（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
1.1宏觀發展趨勢及醫療需求的變化
衛生總費用增速當前已超GDP增速，未來隨著經濟增長進入新常態，GDP增速持續放緩，經濟增量支持的減少將給醫保基金支付帶來風險和壓力。2013- 2017年，中國衛生總費用的年均增速保持在11.5%-13.5%，預計2030-2035年間，增速仍將達7.5%。2017年，衛生總費用佔GDP的6.36%，2035年預期達到9%。同金磚國家或發展水平相當的中等收入國家(如印度、泰國、阿聯酋、馬來西亞)相比，我國衛生總費用佔GDP的比重已經較高，當下面臨較大的醫療負擔。發達國家如美國、英國、德國、日本2015年的衛生總費用佔比分別為16.8%、9.9%、11.2%、10.9%，同這些發達國家相比，我國的佔比還比較低，未來仍有較大的上行壓力(世界衛生統計，2018年)。
人口老齡化將是未來幾十年中國醫療健康需求總量持續攀升、集中爆發的直接原因。2018年，中國65歲以上人口已超1.6億，佔比達11.9%，是較早進入老齡社會的發展中國家之一。此外，老齡化速度增快，60歲以上人口占比到2050年或達35%。人口老齡化的影響之一是人群疾病譜結構將發生變化，例如慢病患病率將持續上升。我國已確診的慢病患病人數超3億，同時患病率以每年5.8% 的速度增長3。而根據全國衛生服務調查，65歲以上群體的慢性病患病率高達78.4%，是全部人口患病率的3.2倍，即老齡人口越多慢病人群基數越大。如今，慢病已成為健康的頭號威脅，佔到了中國77% 的健康生命年損失和85% 的死亡誘因，佔全部疾病負擔的60%以上。人口結構的變化帶來的第二個影響是診療以外的醫療健康需求的結構性增加，包括疾病預防和治療、健康監測和管理、養生和保健、臨終關懷等。以體檢為例，與美、日、德超70%的覆蓋率相比，我國的健康管理市場還有巨大的發展空間。伴隨著生活水平的提高，以及國家政策對家庭醫生、慢病防治、健康生活等方面的支持，越來越多的人群將主動參與健康管理。02
（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
1.1宏觀發展趨勢及醫療需求的變化
衛生總費用增速當前已超GDP增速，未來隨著經濟增長進入新常態，GDP增速持續放緩，經濟增量支持的減少將給醫保基金支付帶來風險和壓力。2013- 2017年，中國衛生總費用的年均增速保持在11.5%-13.5%，預計2030-2035年間，增速仍將達7.5%。2017年，衛生總費用佔GDP的6.36%，2035年預期達到9%。同金磚國家或發展水平相當的中等收入國家(如印度、泰國、阿聯酋、馬來西亞)相比，我國衛生總費用佔GDP的比重已經較高，當下面臨較大的醫療負擔。發達國家如美國、英國、德國、日本2015年的衛生總費用佔比分別為16.8%、9.9%、11.2%、10.9%，同這些發達國家相比，我國的佔比還比較低，未來仍有較大的上行壓力(世界衛生統計，2018年)。
人口老齡化將是未來幾十年中國醫療健康需求總量持續攀升、集中爆發的直接原因。2018年，中國65歲以上人口已超1.6億，佔比達11.9%，是較早進入老齡社會的發展中國家之一。此外，老齡化速度增快，60歲以上人口占比到2050年或達35%。人口老齡化的影響之一是人群疾病譜結構將發生變化，例如慢病患病率將持續上升。我國已確診的慢病患病人數超3億，同時患病率以每年5.8% 的速度增長3。而根據全國衛生服務調查，65歲以上群體的慢性病患病率高達78.4%，是全部人口患病率的3.2倍，即老齡人口越多慢病人群基數越大。如今，慢病已成為健康的頭號威脅，佔到了中國77% 的健康生命年損失和85% 的死亡誘因，佔全部疾病負擔的60%以上。人口結構的變化帶來的第二個影響是診療以外的醫療健康需求的結構性增加，包括疾病預防和治療、健康監測和管理、養生和保健、臨終關懷等。以體檢為例，與美、日、德超70%的覆蓋率相比，我國的健康管理市場還有巨大的發展空間。伴隨著生活水平的提高，以及國家政策對家庭醫生、慢病防治、健康生活等方面的支持，越來越多的人群將主動參與健康管理。02
此外，在醫療健康消費升級趨勢下，人們對醫療健康的效果、品質、體驗等提出了更高的要求，醫療健康服務將更加註重個性化、人性化。當人均可支配收入超過某個“臨界點”，醫療健康消費會加速發展。中國的人均可支配收入持續快速增長，將成為醫療健康消費加速發展的新力量。表現為，我國近年來的人均醫療消費支出快速提升，過去碎片化、溝通不足、質量和體驗有待提升的醫療服務愈來愈不能滿足人們的需求。此外，根據羅蘭貝格行業分析，集中於公立醫院特需和國際部、私立醫院等醫療機構的體檢、眼科、口腔、美容、輔助生殖等領域的高端醫療需求人數與服務規模在不斷增長，需求人群已有3,000-5,000萬、市場規模超千億。未來，優化就醫流程、增加便捷性、改善候診就診及病房條件、提升醫護人員服務意識、提供精準醫療將是大勢所趨。
1.2醫療供給的變化
支付壓力大將是中國醫療體系面臨的挑戰之一。拆解我國衛生費用總支出構成，政府衛生支出佔28.3%，社會衛生支出佔43.0%，個人衛生支出佔28.7%。而WHO推薦的可以防止因病致貧的自付費用佔衛生總費用比例為20%，且2016年政府衛生支出佔財政支出的比重已達7.1%(接近全球10.6%的平均數水平)，財政支出壓力較大。政府應積極採取措施，提高衛生支出效率。
醫保基金呈現出支出增幅大於收入增幅的態勢。2018年，職工基本醫療保險基金收入增長8.7%，支出增長11.5%，城鄉居民基本醫療保險基金收入增長27.1%，支出增長28.9%8。伴隨著老齡化的趨勢，長此以往醫保基金將面臨較大的可持續壓力。目前，雖然三大基本醫療保險已基本實現全面覆蓋，但資金使用效率亟待提升，支出效率提升、醫保控費成為關鍵方向。過去，醫保缺乏有效的控費目標和手段，只是被動支付而沒有控制能力，藥品、耗材、檢查佔醫院收入比利較高，亟待降低。不過，隨著2018年3月國家醫療保障局成立，宣告將由統一機構管理三大醫保，同時加強三醫聯動，通過醫保撬動醫藥、醫療的規範化。擁有價格管理和招標採購職能的醫保局，將由支付方變為購買方，有利於藥事管理(PBM)、按病種付費(DRGs)、異地就醫等醫改舉措的大步推進。
同時，醫療供給面臨核心醫師資源總量不足、資源分佈不均衡、資源配置不合理等問題。從總量上看，醫療資源供給增長落後於需求增長。醫生資源缺口問題在影像科、病理科以及全科醫生方面尤為嚴重。目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率僅為4.1%，病理科醫生缺口達到10萬。我國全科醫生數約25 萬人，
佔醫生總數的7.37%。這一數字還遠遠達不到建立真正的全科醫生制度體系的需求(德國、法國、日本佔比均在20%以上，美國在12%以上)。由於醫生的培養週期很長，資源短缺問題短期內無法解決。
從分佈上看，醫療資源集中於三級醫院和發達地區，基層醫院醫療水平低、醫師資源少。從配置上看，由於三級醫院長期超負荷運轉，承擔了過多基礎診療工作，導致核心醫療資源無法發揮最大價值。供需結構不匹配導致了醫院運營效率低、誤診率高、醫療體驗差等諸多問題。03
（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
1.1宏觀發展趨勢及醫療需求的變化
衛生總費用增速當前已超GDP增速，未來隨著經濟增長進入新常態，GDP增速持續放緩，經濟增量支持的減少將給醫保基金支付帶來風險和壓力。2013- 2017年，中國衛生總費用的年均增速保持在11.5%-13.5%，預計2030-2035年間，增速仍將達7.5%。2017年，衛生總費用佔GDP的6.36%，2035年預期達到9%。同金磚國家或發展水平相當的中等收入國家(如印度、泰國、阿聯酋、馬來西亞)相比，我國衛生總費用佔GDP的比重已經較高，當下面臨較大的醫療負擔。發達國家如美國、英國、德國、日本2015年的衛生總費用佔比分別為16.8%、9.9%、11.2%、10.9%，同這些發達國家相比，我國的佔比還比較低，未來仍有較大的上行壓力(世界衛生統計，2018年)。
