最人滿為患的地方要數各地區的大醫院了。目前國內看病難、看病貴、醫患關係緊張早已不是一朝一夕的難題。問題背後，巨大的利益鏈關係與緊張的醫療資源都是亟待解決的問題。那麼將如何解決當下難題？
從四大方向著手
方向一：決策支持——醫學影像識別系統，是目前最有可能率先落地的應用。
目前，國內醫院多數仍使用影像膠片，且醫院間系統不通，病人轉診須重新拍片，不僅對患者不便，且極大浪費了醫療資源。若能把患者影像資料整合，讓醫生隨時查閱，將會給醫生和病人帶來極大便利。
行業存在痛點，而技術可能帶來革新。
解決方向：微雲影像，通過DICOM HTML5 Viewer v2.0技術，提供包括醫學影像的接入、存儲、調閱的公有云SaaS服務，讓醫生可隨時通過電腦在線訪問患者的影像資料。
方向二：醫療系統設計——從治療過程到醫療保險的全過程，通過人工智能對數據的分析，實現分級診療，提高護理成果降低成本，發現騙保等不良行為。
一旦建立起個人電子檔案，就可通過深度學習構建相關的健康診療模型，對病人過往數據進行分析，從而診斷與合理用藥。例如：治療同一個患者可使用多種品牌藥物，但哪種最有效？醫生往往無法確定。一旦通過智能系統，就可通過歷史數據判斷個體從第一次患病到如今服用哪種藥物更為適合，避免了多次就醫的可能，降低看病費用，提高就醫效率。
解決方向：通過人工智能對大數據分析，可以優化醫療流程，對醫保進行監控。
通過對醫保卡及醫院床位掛鉤、用藥監控、大數據比對等手段，可及時發現不良數據，對違背邏輯行為進行預警，對業務相關的費用進行監控管理，使資金流向與參保人員緊密結合。舉例來說，正常情況下，大部分患者一年生病次數應該會趨於穩定水平。通過人工智能對醫療系統的監控，一旦發現某個患者就醫次數、用藥量異常，便可及時提出預警。再由人工介入調查，可極大降低人工成本，減少醫療資源損失。
方向三：患者與人口管理——通過風險識別，患者可進行自我管理；相關部門可及時對地區疫情作出響應。
隨著人工智能技術的發展，醫療可穿戴設備也將助力患者的自我管理。例如，血糖情況需在長期連續的時間內進行監測，若中間斷掉，則數據將不利於醫生的診斷。而此類患者，通過醫療穿戴設備即可持續積累血糖、血壓等數據。但目前來看，可穿戴設備能否做到醫用級的精度，以及能否通過醫療審查取得資質，還是一個巨大的挑戰。
四、精準醫療：通過數據的標準化，有可能實現個性化醫療，但行業仍處於萌芽期。
若醫療數據標準化，電子病歷填寫的都是機器可識別的術語標籤，通過數據調用，即可瞭解個體出生到當下的健康狀況。個性化精準醫療的概念提出超過二十年，人工智能和機器學習的出現，雖然有可能加速將其帶入現實，但並不容易。
但就目前來看，醫院之間的系統封閉只能獨家使用。因此在短時間內有可能實現的是患者在某家醫院獲得個性化診斷——只要患者長期在一家醫院問診，那該醫院就可以擁有患者長期的信息，繼而提供個性化精準醫療。
綜上所述，只要朝著這四個方向邁進，不斷優化 ，將對“醫改”實現顛覆性的轉變，而互聯網＋醫療也會迎來美好的明天。