医学中的人工智能(AI)依靠健康数据生态系统来训练机器，该机器学习对诊断，预测或执行更复杂的医学任务的响应。利用患者数据来支持临床医生的决策，使临床医生无法识别的数据模式脱颖而出，在某些情况下甚至可以制定出医疗预后。它的用途已被充分证明：电子健康记录(EHR)系统已使用机器学习算法来检测文本中的数据[1]，并进行预测分析以警告临床医生有关高危疾病和合并症。[2]这是指导药物开发的补充[3]更具体地说，是可以对人群进行大流行防范和应对措施的分析。[4]
在过去的二十年中，印度政府一直在努力推动医疗体系朝着更大的整体数字化方向发展。前线卫生工作者正在接受有关采用数字卫生的培训：从基于笔和笔的条目转移到集中式数字门户，到现在使用允许实时信息上传的移动电话应用程序。[5]向数字化的转变已在《国家卫生政策》(2017)中进行了编纂，并在《国家卫生堆栈》愿景中得到了体现，详细说明了需要利用大数据分析等技术来存储通用注册表中的数据。[6]国家数字健康蓝图(NDHB 2019)进一步建立在这一愿景的基础上，确定了构建基础，这些基础将基础技术用于各种用途的扩展应用程序开发，并以最基本的方式依赖于卫生系统的高数据完整性。[7]
尽管数字化是创建可互操作的数字系统的有希望的第一步，但数字化的采用面临许多挑战。例如，由于电子病历的实施成本高昂，并且由于输入和维护程序繁琐，给临床医生带来了沉重负担，因此在公共卫生机构中采用电子病历一直比较落后。[8]即使在西方国家，如果拥有完善的EHR系统，临床医生花费在该技术上的时间也要多于患者。[9]在印度，这种情况可能会恶化，因为印度的公共卫生系统人员不足，技术上不受欢迎。
对于依靠强大的数据系统进行创新的新兴技术，这是一个生存挑战。同样，用户不愿困扰电子病历的做法也可能会限制对更先进技术工具的采用。诸如EHR标准之类的质量基准可以通过确保工具设计和功能的标准化来在某种程度上解决这种不愿，从而允许不同用户以相同方式访问和使用在不同来源收集的数据。一旦接受了一套系统的设置和使用方面的培训，患者健康记录的无缝集成和可访问性就可以快速诊断和治疗，这很可能会帮助用户摆脱技术上的困扰。但是，这可能会给电子病历开发人员带来沉重的负担。
在新兴技术如AI和基于ML的医疗保健解决方案的新兴行业中，该技术比尚未建立的标准要先进得多。在缺乏明确的批准和市场准入途径的情况下，创新者要付出更高的代价才能进入医疗保健创新市场。在这种情况下，监管者不仅必须发挥作用来创造边界条件以维护患者安全，还必须为创新和有效的解决方案留出合理的空间(见图1)。