人口老齡化將是未來幾十年中國醫療健康需求總量持續攀升、集中爆發的直接原因。2018年，中國65歲以上人口已超1.6億，佔比達11.9%，是較早進入老齡社會的發展中國家之一。此外，老齡化速度增快，60歲以上人口占比到2050年或達35%。人口老齡化的影響之一是人群疾病譜結構將發生變化，例如慢病患病率將持續上升。我國已確診的慢病患病人數超3億，同時患病率以每年5.8% 的速度增長3。而根據全國衛生服務調查，65歲以上群體的慢性病患病率高達78.4%，是全部人口患病率的3.2倍，即老齡人口越多慢病人群基數越大。如今，慢病已成為健康的頭號威脅，佔到了中國77% 的健康生命年損失和85% 的死亡誘因，佔全部疾病負擔的60%以上。人口結構的變化帶來的第二個影響是診療以外的醫療健康需求的結構性增加，包括疾病預防和治療、健康監測和管理、養生和保健、臨終關懷等。以體檢為例，與美、日、德超70%的覆蓋率相比，我國的健康管理市場還有巨大的發展空間。伴隨著生活水平的提高，以及國家政策對家庭醫生、慢病防治、健康生活等方面的支持，越來越多的人群將主動參與健康管理。02
此外，在醫療健康消費升級趨勢下，人們對醫療健康的效果、品質、體驗等提出了更高的要求，醫療健康服務將更加註重個性化、人性化。當人均可支配收入超過某個“臨界點”，醫療健康消費會加速發展。中國的人均可支配收入持續快速增長，將成為醫療健康消費加速發展的新力量。表現為，我國近年來的人均醫療消費支出快速提升，過去碎片化、溝通不足、質量和體驗有待提升的醫療服務愈來愈不能滿足人們的需求。此外，根據羅蘭貝格行業分析，集中於公立醫院特需和國際部、私立醫院等醫療機構的體檢、眼科、口腔、美容、輔助生殖等領域的高端醫療需求人數與服務規模在不斷增長，需求人群已有3,000-5,000萬、市場規模超千億。未來，優化就醫流程、增加便捷性、改善候診就診及病房條件、提升醫護人員服務意識、提供精準醫療將是大勢所趨。
1.2醫療供給的變化
支付壓力大將是中國醫療體系面臨的挑戰之一。拆解我國衛生費用總支出構成，政府衛生支出佔28.3%，社會衛生支出佔43.0%，個人衛生支出佔28.7%。而WHO推薦的可以防止因病致貧的自付費用佔衛生總費用比例為20%，且2016年政府衛生支出佔財政支出的比重已達7.1%(接近全球10.6%的平均數水平)，財政支出壓力較大。政府應積極採取措施，提高衛生支出效率。
醫保基金呈現出支出增幅大於收入增幅的態勢。2018年，職工基本醫療保險基金收入增長8.7%，支出增長11.5%，城鄉居民基本醫療保險基金收入增長27.1%，支出增長28.9%8。伴隨著老齡化的趨勢，長此以往醫保基金將面臨較大的可持續壓力。目前，雖然三大基本醫療保險已基本實現全面覆蓋，但資金使用效率亟待提升，支出效率提升、醫保控費成為關鍵方向。過去，醫保缺乏有效的控費目標和手段，只是被動支付而沒有控制能力，藥品、耗材、檢查佔醫院收入比利較高，亟待降低。不過，隨著2018年3月國家醫療保障局成立，宣告將由統一機構管理三大醫保，同時加強三醫聯動，通過醫保撬動醫藥、醫療的規範化。擁有價格管理和招標採購職能的醫保局，將由支付方變為購買方，有利於藥事管理(PBM)、按病種付費(DRGs)、異地就醫等醫改舉措的大步推進。
同時，醫療供給面臨核心醫師資源總量不足、資源分佈不均衡、資源配置不合理等問題。從總量上看，醫療資源供給增長落後於需求增長。醫生資源缺口問題在影像科、病理科以及全科醫生方面尤為嚴重。目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率僅為4.1%，病理科醫生缺口達到10萬。我國全科醫生數約25 萬人，
佔醫生總數的7.37%。這一數字還遠遠達不到建立真正的全科醫生制度體系的需求(德國、法國、日本佔比均在20%以上，美國在12%以上)。由於醫生的培養週期很長，資源短缺問題短期內無法解決。
從分佈上看，醫療資源集中於三級醫院和發達地區，基層醫院醫療水平低、醫師資源少。從配置上看，由於三級醫院長期超負荷運轉，承擔了過多基礎診療工作，導致核心醫療資源無法發揮最大價值。供需結構不匹配導致了醫院運營效率低、誤診率高、醫療體驗差等諸多問題。03
1.3新技術的發展
在新一波技術發展浪潮中，以AI、邊緣計算、大數據、物聯網、5G等一系列技術為代表的“技術簇”正在為各行各業帶來新的技術架構、新的商業模式和新的發展理念。技術發展催生的行業數字化正在推動各行各業創新發展。
以醫院信息化發展為例，當前正在歷經第三次發展浪潮。2000年左右，在以服務收費為核心目標的基礎信息化推動下，HIS系統逐步鋪開。2013年左右，在電子病歷評級和互聯互通需求拉動下，醫院內分散的信息系統孤島(包括HIS、HRP、EMR、PACS、RIS、NIS、LIS等)開始走向集成化。自2018年開始，智能化發展進程加快，新技術在助力醫療體系從“已知的已知known-knowns”向“已知的未知known-unknowns”及“未知的已知un-known-knowns”乃至“未知的未知unknown-unknowns”方面進行逐步探索，依託於人工智能、大數據、邊緣計算和5G等技術，湧現出諸如CDSS、AI影像、互聯網醫療等智慧化應用。例如，領先廠商通過人工智能、虛擬現實、機器人、5G等技術的結合，已經具備遠程專家高精度指導手術、對病灶區域進行輔助診斷的能力，越來越多的前沿技術開始應用於基因測序、細胞免疫療法、3D骨骼打印、實時機體檢測等領域。04
（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
1.1宏觀發展趨勢及醫療需求的變化
衛生總費用增速當前已超GDP增速，未來隨著經濟增長進入新常態，GDP增速持續放緩，經濟增量支持的減少將給醫保基金支付帶來風險和壓力。2013- 2017年，中國衛生總費用的年均增速保持在11.5%-13.5%，預計2030-2035年間，增速仍將達7.5%。2017年，衛生總費用佔GDP的6.36%，2035年預期達到9%。同金磚國家或發展水平相當的中等收入國家(如印度、泰國、阿聯酋、馬來西亞)相比，我國衛生總費用佔GDP的比重已經較高，當下面臨較大的醫療負擔。發達國家如美國、英國、德國、日本2015年的衛生總費用佔比分別為16.8%、9.9%、11.2%、10.9%，同這些發達國家相比，我國的佔比還比較低，未來仍有較大的上行壓力(世界衛生統計，2018年)。
人口老齡化將是未來幾十年中國醫療健康需求總量持續攀升、集中爆發的直接原因。2018年，中國65歲以上人口已超1.6億，佔比達11.9%，是較早進入老齡社會的發展中國家之一。此外，老齡化速度增快，60歲以上人口占比到2050年或達35%。人口老齡化的影響之一是人群疾病譜結構將發生變化，例如慢病患病率將持續上升。我國已確診的慢病患病人數超3億，同時患病率以每年5.8% 的速度增長3。而根據全國衛生服務調查，65歲以上群體的慢性病患病率高達78.4%，是全部人口患病率的3.2倍，即老齡人口越多慢病人群基數越大。如今，慢病已成為健康的頭號威脅，佔到了中國77% 的健康生命年損失和85% 的死亡誘因，佔全部疾病負擔的60%以上。人口結構的變化帶來的第二個影響是診療以外的醫療健康需求的結構性增加，包括疾病預防和治療、健康監測和管理、養生和保健、臨終關懷等。以體檢為例，與美、日、德超70%的覆蓋率相比，我國的健康管理市場還有巨大的發展空間。伴隨著生活水平的提高，以及國家政策對家庭醫生、慢病防治、健康生活等方面的支持，越來越多的人群將主動參與健康管理。02
