运营中断、资源重组以及人工智能在医院设备即服务（Hospital Equipment-as-a-Service）模式中的应用

《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》：Operational Disruption, Resource Reconfiguration, and AI Integration in Hospital Equipment-as-a-Service Operations

　　• 在医院基于软件即服务（EaaS）的背景下，中断暴露与资源重构和人工智能（AI）整合使用的强度呈正相关
• 技术复杂性增强了由中断驱动的资源重构和AI整合
• 信任在中断情况下加强了AI整合，但并未改变重构到AI整合的关系
• 资源重构提供了将中断暴露与AI整合联系起来的重要途径
• 一项针对320名印度医院决策者的实地实验验证了所提出的框架

**引言**
医院服务系统中的运营中断会迅速在紧密耦合的工作流程中传播。设备故障、网络故障、报告延迟、人员短缺以及患者数量突然激增等问题会扰乱诊断操作的排序、路由、调度和协调，尤其是在时间压力极大的情况下。这些故障在资源有限的医院中尤为严重，因为设备、人员和IT基础设施的余地有限，难以在不影响服务连续性的情况下吸收冲击。这种对中断响应、韧性和适应性连续性的重视与文献研究结果一致，文献将韧性定义为在中断情况下响应和恢复的能力，强调了在动荡条件下资源协调和重构的重要性，并指出医疗环境在危机期间面临严重运营压力时尤为脆弱（Yu等人，2019；Wong等人，2020；Betto & Garengo，2023）。此类故障并非假设性的。电子健康记录和成像系统的停机情况已多次迫使医院采用手动“停机程序”，直到系统恢复才能恢复报告和患者流动（Larsen等人，2019）。共享的放射科工作流平台在负载增加时会产生跨优先级的服务级溢出效应，因此一个流程中的中断会降低其他流程的周转效率（Lagzi等人，2023）。在COVID-19疫情期间，需求激增超过了诊断和住院服务的容量，迫使医院迅速重新调配人员、重新安排时间表并重新分配成像资源（Betto & Garengo，2023）。行业监测同样指出，设备、连接性和网络安全故障是每年中断一线护理的主要技术风险（ECRI，2025）。这些事件有一个共同的操作特征：实际发生的时间限制性故障会压缩决策时间，并迫立即实施分类、重新分配和协调，这正是我们研究的响应问题。医院诊断操作实际上是一个高风险的紧密耦合服务供应链实例，其中设备、连接性、消耗品、人员和供应商支持必须保持同步才能维持服务。因此，供应链风险管理文献具有直接相关性：它对中断风险进行了分类，优先考虑了缓解措施，并绘制了对连续性影响最大的操作杠杆（Tang & Musa，2011）。我们利用这种风险与缓解的视角来确定哪些中断事件最威胁诊断服务的连续性，以及管理者有哪些适应性响应措施。同时，医院越来越多地依赖基于软件即服务（EaaS）的安排，这些安排将硬件、软件、维护、正常运行时间承诺、连接性和供应商支持整合到一个单一的操作服务模式中。在EaaS模式下，供应商提供从口腔内窥镜和全景X光机到CT和MRI等成像系统，以及软件更新、校准、远程监控、消耗品、正常运行时间保证和随叫随到的服务，采用订阅或按使用付费的合同形式，而不是直接进行资本购买。对于资源有限的医院来说，这些安排的好处是显而易见的：资本支出转化为可预测的运营支出；维护、过时和停机风险转移到供应商身上；并且设施无需大量前期投入即可获得先进的、基于AI的成像技术（Porter & Heppelmann，2015；Tang & Vogt Duberg，2026）。然而，这些特点也使得服务的连续性取决于供应商的协调，因此在发生中断时，操作问题变成了捆绑能力在工作流程中的嵌入程度如何。最近关于产品即服务环境中数据驱动的维护调度的分析工作进一步强调了分层服务分析和正常运行时间管理在这种捆绑配置中的核心作用（Tang & Vogt Duberg，2026）。

因此，本文重点探讨了两种适应性响应，两者同等重要。第一是资源重构，即管理者主导的人员重新部署、设备调整和时间表重新安排以及本地协调流程的重新设计，以在中断后恢复连续性。第二是AI工作流的深度，即AI赋能功能从偶尔可用转变为在路由、调度、优先级处理和周转时间管理中的常规使用。亟待解决的问题是两者之间的关系。以往的研究主要将AI视为采用的结果，很少讨论使采用持久化的组织工作。我们认为并验证了，中断压力本身很少能加深AI的使用；当医院围绕这项技术重构工作流程、角色和协调机制时，AI的使用才会得到显著提升。本研究将重构定义为这种连接机制，并识别技术复杂性和信任如何加强或削弱这种关系。

