据科学的执行通常会受到常见失误的影响，如客户和业务需求之间的不一致等。业务方面的另一个重大错误是将数据科学视为一次性的成就，而没有意识到它是一个连续的过程，或者将数据科学视为一个软件开发过程，过于专注工具，而不是技能和能力。事实上，最理想的方法是模块化系统，持续维护和改进已设计的系统。这对于医疗器械尤其如此，因为技术的创新和变化可以继续为患者和从业者提供更好的支持和帮助。
在分析范围内开发产品
成功的集成取决于清楚地识别数据科学的过程控制。为了设计和支持连接设备的分析，数据科学应包括明确的步骤，如分析样品、分析验证、分析启用、分析消耗和分析维护等。虽然前两个步骤是数据科学家将发挥关键作用的步骤，但随后的三个步骤将最终影响项目的成功实施，并需要强有力的企业跨职能的支持。
企业在成功集成方面失败的原因有很多，从项目管理、投资不足、无法更新或替换分析组件，到忽视安全威胁以及没有替代计划或退出战略等。类似地，虽然数据不能获得专利，但过程可以，这将保证分析的安全性。成功的数据科学实践源于人员、流程和技术的无缝协调。而且，成功的集成取决于确定业务目标并将分析构建到连接的设备中。只有这样，业务战略才能从分析产品的开发演变为分析产品内部的开发。
英国ITL致力于推动数字医疗领域的创新，在数字化医疗器械领域做出了诸多尝试，平衡产品开发和产品内部数字开发之间的挑战，为全球诊断和生物医学公司提供了有效的解决方案和高度集成的便捷性产品，从而为更多患者提供即时，准确，有效的诊疗服务。