此外，在醫療健康消費升級趨勢下，人們對醫療健康的效果、品質、體驗等提出了更高的要求，醫療健康服務將更加註重個性化、人性化。當人均可支配收入超過某個“臨界點”，醫療健康消費會加速發展。中國的人均可支配收入持續快速增長，將成為醫療健康消費加速發展的新力量。表現為，我國近年來的人均醫療消費支出快速提升，過去碎片化、溝通不足、質量和體驗有待提升的醫療服務愈來愈不能滿足人們的需求。此外，根據羅蘭貝格行業分析，集中於公立醫院特需和國際部、私立醫院等醫療機構的體檢、眼科、口腔、美容、輔助生殖等領域的高端醫療需求人數與服務規模在不斷增長，需求人群已有3,000-5,000萬、市場規模超千億。未來，優化就醫流程、增加便捷性、改善候診就診及病房條件、提升醫護人員服務意識、提供精準醫療將是大勢所趨。
1.2醫療供給的變化
支付壓力大將是中國醫療體系面臨的挑戰之一。拆解我國衛生費用總支出構成，政府衛生支出佔28.3%，社會衛生支出佔43.0%，個人衛生支出佔28.7%。而WHO推薦的可以防止因病致貧的自付費用佔衛生總費用比例為20%，且2016年政府衛生支出佔財政支出的比重已達7.1%(接近全球10.6%的平均數水平)，財政支出壓力較大。政府應積極採取措施，提高衛生支出效率。
醫保基金呈現出支出增幅大於收入增幅的態勢。2018年，職工基本醫療保險基金收入增長8.7%，支出增長11.5%，城鄉居民基本醫療保險基金收入增長27.1%，支出增長28.9%8。伴隨著老齡化的趨勢，長此以往醫保基金將面臨較大的可持續壓力。目前，雖然三大基本醫療保險已基本實現全面覆蓋，但資金使用效率亟待提升，支出效率提升、醫保控費成為關鍵方向。過去，醫保缺乏有效的控費目標和手段，只是被動支付而沒有控制能力，藥品、耗材、檢查佔醫院收入比利較高，亟待降低。不過，隨著2018年3月國家醫療保障局成立，宣告將由統一機構管理三大醫保，同時加強三醫聯動，通過醫保撬動醫藥、醫療的規範化。擁有價格管理和招標採購職能的醫保局，將由支付方變為購買方，有利於藥事管理(PBM)、按病種付費(DRGs)、異地就醫等醫改舉措的大步推進。
同時，醫療供給面臨核心醫師資源總量不足、資源分佈不均衡、資源配置不合理等問題。從總量上看，醫療資源供給增長落後於需求增長。醫生資源缺口問題在影像科、病理科以及全科醫生方面尤為嚴重。目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率僅為4.1%，病理科醫生缺口達到10萬。我國全科醫生數約25 萬人，
佔醫生總數的7.37%。這一數字還遠遠達不到建立真正的全科醫生制度體系的需求(德國、法國、日本佔比均在20%以上，美國在12%以上)。由於醫生的培養週期很長，資源短缺問題短期內無法解決。
從分佈上看，醫療資源集中於三級醫院和發達地區，基層醫院醫療水平低、醫師資源少。從配置上看，由於三級醫院長期超負荷運轉，承擔了過多基礎診療工作，導致核心醫療資源無法發揮最大價值。供需結構不匹配導致了醫院運營效率低、誤診率高、醫療體驗差等諸多問題。03
1.3新技術的發展
在新一波技術發展浪潮中，以AI、邊緣計算、大數據、物聯網、5G等一系列技術為代表的“技術簇”正在為各行各業帶來新的技術架構、新的商業模式和新的發展理念。技術發展催生的行業數字化正在推動各行各業創新發展。
以醫院信息化發展為例，當前正在歷經第三次發展浪潮。2000年左右，在以服務收費為核心目標的基礎信息化推動下，HIS系統逐步鋪開。2013年左右，在電子病歷評級和互聯互通需求拉動下，醫院內分散的信息系統孤島(包括HIS、HRP、EMR、PACS、RIS、NIS、LIS等)開始走向集成化。自2018年開始，智能化發展進程加快，新技術在助力醫療體系從“已知的已知known-knowns”向“已知的未知known-unknowns”及“未知的已知un-known-knowns”乃至“未知的未知unknown-unknowns”方面進行逐步探索，依託於人工智能、大數據、邊緣計算和5G等技術，湧現出諸如CDSS、AI影像、互聯網醫療等智慧化應用。例如，領先廠商通過人工智能、虛擬現實、機器人、5G等技術的結合，已經具備遠程專家高精度指導手術、對病灶區域進行輔助診斷的能力，越來越多的前沿技術開始應用於基因測序、細胞免疫療法、3D骨骼打印、實時機體檢測等領域。04
醫療行業數字化建設將逐漸從政策驅動向價值驅動演進。傳統為了滿足評級和政策檢查所建設的很多信息化系統，由於存在數據質量差、數據分散不互通等諸多問題，數字化效用難以有效發揮。但當下，在醫療支付體制改革的推動下，醫院在藥品控制、診療路徑控制、分級醫院體系構建等方面將進行主動改革，充分利用信息化手段提質增效，促進醫療服務體系變革發展。具體表現在:
智慧化:通過數字化技術解決複雜醫療臨床、科研及管理問題，或賦能醫生，提高診療能力。
線上化:從患者體驗出發，將部分業務線上化處理，增加醫患溝通渠道，便民利民。
數據驅動:採集、存儲、組織、整合、應用海量的人群健康數據，挖掘併發揮這些數據信息對於醫學研究、臨床實踐、醫保控費等醫療價值點的作用。
雲服務:基於互聯網技術，以雲服務的形式提供彈性的IT基礎設施，降低醫療機構建設成本、破除數據孤島、保障業務連續性。
1.4醫療體系發展趨勢
基於對宏觀經濟發展趨勢、醫療需求及供給以及新技術發展趨勢的分析，我們認為，醫療體系將在成本控制的基礎上 (緩解供給端支付壓力)，提高人群健康水平和患者體驗(滿足多樣化、多層次、個性化、動態化的需求)，實現以人為 本的整合型醫療衛生服務(合理分配供給資源，提供一致性醫療健康服務)，最終實現各國都在努力推進的醫療改革。 未來醫療體系發展的趨勢具體表現為:提高人群整體健康水平，實現人群健康管理;醫療生態圈各方有機配合，向人群提供整合式服務;以人為本，實現醫療、醫藥、醫保三醫融合;發展的“終局”將強調醫療價值。
醫療服務、醫療保障、藥品和醫療器械生產及流通體系都在不斷進行著深刻變革，演進過程將是一條符合國情、融合領先科技的路徑。因而，在走向“終局”之前，醫療體系將經歷一段從醫療“中局”向“終局”過渡的發展歷程。
醫療服務體系變革:
從關注診療向全生命週期健康管理進行轉換，包括預防、篩查、診斷、治療及康復，以通過醫聯體、醫共體等一體化服務提升全民健康水平，通過擴大早期預防和篩查的覆蓋減少老齡化趨勢下的診療壓力。
醫療資源和服務能力向基層下沉，增強基層醫療服務能力，由基層提供健康管理及慢病管理、體檢、疾病預防等基礎醫療服務，通過分級診療緩解資源匹配矛盾，改善患者醫療體驗。
供給端總量提升、注重提質增效，在公立醫院改革之餘，鼓勵民營資本參與、加強社會力量投入醫療健康服務。
醫療支付體系變革:
社會醫保明確管理目標、加強控費能力，提高醫療支付效率和投入產出效果，通過醫保帶動醫藥和醫療運營變革、理順激勵機制，逐步實現按價值付費。
商業保險發展提速，成為支付體系的關鍵力量，結合大數據和互聯互通能力提供保險創新模式，例如健康管理組織、藥品福利管理、單病種管理等。
醫藥生產及流通體系變革:
通過科技手段賦能，提供診療效果更好的醫藥產品，例如通過數據分析加速藥品研發及臨床試驗週期、基於真實世界數據進行藥品評價和上市後研究。
降低醫療成本，包括管理藥品及設備耗材的價格、變革流通和零售體系(如DTP藥房)。
1.5 AI在未來醫療體系中的價值
未來，醫療體系的參與方將整體為患者提供整合式服務，通過各方跨領域合作，優化醫療價值，形成一致的利益訴求。圍繞核心醫療生態體系，AI將發揮重要作用，通過提質增效、降本增益、模式創新，推動醫療體系各方的變革和提升。例如提升醫生水平和診療效率、大大降低優質醫療服務的價格、極大提升醫院運營能力、高效管理患者全生命週期醫療健康數據、為患者提供全場景主動式健康管理。
（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
1.1宏觀發展趨勢及醫療需求的變化