本研究探讨了运营中断如何影响医院基于AI的EaaS操作中的适应性响应，重点关注两个相互关联的结果：资源重构和AI工作流的深度嵌入。我们将运营中断定义为服务条件中的实际发生的时间限制性故障，如设备故障、网络故障或工作量突然激增，这些故障会压缩决策时间并迫立即实施分类、重新分配和协调。我们将资源重构定义为管理者主导的人员、设备、工作流程和常规安排的调整，旨在中断期间恢复连续性。最后，我们将AI整合定义为AI赋能功能在常规运营工作流程和决策执行（包括路由、调度、优先级处理和周转时间管理）中的嵌入程度。在这种情况下，更深层次的AI整合不是被视为一种通用的技术采用结果，而是一种操作响应，其强度取决于医院在压力下的服务系统适应方式。这种对重构的强调与将韧性视为不仅仅是被动缓冲的观点一致，而是认为韧性是通过在中断期间的及时结构和资源调整建立的适应性能力（Yu等人，2019；Wong等人，2020；Lee，2021）。

这个运营问题也是一个行为决策问题。当中断在时间压力和不完整信息下发生时，管理者和临床医生无法以无摩擦的方式评估所有可行的响应路径。相反，他们在稳定相互依赖的工作流程时会面临注意力限制、搜索成本高和协调负担。因此，技术复杂性不仅作为一种技术特性重要，而且作为一种信息处理和协调负担也很重要，它决定了管理者在中断期间是否将AI赋能的路径视为可行、可信和可管理的。在这方面，文献特别指出，复杂性会影响适应性响应的有效性，在复杂的运营环境中，知识转移和灵活性变得更加困难，但也更加重要；当数字技术转化为具体的操作能力而非孤立工具时，它们可以增强韧性响应（Blome等人，2014；Bianco等人，2023；Zhao等人，2023）。同样，信任也很重要，因为在压力下对AI支持输出的依赖不仅取决于形式的可用性，还取决于决策者是否认为这些输出和周围的服务安排足够可靠，可以实时密集使用。

我们的实证策略基于实地调查和决策焦点。印度医院的背景特别合适，因为许多医院的诊断能力、人员和IT基础设施的余地有限，因此中断更可能引发可见的重新分配和协调响应，而不会被无形吸收。为了最大化真实性，实验场景是根据2024年4月和5月在比哈尔邦、马哈拉施特拉邦和西孟加拉邦的医院进行的实地工作开发的。我们利用这些观察结果构建了反映医院管理者实际面临的选择架构的情景，包括压缩的决策时间、不完整的信息、吞吐量压力以及同时协调技术和人员的需求。与操作和供应链研究中的基于场景的实验逻辑一致（Eckerd & Bendoly，2011；Rungtusanatham等人，2011；Eckerd等人，2021），真实性被视为设计的核心标准，而不仅仅是装饰性特征。因此，通过专家评审、认知预测试以及操作和理解检查，对场景进行了改进，以确保受访者遇到的决策环境与实地情况高度吻合。

我们主要通过动态能力视角（DCV）来解释医院AI-EaaS操作中的中断响应，这一视角得到了资源协调理论（ROT）和公司行为理论的支持。DCV解释了为什么中断会触发感知、捕获和重构，当现有工作流程不再适用时（Teece，2007）；ROT规定了决策者如何结构化、捆绑和利用资源以恢复连续性（Sirmon等人，2011；Ketchen等人，2014）；行为视角解释了为什么中断不会均匀地加深AI赋能的重构，因为响应取决于决策者在中断条件下如何处理中断并选择可行的行动。尽管对基于AI的医疗操作的兴趣日益增加，但仍存在三个问题。首先，以往的研究没有充分说明中断压力如何转化为操作工作流程中更深入的AI嵌入。特别是，目前尚不清楚中断暴露是否仅直接与AI整合相关，还是也通过适应性资源重构间接相关。其次，现有研究对技术复杂性和信任如何调节这些适应性响应了解有限。复杂性可能会加剧协调负担和不作为的代价，而信任可能会影响决策者在高风险情况下是否愿意依赖AI支持的输出。第三，许多文献仍集中在广泛的组织准备度或技术价值上，而医院服务系统中的许多重要调整是由一线管理者和运营领导针对特定中断事件做出的。

因此，本研究提出了以下问题：
• RQ1：运营中断如何影响医院基于AI的EaaS操作中的资源重构和AI整合？
• RQ2：技术复杂性如何调节中断暴露与医院适应性重构和AI整合之间的关系？
• RQ3：与信任相关的感知如何影响医院在中断期间对AI支持系统的依赖？

