全文詳見：
在醫療過程中，從早期徵兆到臨終照護，醫病資料擁有著大幅提升病患醫療水準的力量，因為它能改變醫療研究與診斷的方式。然而，隨著數位化的不斷普及，醫療機構正逐漸累積前所未有的龐大資料量。
所幸藉由人工智慧（AI）與數據分析的運用，醫師和研究人員都能獲得一些具有決策參考價值的訊息。但儘管AI具備了徹底改變醫療體系的發展潛力，醫療機構想要揭開AI這座寶庫可不是一件簡單的事。
資料穀倉限制轉型步伐，解決方案尋求新出口
AI逐漸受到亞太地區醫療業的關注，根據2018年IDC的一份報告指出，亞太地區的醫療業在AI支出方面排名第三，僅次於銀行和零售業。2018年，醫療機構在AI的花費估計約8,760萬美元，其中絕大多數資金都投注在診斷與治療系統。然而，大多數的企業機構在試圖從零星蒐集的資料來源當中打造出一套有效的工具來實現目標時，卻遇到了障礙。
例如，放射科醫師在學術研究上有時會用到20,000至30,000張切片的CT和MR掃描，因此需要平穩的效能，不能有太多延遲，才能盡速獲得結果。此外，也有越來越多醫療人員利用「醫學影像儲傳系統」（Picture Archiving and Communication Systems，簡稱PACS）來從事更廣泛的分析，而這些系統毫無疑問地將隨著一些資料密集技術（如乳房斷層攝影）的出現而需要不斷擴張。
上述這些今日醫療基礎架構的需求已點出：
舊式資料儲存管理解決方案很快將無法支援AI系統。原因是這些管理儲存方式，多數的資料無法被其他應用程式存取或不易移轉，容易導致資料孤島（data silo）現象產生。
這樣的阻礙對需要跨應用程式篩選資料以迅速有效發掘洞見的AI系統來說，將是一大限制。
由此可知，如何將AI融入營運當中，是醫療產業首當其衝的課題，可惜的是許多機構都缺乏整體規劃，使得企業在設定目標、決定預算、建立資料管理方式，或者選擇合作夥伴時，就會遇到困難。當AI快速發展，那些尚未規劃藍圖來善用資料資產的企業機構，未來將成為落後者。
不僅如此，管理不善的儲存使用方式與四處分散的儲存系統，也阻礙了資料即時的存取與分析，進而降低準確度和速度，而這正是病患治療當中最重要的兩項關鍵。
全文詳見：