衛生總費用增速當前已超GDP增速，未來隨著經濟增長進入新常態，GDP增速持續放緩，經濟增量支持的減少將給醫保基金支付帶來風險和壓力。2013- 2017年，中國衛生總費用的年均增速保持在11.5%-13.5%，預計2030-2035年間，增速仍將達7.5%。2017年，衛生總費用佔GDP的6.36%，2035年預期達到9%。同金磚國家或發展水平相當的中等收入國家(如印度、泰國、阿聯酋、馬來西亞)相比，我國衛生總費用佔GDP的比重已經較高，當下面臨較大的醫療負擔。發達國家如美國、英國、德國、日本2015年的衛生總費用佔比分別為16.8%、9.9%、11.2%、10.9%，同這些發達國家相比，我國的佔比還比較低，未來仍有較大的上行壓力(世界衛生統計，2018年)。
人口老齡化將是未來幾十年中國醫療健康需求總量持續攀升、集中爆發的直接原因。2018年，中國65歲以上人口已超1.6億，佔比達11.9%，是較早進入老齡社會的發展中國家之一。此外，老齡化速度增快，60歲以上人口占比到2050年或達35%。人口老齡化的影響之一是人群疾病譜結構將發生變化，例如慢病患病率將持續上升。我國已確診的慢病患病人數超3億，同時患病率以每年5.8% 的速度增長3。而根據全國衛生服務調查，65歲以上群體的慢性病患病率高達78.4%，是全部人口患病率的3.2倍，即老齡人口越多慢病人群基數越大。如今，慢病已成為健康的頭號威脅，佔到了中國77% 的健康生命年損失和85% 的死亡誘因，佔全部疾病負擔的60%以上。人口結構的變化帶來的第二個影響是診療以外的醫療健康需求的結構性增加，包括疾病預防和治療、健康監測和管理、養生和保健、臨終關懷等。以體檢為例，與美、日、德超70%的覆蓋率相比，我國的健康管理市場還有巨大的發展空間。伴隨著生活水平的提高，以及國家政策對家庭醫生、慢病防治、健康生活等方面的支持，越來越多的人群將主動參與健康管理。02
此外，在醫療健康消費升級趨勢下，人們對醫療健康的效果、品質、體驗等提出了更高的要求，醫療健康服務將更加註重個性化、人性化。當人均可支配收入超過某個“臨界點”，醫療健康消費會加速發展。中國的人均可支配收入持續快速增長，將成為醫療健康消費加速發展的新力量。表現為，我國近年來的人均醫療消費支出快速提升，過去碎片化、溝通不足、質量和體驗有待提升的醫療服務愈來愈不能滿足人們的需求。此外，根據羅蘭貝格行業分析，集中於公立醫院特需和國際部、私立醫院等醫療機構的體檢、眼科、口腔、美容、輔助生殖等領域的高端醫療需求人數與服務規模在不斷增長，需求人群已有3,000-5,000萬、市場規模超千億。未來，優化就醫流程、增加便捷性、改善候診就診及病房條件、提升醫護人員服務意識、提供精準醫療將是大勢所趨。
1.2醫療供給的變化
支付壓力大將是中國醫療體系面臨的挑戰之一。拆解我國衛生費用總支出構成，政府衛生支出佔28.3%，社會衛生支出佔43.0%，個人衛生支出佔28.7%。而WHO推薦的可以防止因病致貧的自付費用佔衛生總費用比例為20%，且2016年政府衛生支出佔財政支出的比重已達7.1%(接近全球10.6%的平均數水平)，財政支出壓力較大。政府應積極採取措施，提高衛生支出效率。
醫保基金呈現出支出增幅大於收入增幅的態勢。2018年，職工基本醫療保險基金收入增長8.7%，支出增長11.5%，城鄉居民基本醫療保險基金收入增長27.1%，支出增長28.9%8。伴隨著老齡化的趨勢，長此以往醫保基金將面臨較大的可持續壓力。目前，雖然三大基本醫療保險已基本實現全面覆蓋，但資金使用效率亟待提升，支出效率提升、醫保控費成為關鍵方向。過去，醫保缺乏有效的控費目標和手段，只是被動支付而沒有控制能力，藥品、耗材、檢查佔醫院收入比利較高，亟待降低。不過，隨著2018年3月國家醫療保障局成立，宣告將由統一機構管理三大醫保，同時加強三醫聯動，通過醫保撬動醫藥、醫療的規範化。擁有價格管理和招標採購職能的醫保局，將由支付方變為購買方，有利於藥事管理(PBM)、按病種付費(DRGs)、異地就醫等醫改舉措的大步推進。
同時，醫療供給面臨核心醫師資源總量不足、資源分佈不均衡、資源配置不合理等問題。從總量上看，醫療資源供給增長落後於需求增長。醫生資源缺口問題在影像科、病理科以及全科醫生方面尤為嚴重。目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率僅為4.1%，病理科醫生缺口達到10萬。我國全科醫生數約25 萬人，
佔醫生總數的7.37%。這一數字還遠遠達不到建立真正的全科醫生制度體系的需求(德國、法國、日本佔比均在20%以上，美國在12%以上)。由於醫生的培養週期很長，資源短缺問題短期內無法解決。
從分佈上看，醫療資源集中於三級醫院和發達地區，基層醫院醫療水平低、醫師資源少。從配置上看，由於三級醫院長期超負荷運轉，承擔了過多基礎診療工作，導致核心醫療資源無法發揮最大價值。供需結構不匹配導致了醫院運營效率低、誤診率高、醫療體驗差等諸多問題。03
1.3新技術的發展
在新一波技術發展浪潮中，以AI、邊緣計算、大數據、物聯網、5G等一系列技術為代表的“技術簇”正在為各行各業帶來新的技術架構、新的商業模式和新的發展理念。技術發展催生的行業數字化正在推動各行各業創新發展。
以醫院信息化發展為例，當前正在歷經第三次發展浪潮。2000年左右，在以服務收費為核心目標的基礎信息化推動下，HIS系統逐步鋪開。2013年左右，在電子病歷評級和互聯互通需求拉動下，醫院內分散的信息系統孤島(包括HIS、HRP、EMR、PACS、RIS、NIS、LIS等)開始走向集成化。自2018年開始，智能化發展進程加快，新技術在助力醫療體系從“已知的已知known-knowns”向“已知的未知known-unknowns”及“未知的已知un-known-knowns”乃至“未知的未知unknown-unknowns”方面進行逐步探索，依託於人工智能、大數據、邊緣計算和5G等技術，湧現出諸如CDSS、AI影像、互聯網醫療等智慧化應用。例如，領先廠商通過人工智能、虛擬現實、機器人、5G等技術的結合，已經具備遠程專家高精度指導手術、對病灶區域進行輔助診斷的能力，越來越多的前沿技術開始應用於基因測序、細胞免疫療法、3D骨骼打印、實時機體檢測等領域。04
醫療行業數字化建設將逐漸從政策驅動向價值驅動演進。傳統為了滿足評級和政策檢查所建設的很多信息化系統，由於存在數據質量差、數據分散不互通等諸多問題，數字化效用難以有效發揮。但當下，在醫療支付體制改革的推動下，醫院在藥品控制、診療路徑控制、分級醫院體系構建等方面將進行主動改革，充分利用信息化手段提質增效，促進醫療服務體系變革發展。具體表現在:
智慧化:通過數字化技術解決複雜醫療臨床、科研及管理問題，或賦能醫生，提高診療能力。
線上化:從患者體驗出發，將部分業務線上化處理，增加醫患溝通渠道，便民利民。
數據驅動:採集、存儲、組織、整合、應用海量的人群健康數據，挖掘併發揮這些數據信息對於醫學研究、臨床實踐、醫保控費等醫療價值點的作用。
雲服務:基於互聯網技術，以雲服務的形式提供彈性的IT基礎設施，降低醫療機構建設成本、破除數據孤島、保障業務連續性。
1.4醫療體系發展趨勢
基於對宏觀經濟發展趨勢、醫療需求及供給以及新技術發展趨勢的分析，我們認為，醫療體系將在成本控制的基礎上 (緩解供給端支付壓力)，提高人群健康水平和患者體驗(滿足多樣化、多層次、個性化、動態化的需求)，實現以人為 本的整合型醫療衛生服務(合理分配供給資源，提供一致性醫療健康服務)，最終實現各國都在努力推進的醫療改革。 未來醫療體系發展的趨勢具體表現為:提高人群整體健康水平，實現人群健康管理;醫療生態圈各方有機配合，向人群提供整合式服務;以人為本，實現醫療、醫藥、醫保三醫融合;發展的“終局”將強調醫療價值。
醫療服務、醫療保障、藥品和醫療器械生產及流通體系都在不斷進行著深刻變革，演進過程將是一條符合國情、融合領先科技的路徑。因而，在走向“終局”之前，醫療體系將經歷一段從醫療“中局”向“終局”過渡的發展歷程。