为了解决这些问题，我们进行了一项基于场景的、被试间实验，操纵技术复杂性和可信度线索，并使用经过验证的感知影响量表来测量受访者的中断暴露程度。该设计遵循了操作和供应链研究中的基于场景的实验逻辑（Eckerd & Bendoly，2011；Rungtusanatham等人，2011）。由于中断暴露是感知性的，并且在实验后由同一决策者报告重构和AI整合情况来衡量，因此可能存在同源问题。根据Flynn等人（2018）的研究，关键问题是这些焦点构念是否是单边的，以及信息提供者是否是理论上合适的观察者。在我们的研究中，所有三个焦点构念——感知到的中断影响、重构行动和对AI的依赖——都与管理者自身的场景事件相关，都在其控制范围内；没有一个是需要多方报告的多边构念。在资源有限的印度医院中，中断响应的权力集中在这类角色手中。我们通过外部操纵、中立框架、注意力和理解检查以及广泛的稳健性诊断进一步降低了方法风险。

本研究在三个方面为生产和服务运营研究做出了贡献，我们将在第5.2节详细说明。首先，它分解了中断到适应的机制，区分了中断暴露与更深层次AI整合之间的直接关联和通过资源重构实现的补充性间接关联。其次，它将技术复杂性确定为两种适应性响应的促成因素，同时表明信任是特定于关联的：信任在中断情况下加强了了对AI的直接依赖，但没有改变重构到整合的链接。第三，它表明AI支持的服务平台在中断期间创造价值的程度更多地是通过快速重构工作流程、协调流程和围绕它们的角色实现的，而不是通过技术复杂性。

**方法片段**
AI支持的系统越来越多地嵌入医院运营中，包括诊断成像、调度、分类支持和维护协调。在COVID-19疫情期间，预测分析和机器学习被用于管理患者激增和缓解瓶颈，说明了数字决策支持如何增强运营韧性（Williams & Olajide，2022）。在基于软件即服务（AI-EaaS）的模式中，这些能力通过捆绑服务提供。

**方法**
我们采用了一种基于实地调查的、被试间的、基于场景的角色扮演实验来研究医院决策者如何应对基于AI的EaaS操作中的中断。这种设计非常适合在受控但现实的环境中研究适应性决策，尤其是当焦点现象涉及时间压力、信息不完整以及协调和资源分配的权衡时（遵循Rungtusanatham等人的指导原则）。焦点变量之间存在预期的正向关联：暴露于中断与资源重组（）和人工智能集成使用强度（）相关，而资源重组又与人工智能集成使用强度（）相关。技术复杂性和对人工智能的信任是二元实验指标，分别编码为“高”和“低”。医院规模在回归分析中用“中等”表示。

**讨论与结论**
本研究提供了实证证据，展示了医院如何利用基于人工智能的EaaS来支持运营危机期间的韧性。基于DCV和ROT理论，我们发现中断暴露与设备、流程和人员配置的针对性调整以及更强的人工智能集成有关。因此，危机可能会触发资源重组，从而支持更深入的人工智能工作流程整合。成功实施这些措施取决于两个关键因素：首先是技术复杂性——只有具备高能力的AI平台才能实现有效的资源重组和人工智能集成。

**作者贡献声明**
Soumyatanu Mukherjee：撰写——审阅与编辑、撰写——初稿、可视化、验证、监督、项目管理、方法论、调查、资金筹措、正式分析、数据整理、概念化。
Sayan Mukherjee：撰写——审阅与编辑、撰写——初稿、可视化、验证、软件资源、项目管理、调查、正式分析、数据整理、概念化。
T.C. Edwin Cheng：撰写——审阅与编辑。

**未引用的参考文献**
Eckerd等人，2022年；Mason和Perreault Jr，1991年。

**数据可用性声明**
支持本研究结果的数据可应 Corresponding Author [S.M.] 的要求提供。这些数据未公开，因为其中包含间接标识符和筛选信息（例如雇主名称和城市，用于资格验证）以及详细的个人和组织特征，这些信息一旦结合使用可能导致身份泄露并损害参与者的隐私。此外，公开分享这些数据可能违反数据保护法规。

**致谢**
我们感谢比哈尔邦、马哈拉施特拉邦和西孟加拉邦合作医院的临床医生和管理人员在实地考察中的支持以及参与情景讨论会的工作。特别感谢Sidhartha S. Padhi（IIM Kozhikode）、Jayanth Jayaram（北卡罗来纳大学威尔明顿分校）和Bernardo F. Quiroga（西弗吉尼亚大学）对本文早期版本提出的宝贵意见和建议。我们还要感谢其他两位研究人员的帮助。