醫療服務體系變革:
從關注診療向全生命週期健康管理進行轉換，包括預防、篩查、診斷、治療及康復，以通過醫聯體、醫共體等一體化服務提升全民健康水平，通過擴大早期預防和篩查的覆蓋減少老齡化趨勢下的診療壓力。
醫療資源和服務能力向基層下沉，增強基層醫療服務能力，由基層提供健康管理及慢病管理、體檢、疾病預防等基礎醫療服務，通過分級診療緩解資源匹配矛盾，改善患者醫療體驗。
供給端總量提升、注重提質增效，在公立醫院改革之餘，鼓勵民營資本參與、加強社會力量投入醫療健康服務。
醫療支付體系變革:
社會醫保明確管理目標、加強控費能力，提高醫療支付效率和投入產出效果，通過醫保帶動醫藥和醫療運營變革、理順激勵機制，逐步實現按價值付費。
商業保險發展提速，成為支付體系的關鍵力量，結合大數據和互聯互通能力提供保險創新模式，例如健康管理組織、藥品福利管理、單病種管理等。
醫藥生產及流通體系變革:
通過科技手段賦能，提供診療效果更好的醫藥產品，例如通過數據分析加速藥品研發及臨床試驗週期、基於真實世界數據進行藥品評價和上市後研究。
降低醫療成本，包括管理藥品及設備耗材的價格、變革流通和零售體系(如DTP藥房)。
1.5 AI在未來醫療體系中的價值
未來，醫療體系的參與方將整體為患者提供整合式服務，通過各方跨領域合作，優化醫療價值，形成一致的利益訴求。圍繞核心醫療生態體系，AI將發揮重要作用，通過提質增效、降本增益、模式創新，推動醫療體系各方的變革和提升。例如提升醫生水平和診療效率、大大降低優質醫療服務的價格、極大提升醫院運營能力、高效管理患者全生命週期醫療健康數據、為患者提供全場景主動式健康管理。
第二部分:面向未來的醫療健康生態體系及人工智能發展機會
2.1面向未來的醫療健康生態體系
醫療健康生態體系的核心目標是提升國民整體健康水平，將以服務量和盈利為目標轉向以患者健康為目標(Porter，2010)，以較低的成本獲得更好的健康結果、服務質量和病人安全(IOM，2010)。對於健康質量來說，包括技術和人性化兩方面(中國醫藥衛生體制改革聯合研究合作方，2016)，即診斷診療對改善健康結果的有益性以及醫療服務對患者的人性化關懷。因而，以人為本的整合型醫療衛生服務體系需要考慮以下三個關鍵因素:
人群健康:價值醫療關注的應該是醫療服務的健康成果和價值，而非服務數量。
患者體驗:醫生是在治療患者，而不是治療疾病。醫療服務應該同時考慮患者的服務體驗，以及對心理、生活、工作等全方面的影響。這也需要不同醫療機構進行整合，為患者提供一致性、一體化的高質量服務。
成本:醫療作為一種公共服務，在關注質量的同時也要考慮適當、公平和可負擔等因素，鑑於作為支付主體的財政和醫保資金都面臨壓力，需要思考如何管理醫療費用，以有限的成本獲得更高的質量。
2.1.1核心層
未來的醫療體制改革將更加重視以人為本，發展以數字化驅動的人群健康管理、一體化服務網絡和三醫融合的服務模式，使目標人群能在合適的時間、地點獲得有針對性、符合診療需求、不過度的醫療健康服務，實現無處不在的醫療、全生命週期關懷和精準醫療。06
從近中期來看，中國正在推動的分級診療也契合這一趨勢，核心舉措包括提升基層醫院的能力，在縣域內完成常見病、多發病診療，讓三級醫院專注提供急危重症和疑難複雜疾病的診療服務。建立雙向轉診制度，鼓勵基層檢查、上級診斷、遠程診斷等服務。同時加強基層醫療人群健康管理職能，重視疾病預防。
2.1.2主體層
醫療體系的主體參與者包括醫療服務提供方、藥品及醫療器械提供方、醫療支付和監管方。各參與方在改善人群健康、提升患者體驗、降低成本的共同目標下，圍繞核心業務流程，提供整合式服務，產生了不同表現形式的價值需求點。07
現階段，醫療健康大數據是割裂的，歸屬於不同的醫療健康參與者。未來醫療體系將形成打通的人群健康大數據平臺，形成對人群健康和醫療體系的“同一版本的真相”(one version of truth)，為AI發揮重要作用建立數據基礎。
（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
1.1宏觀發展趨勢及醫療需求的變化
衛生總費用增速當前已超GDP增速，未來隨著經濟增長進入新常態，GDP增速持續放緩，經濟增量支持的減少將給醫保基金支付帶來風險和壓力。2013- 2017年，中國衛生總費用的年均增速保持在11.5%-13.5%，預計2030-2035年間，增速仍將達7.5%。2017年，衛生總費用佔GDP的6.36%，2035年預期達到9%。同金磚國家或發展水平相當的中等收入國家(如印度、泰國、阿聯酋、馬來西亞)相比，我國衛生總費用佔GDP的比重已經較高，當下面臨較大的醫療負擔。發達國家如美國、英國、德國、日本2015年的衛生總費用佔比分別為16.8%、9.9%、11.2%、10.9%，同這些發達國家相比，我國的佔比還比較低，未來仍有較大的上行壓力(世界衛生統計，2018年)。
人口老齡化將是未來幾十年中國醫療健康需求總量持續攀升、集中爆發的直接原因。2018年，中國65歲以上人口已超1.6億，佔比達11.9%，是較早進入老齡社會的發展中國家之一。此外，老齡化速度增快，60歲以上人口占比到2050年或達35%。人口老齡化的影響之一是人群疾病譜結構將發生變化，例如慢病患病率將持續上升。我國已確診的慢病患病人數超3億，同時患病率以每年5.8% 的速度增長3。而根據全國衛生服務調查，65歲以上群體的慢性病患病率高達78.4%，是全部人口患病率的3.2倍，即老齡人口越多慢病人群基數越大。如今，慢病已成為健康的頭號威脅，佔到了中國77% 的健康生命年損失和85% 的死亡誘因，佔全部疾病負擔的60%以上。人口結構的變化帶來的第二個影響是診療以外的醫療健康需求的結構性增加，包括疾病預防和治療、健康監測和管理、養生和保健、臨終關懷等。以體檢為例，與美、日、德超70%的覆蓋率相比，我國的健康管理市場還有巨大的發展空間。伴隨著生活水平的提高，以及國家政策對家庭醫生、慢病防治、健康生活等方面的支持，越來越多的人群將主動參與健康管理。02
此外，在醫療健康消費升級趨勢下，人們對醫療健康的效果、品質、體驗等提出了更高的要求，醫療健康服務將更加註重個性化、人性化。當人均可支配收入超過某個“臨界點”，醫療健康消費會加速發展。中國的人均可支配收入持續快速增長，將成為醫療健康消費加速發展的新力量。表現為，我國近年來的人均醫療消費支出快速提升，過去碎片化、溝通不足、質量和體驗有待提升的醫療服務愈來愈不能滿足人們的需求。此外，根據羅蘭貝格行業分析，集中於公立醫院特需和國際部、私立醫院等醫療機構的體檢、眼科、口腔、美容、輔助生殖等領域的高端醫療需求人數與服務規模在不斷增長，需求人群已有3,000-5,000萬、市場規模超千億。未來，優化就醫流程、增加便捷性、改善候診就診及病房條件、提升醫護人員服務意識、提供精準醫療將是大勢所趨。
1.2醫療供給的變化
支付壓力大將是中國醫療體系面臨的挑戰之一。拆解我國衛生費用總支出構成，政府衛生支出佔28.3%，社會衛生支出佔43.0%，個人衛生支出佔28.7%。而WHO推薦的可以防止因病致貧的自付費用佔衛生總費用比例為20%，且2016年政府衛生支出佔財政支出的比重已達7.1%(接近全球10.6%的平均數水平)，財政支出壓力較大。政府應積極採取措施，提高衛生支出效率。
醫保基金呈現出支出增幅大於收入增幅的態勢。2018年，職工基本醫療保險基金收入增長8.7%，支出增長11.5%，城鄉居民基本醫療保險基金收入增長27.1%，支出增長28.9%8。伴隨著老齡化的趨勢，長此以往醫保基金將面臨較大的可持續壓力。目前，雖然三大基本醫療保險已基本實現全面覆蓋，但資金使用效率亟待提升，支出效率提升、醫保控費成為關鍵方向。過去，醫保缺乏有效的控費目標和手段，只是被動支付而沒有控制能力，藥品、耗材、檢查佔醫院收入比利較高，亟待降低。不過，隨著2018年3月國家醫療保障局成立，宣告將由統一機構管理三大醫保，同時加強三醫聯動，通過醫保撬動醫藥、醫療的規範化。擁有價格管理和招標採購職能的醫保局，將由支付方變為購買方，有利於藥事管理(PBM)、按病種付費(DRGs)、異地就醫等醫改舉措的大步推進。
同時，醫療供給面臨核心醫師資源總量不足、資源分佈不均衡、資源配置不合理等問題。從總量上看，醫療資源供給增長落後於需求增長。醫生資源缺口問題在影像科、病理科以及全科醫生方面尤為嚴重。目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率僅為4.1%，病理科醫生缺口達到10萬。我國全科醫生數約25 萬人，
佔醫生總數的7.37%。這一數字還遠遠達不到建立真正的全科醫生制度體系的需求(德國、法國、日本佔比均在20%以上，美國在12%以上)。由於醫生的培養週期很長，資源短缺問題短期內無法解決。
從分佈上看，醫療資源集中於三級醫院和發達地區，基層醫院醫療水平低、醫師資源少。從配置上看，由於三級醫院長期超負荷運轉，承擔了過多基礎診療工作，導致核心醫療資源無法發揮最大價值。供需結構不匹配導致了醫院運營效率低、誤診率高、醫療體驗差等諸多問題。03
1.3新技術的發展
在新一波技術發展浪潮中，以AI、邊緣計算、大數據、物聯網、5G等一系列技術為代表的“技術簇”正在為各行各業帶來新的技術架構、新的商業模式和新的發展理念。技術發展催生的行業數字化正在推動各行各業創新發展。
以醫院信息化發展為例，當前正在歷經第三次發展浪潮。2000年左右，在以服務收費為核心目標的基礎信息化推動下，HIS系統逐步鋪開。2013年左右，在電子病歷評級和互聯互通需求拉動下，醫院內分散的信息系統孤島(包括HIS、HRP、EMR、PACS、RIS、NIS、LIS等)開始走向集成化。自2018年開始，智能化發展進程加快，新技術在助力醫療體系從“已知的已知known-knowns”向“已知的未知known-unknowns”及“未知的已知un-known-knowns”乃至“未知的未知unknown-unknowns”方面進行逐步探索，依託於人工智能、大數據、邊緣計算和5G等技術，湧現出諸如CDSS、AI影像、互聯網醫療等智慧化應用。例如，領先廠商通過人工智能、虛擬現實、機器人、5G等技術的結合，已經具備遠程專家高精度指導手術、對病灶區域進行輔助診斷的能力，越來越多的前沿技術開始應用於基因測序、細胞免疫療法、3D骨骼打印、實時機體檢測等領域。04
醫療行業數字化建設將逐漸從政策驅動向價值驅動演進。傳統為了滿足評級和政策檢查所建設的很多信息化系統，由於存在數據質量差、數據分散不互通等諸多問題，數字化效用難以有效發揮。但當下，在醫療支付體制改革的推動下，醫院在藥品控制、診療路徑控制、分級醫院體系構建等方面將進行主動改革，充分利用信息化手段提質增效，促進醫療服務體系變革發展。具體表現在:
智慧化:通過數字化技術解決複雜醫療臨床、科研及管理問題，或賦能醫生，提高診療能力。
線上化:從患者體驗出發，將部分業務線上化處理，增加醫患溝通渠道，便民利民。
數據驅動:採集、存儲、組織、整合、應用海量的人群健康數據，挖掘併發揮這些數據信息對於醫學研究、臨床實踐、醫保控費等醫療價值點的作用。
雲服務:基於互聯網技術，以雲服務的形式提供彈性的IT基礎設施，降低醫療機構建設成本、破除數據孤島、保障業務連續性。
1.4醫療體系發展趨勢
基於對宏觀經濟發展趨勢、醫療需求及供給以及新技術發展趨勢的分析，我們認為，醫療體系將在成本控制的基礎上 (緩解供給端支付壓力)，提高人群健康水平和患者體驗(滿足多樣化、多層次、個性化、動態化的需求)，實現以人為 本的整合型醫療衛生服務(合理分配供給資源，提供一致性醫療健康服務)，最終實現各國都在努力推進的醫療改革。 未來醫療體系發展的趨勢具體表現為:提高人群整體健康水平，實現人群健康管理;醫療生態圈各方有機配合，向人群提供整合式服務;以人為本，實現醫療、醫藥、醫保三醫融合;發展的“終局”將強調醫療價值。
醫療服務、醫療保障、藥品和醫療器械生產及流通體系都在不斷進行著深刻變革，演進過程將是一條符合國情、融合領先科技的路徑。因而，在走向“終局”之前，醫療體系將經歷一段從醫療“中局”向“終局”過渡的發展歷程。
醫療服務體系變革:
從關注診療向全生命週期健康管理進行轉換，包括預防、篩查、診斷、治療及康復，以通過醫聯體、醫共體等一體化服務提升全民健康水平，通過擴大早期預防和篩查的覆蓋減少老齡化趨勢下的診療壓力。
醫療資源和服務能力向基層下沉，增強基層醫療服務能力，由基層提供健康管理及慢病管理、體檢、疾病預防等基礎醫療服務，通過分級診療緩解資源匹配矛盾，改善患者醫療體驗。
供給端總量提升、注重提質增效，在公立醫院改革之餘，鼓勵民營資本參與、加強社會力量投入醫療健康服務。
醫療支付體系變革:
社會醫保明確管理目標、加強控費能力，提高醫療支付效率和投入產出效果，通過醫保帶動醫藥和醫療運營變革、理順激勵機制，逐步實現按價值付費。
商業保險發展提速，成為支付體系的關鍵力量，結合大數據和互聯互通能力提供保險創新模式，例如健康管理組織、藥品福利管理、單病種管理等。
醫藥生產及流通體系變革:
通過科技手段賦能，提供診療效果更好的醫藥產品，例如通過數據分析加速藥品研發及臨床試驗週期、基於真實世界數據進行藥品評價和上市後研究。
降低醫療成本，包括管理藥品及設備耗材的價格、變革流通和零售體系(如DTP藥房)。
1.5 AI在未來醫療體系中的價值
未來，醫療體系的參與方將整體為患者提供整合式服務，通過各方跨領域合作，優化醫療價值，形成一致的利益訴求。圍繞核心醫療生態體系，AI將發揮重要作用，通過提質增效、降本增益、模式創新，推動醫療體系各方的變革和提升。例如提升醫生水平和診療效率、大大降低優質醫療服務的價格、極大提升醫院運營能力、高效管理患者全生命週期醫療健康數據、為患者提供全場景主動式健康管理。
第二部分:面向未來的醫療健康生態體系及人工智能發展機會
2.1面向未來的醫療健康生態體系
醫療健康生態體系的核心目標是提升國民整體健康水平，將以服務量和盈利為目標轉向以患者健康為目標(Porter，2010)，以較低的成本獲得更好的健康結果、服務質量和病人安全(IOM，2010)。對於健康質量來說，包括技術和人性化兩方面(中國醫藥衛生體制改革聯合研究合作方，2016)，即診斷診療對改善健康結果的有益性以及醫療服務對患者的人性化關懷。因而，以人為本的整合型醫療衛生服務體系需要考慮以下三個關鍵因素:
人群健康:價值醫療關注的應該是醫療服務的健康成果和價值，而非服務數量。
患者體驗:醫生是在治療患者，而不是治療疾病。醫療服務應該同時考慮患者的服務體驗，以及對心理、生活、工作等全方面的影響。這也需要不同醫療機構進行整合，為患者提供一致性、一體化的高質量服務。
成本:醫療作為一種公共服務，在關注質量的同時也要考慮適當、公平和可負擔等因素，鑑於作為支付主體的財政和醫保資金都面臨壓力，需要思考如何管理醫療費用，以有限的成本獲得更高的質量。
2.1.1核心層
未來的醫療體制改革將更加重視以人為本，發展以數字化驅動的人群健康管理、一體化服務網絡和三醫融合的服務模式，使目標人群能在合適的時間、地點獲得有針對性、符合診療需求、不過度的醫療健康服務，實現無處不在的醫療、全生命週期關懷和精準醫療。06
從近中期來看，中國正在推動的分級診療也契合這一趨勢，核心舉措包括提升基層醫院的能力，在縣域內完成常見病、多發病診療，讓三級醫院專注提供急危重症和疑難複雜疾病的診療服務。建立雙向轉診制度，鼓勵基層檢查、上級診斷、遠程診斷等服務。同時加強基層醫療人群健康管理職能，重視疾病預防。
2.1.2主體層
醫療體系的主體參與者包括醫療服務提供方、藥品及醫療器械提供方、醫療支付和監管方。各參與方在改善人群健康、提升患者體驗、降低成本的共同目標下，圍繞核心業務流程，提供整合式服務，產生了不同表現形式的價值需求點。07
現階段，醫療健康大數據是割裂的，歸屬於不同的醫療健康參與者。未來醫療體系將形成打通的人群健康大數據平臺，形成對人群健康和醫療體系的“同一版本的真相”(one version of truth)，為AI發揮重要作用建立數據基礎。
（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
1.1宏觀發展趨勢及醫療需求的變化
衛生總費用增速當前已超GDP增速，未來隨著經濟增長進入新常態，GDP增速持續放緩，經濟增量支持的減少將給醫保基金支付帶來風險和壓力。2013- 2017年，中國衛生總費用的年均增速保持在11.5%-13.5%，預計2030-2035年間，增速仍將達7.5%。2017年，衛生總費用佔GDP的6.36%，2035年預期達到9%。同金磚國家或發展水平相當的中等收入國家(如印度、泰國、阿聯酋、馬來西亞)相比，我國衛生總費用佔GDP的比重已經較高，當下面臨較大的醫療負擔。發達國家如美國、英國、德國、日本2015年的衛生總費用佔比分別為16.8%、9.9%、11.2%、10.9%，同這些發達國家相比，我國的佔比還比較低，未來仍有較大的上行壓力(世界衛生統計，2018年)。
人口老齡化將是未來幾十年中國醫療健康需求總量持續攀升、集中爆發的直接原因。2018年，中國65歲以上人口已超1.6億，佔比達11.9%，是較早進入老齡社會的發展中國家之一。此外，老齡化速度增快，60歲以上人口占比到2050年或達35%。人口老齡化的影響之一是人群疾病譜結構將發生變化，例如慢病患病率將持續上升。我國已確診的慢病患病人數超3億，同時患病率以每年5.8% 的速度增長3。而根據全國衛生服務調查，65歲以上群體的慢性病患病率高達78.4%，是全部人口患病率的3.2倍，即老齡人口越多慢病人群基數越大。如今，慢病已成為健康的頭號威脅，佔到了中國77% 的健康生命年損失和85% 的死亡誘因，佔全部疾病負擔的60%以上。人口結構的變化帶來的第二個影響是診療以外的醫療健康需求的結構性增加，包括疾病預防和治療、健康監測和管理、養生和保健、臨終關懷等。以體檢為例，與美、日、德超70%的覆蓋率相比，我國的健康管理市場還有巨大的發展空間。伴隨著生活水平的提高，以及國家政策對家庭醫生、慢病防治、健康生活等方面的支持，越來越多的人群將主動參與健康管理。02
此外，在醫療健康消費升級趨勢下，人們對醫療健康的效果、品質、體驗等提出了更高的要求，醫療健康服務將更加註重個性化、人性化。當人均可支配收入超過某個“臨界點”，醫療健康消費會加速發展。中國的人均可支配收入持續快速增長，將成為醫療健康消費加速發展的新力量。表現為，我國近年來的人均醫療消費支出快速提升，過去碎片化、溝通不足、質量和體驗有待提升的醫療服務愈來愈不能滿足人們的需求。此外，根據羅蘭貝格行業分析，集中於公立醫院特需和國際部、私立醫院等醫療機構的體檢、眼科、口腔、美容、輔助生殖等領域的高端醫療需求人數與服務規模在不斷增長，需求人群已有3,000-5,000萬、市場規模超千億。未來，優化就醫流程、增加便捷性、改善候診就診及病房條件、提升醫護人員服務意識、提供精準醫療將是大勢所趨。
1.2醫療供給的變化
支付壓力大將是中國醫療體系面臨的挑戰之一。拆解我國衛生費用總支出構成，政府衛生支出佔28.3%，社會衛生支出佔43.0%，個人衛生支出佔28.7%。而WHO推薦的可以防止因病致貧的自付費用佔衛生總費用比例為20%，且2016年政府衛生支出佔財政支出的比重已達7.1%(接近全球10.6%的平均數水平)，財政支出壓力較大。政府應積極採取措施，提高衛生支出效率。
醫保基金呈現出支出增幅大於收入增幅的態勢。2018年，職工基本醫療保險基金收入增長8.7%，支出增長11.5%，城鄉居民基本醫療保險基金收入增長27.1%，支出增長28.9%8。伴隨著老齡化的趨勢，長此以往醫保基金將面臨較大的可持續壓力。目前，雖然三大基本醫療保險已基本實現全面覆蓋，但資金使用效率亟待提升，支出效率提升、醫保控費成為關鍵方向。過去，醫保缺乏有效的控費目標和手段，只是被動支付而沒有控制能力，藥品、耗材、檢查佔醫院收入比利較高，亟待降低。不過，隨著2018年3月國家醫療保障局成立，宣告將由統一機構管理三大醫保，同時加強三醫聯動，通過醫保撬動醫藥、醫療的規範化。擁有價格管理和招標採購職能的醫保局，將由支付方變為購買方，有利於藥事管理(PBM)、按病種付費(DRGs)、異地就醫等醫改舉措的大步推進。
同時，醫療供給面臨核心醫師資源總量不足、資源分佈不均衡、資源配置不合理等問題。從總量上看，醫療資源供給增長落後於需求增長。醫生資源缺口問題在影像科、病理科以及全科醫生方面尤為嚴重。目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率僅為4.1%，病理科醫生缺口達到10萬。我國全科醫生數約25 萬人，
佔醫生總數的7.37%。這一數字還遠遠達不到建立真正的全科醫生制度體系的需求(德國、法國、日本佔比均在20%以上，美國在12%以上)。由於醫生的培養週期很長，資源短缺問題短期內無法解決。
從分佈上看，醫療資源集中於三級醫院和發達地區，基層醫院醫療水平低、醫師資源少。從配置上看，由於三級醫院長期超負荷運轉，承擔了過多基礎診療工作，導致核心醫療資源無法發揮最大價值。供需結構不匹配導致了醫院運營效率低、誤診率高、醫療體驗差等諸多問題。03
1.3新技術的發展
在新一波技術發展浪潮中，以AI、邊緣計算、大數據、物聯網、5G等一系列技術為代表的“技術簇”正在為各行各業帶來新的技術架構、新的商業模式和新的發展理念。技術發展催生的行業數字化正在推動各行各業創新發展。
以醫院信息化發展為例，當前正在歷經第三次發展浪潮。2000年左右，在以服務收費為核心目標的基礎信息化推動下，HIS系統逐步鋪開。2013年左右，在電子病歷評級和互聯互通需求拉動下，醫院內分散的信息系統孤島(包括HIS、HRP、EMR、PACS、RIS、NIS、LIS等)開始走向集成化。自2018年開始，智能化發展進程加快，新技術在助力醫療體系從“已知的已知known-knowns”向“已知的未知known-unknowns”及“未知的已知un-known-knowns”乃至“未知的未知unknown-unknowns”方面進行逐步探索，依託於人工智能、大數據、邊緣計算和5G等技術，湧現出諸如CDSS、AI影像、互聯網醫療等智慧化應用。例如，領先廠商通過人工智能、虛擬現實、機器人、5G等技術的結合，已經具備遠程專家高精度指導手術、對病灶區域進行輔助診斷的能力，越來越多的前沿技術開始應用於基因測序、細胞免疫療法、3D骨骼打印、實時機體檢測等領域。04
醫療行業數字化建設將逐漸從政策驅動向價值驅動演進。傳統為了滿足評級和政策檢查所建設的很多信息化系統，由於存在數據質量差、數據分散不互通等諸多問題，數字化效用難以有效發揮。但當下，在醫療支付體制改革的推動下，醫院在藥品控制、診療路徑控制、分級醫院體系構建等方面將進行主動改革，充分利用信息化手段提質增效，促進醫療服務體系變革發展。具體表現在:
智慧化:通過數字化技術解決複雜醫療臨床、科研及管理問題，或賦能醫生，提高診療能力。
線上化:從患者體驗出發，將部分業務線上化處理，增加醫患溝通渠道，便民利民。
數據驅動:採集、存儲、組織、整合、應用海量的人群健康數據，挖掘併發揮這些數據信息對於醫學研究、臨床實踐、醫保控費等醫療價值點的作用。
雲服務:基於互聯網技術，以雲服務的形式提供彈性的IT基礎設施，降低醫療機構建設成本、破除數據孤島、保障業務連續性。
1.4醫療體系發展趨勢
基於對宏觀經濟發展趨勢、醫療需求及供給以及新技術發展趨勢的分析，我們認為，醫療體系將在成本控制的基礎上 (緩解供給端支付壓力)，提高人群健康水平和患者體驗(滿足多樣化、多層次、個性化、動態化的需求)，實現以人為 本的整合型醫療衛生服務(合理分配供給資源，提供一致性醫療健康服務)，最終實現各國都在努力推進的醫療改革。 未來醫療體系發展的趨勢具體表現為:提高人群整體健康水平，實現人群健康管理;醫療生態圈各方有機配合，向人群提供整合式服務;以人為本，實現醫療、醫藥、醫保三醫融合;發展的“終局”將強調醫療價值。
醫療服務、醫療保障、藥品和醫療器械生產及流通體系都在不斷進行著深刻變革，演進過程將是一條符合國情、融合領先科技的路徑。因而，在走向“終局”之前，醫療體系將經歷一段從醫療“中局”向“終局”過渡的發展歷程。
醫療服務體系變革:
從關注診療向全生命週期健康管理進行轉換，包括預防、篩查、診斷、治療及康復，以通過醫聯體、醫共體等一體化服務提升全民健康水平，通過擴大早期預防和篩查的覆蓋減少老齡化趨勢下的診療壓力。
醫療資源和服務能力向基層下沉，增強基層醫療服務能力，由基層提供健康管理及慢病管理、體檢、疾病預防等基礎醫療服務，通過分級診療緩解資源匹配矛盾，改善患者醫療體驗。
供給端總量提升、注重提質增效，在公立醫院改革之餘，鼓勵民營資本參與、加強社會力量投入醫療健康服務。
醫療支付體系變革:
社會醫保明確管理目標、加強控費能力，提高醫療支付效率和投入產出效果，通過醫保帶動醫藥和醫療運營變革、理順激勵機制，逐步實現按價值付費。
商業保險發展提速，成為支付體系的關鍵力量，結合大數據和互聯互通能力提供保險創新模式，例如健康管理組織、藥品福利管理、單病種管理等。
醫藥生產及流通體系變革:
通過科技手段賦能，提供診療效果更好的醫藥產品，例如通過數據分析加速藥品研發及臨床試驗週期、基於真實世界數據進行藥品評價和上市後研究。
降低醫療成本，包括管理藥品及設備耗材的價格、變革流通和零售體系(如DTP藥房)。
1.5 AI在未來醫療體系中的價值
未來，醫療體系的參與方將整體為患者提供整合式服務，通過各方跨領域合作，優化醫療價值，形成一致的利益訴求。圍繞核心醫療生態體系，AI將發揮重要作用，通過提質增效、降本增益、模式創新，推動醫療體系各方的變革和提升。例如提升醫生水平和診療效率、大大降低優質醫療服務的價格、極大提升醫院運營能力、高效管理患者全生命週期醫療健康數據、為患者提供全場景主動式健康管理。
第二部分:面向未來的醫療健康生態體系及人工智能發展機會
2.1面向未來的醫療健康生態體系
醫療健康生態體系的核心目標是提升國民整體健康水平，將以服務量和盈利為目標轉向以患者健康為目標(Porter，2010)，以較低的成本獲得更好的健康結果、服務質量和病人安全(IOM，2010)。對於健康質量來說，包括技術和人性化兩方面(中國醫藥衛生體制改革聯合研究合作方，2016)，即診斷診療對改善健康結果的有益性以及醫療服務對患者的人性化關懷。因而，以人為本的整合型醫療衛生服務體系需要考慮以下三個關鍵因素:
人群健康:價值醫療關注的應該是醫療服務的健康成果和價值，而非服務數量。
患者體驗:醫生是在治療患者，而不是治療疾病。醫療服務應該同時考慮患者的服務體驗，以及對心理、生活、工作等全方面的影響。這也需要不同醫療機構進行整合，為患者提供一致性、一體化的高質量服務。
成本:醫療作為一種公共服務，在關注質量的同時也要考慮適當、公平和可負擔等因素，鑑於作為支付主體的財政和醫保資金都面臨壓力，需要思考如何管理醫療費用，以有限的成本獲得更高的質量。
2.1.1核心層
未來的醫療體制改革將更加重視以人為本，發展以數字化驅動的人群健康管理、一體化服務網絡和三醫融合的服務模式，使目標人群能在合適的時間、地點獲得有針對性、符合診療需求、不過度的醫療健康服務，實現無處不在的醫療、全生命週期關懷和精準醫療。06
從近中期來看，中國正在推動的分級診療也契合這一趨勢，核心舉措包括提升基層醫院的能力，在縣域內完成常見病、多發病診療，讓三級醫院專注提供急危重症和疑難複雜疾病的診療服務。建立雙向轉診制度，鼓勵基層檢查、上級診斷、遠程診斷等服務。同時加強基層醫療人群健康管理職能，重視疾病預防。
2.1.2主體層
醫療體系的主體參與者包括醫療服務提供方、藥品及醫療器械提供方、醫療支付和監管方。各參與方在改善人群健康、提升患者體驗、降低成本的共同目標下，圍繞核心業務流程，提供整合式服務，產生了不同表現形式的價值需求點。07
現階段，醫療健康大數據是割裂的，歸屬於不同的醫療健康參與者。未來醫療體系將形成打通的人群健康大數據平臺，形成對人群健康和醫療體系的“同一版本的真相”(one version of truth)，為AI發揮重要作用建立數據基礎。
2.1.3應用層
結合醫療生態體系價值點，AI技術將演化出豐富多彩的應用場景，滿足醫療服務、藥品和器械、支付和監管等不同參與方的需求，以促進實現“以人為本的整合型服務”。科技巨頭、行業巨頭、醫療信息化企業和AI技術企業紛紛涉足，突破創新層出不窮。詳見“2.2 基於醫療健康生態圈的醫療AI應用細分領域”
2.2基於醫療健康生態圈的醫療AI應用細分領域
AI在醫療行業的應用將以滿足核心人群和主體參與者的價值需求點為中心。08
（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
1.1宏觀發展趨勢及醫療需求的變化
衛生總費用增速當前已超GDP增速，未來隨著經濟增長進入新常態，GDP增速持續放緩，經濟增量支持的減少將給醫保基金支付帶來風險和壓力。2013- 2017年，中國衛生總費用的年均增速保持在11.5%-13.5%，預計2030-2035年間，增速仍將達7.5%。2017年，衛生總費用佔GDP的6.36%，2035年預期達到9%。同金磚國家或發展水平相當的中等收入國家(如印度、泰國、阿聯酋、馬來西亞)相比，我國衛生總費用佔GDP的比重已經較高，當下面臨較大的醫療負擔。發達國家如美國、英國、德國、日本2015年的衛生總費用佔比分別為16.8%、9.9%、11.2%、10.9%，同這些發達國家相比，我國的佔比還比較低，未來仍有較大的上行壓力(世界衛生統計，2018年)。
人口老齡化將是未來幾十年中國醫療健康需求總量持續攀升、集中爆發的直接原因。2018年，中國65歲以上人口已超1.6億，佔比達11.9%，是較早進入老齡社會的發展中國家之一。此外，老齡化速度增快，60歲以上人口占比到2050年或達35%。人口老齡化的影響之一是人群疾病譜結構將發生變化，例如慢病患病率將持續上升。我國已確診的慢病患病人數超3億，同時患病率以每年5.8% 的速度增長3。而根據全國衛生服務調查，65歲以上群體的慢性病患病率高達78.4%，是全部人口患病率的3.2倍，即老齡人口越多慢病人群基數越大。如今，慢病已成為健康的頭號威脅，佔到了中國77% 的健康生命年損失和85% 的死亡誘因，佔全部疾病負擔的60%以上。人口結構的變化帶來的第二個影響是診療以外的醫療健康需求的結構性增加，包括疾病預防和治療、健康監測和管理、養生和保健、臨終關懷等。以體檢為例，與美、日、德超70%的覆蓋率相比，我國的健康管理市場還有巨大的發展空間。伴隨著生活水平的提高，以及國家政策對家庭醫生、慢病防治、健康生活等方面的支持，越來越多的人群將主動參與健康管理。02
此外，在醫療健康消費升級趨勢下，人們對醫療健康的效果、品質、體驗等提出了更高的要求，醫療健康服務將更加註重個性化、人性化。當人均可支配收入超過某個“臨界點”，醫療健康消費會加速發展。中國的人均可支配收入持續快速增長，將成為醫療健康消費加速發展的新力量。表現為，我國近年來的人均醫療消費支出快速提升，過去碎片化、溝通不足、質量和體驗有待提升的醫療服務愈來愈不能滿足人們的需求。此外，根據羅蘭貝格行業分析，集中於公立醫院特需和國際部、私立醫院等醫療機構的體檢、眼科、口腔、美容、輔助生殖等領域的高端醫療需求人數與服務規模在不斷增長，需求人群已有3,000-5,000萬、市場規模超千億。未來，優化就醫流程、增加便捷性、改善候診就診及病房條件、提升醫護人員服務意識、提供精準醫療將是大勢所趨。
1.2醫療供給的變化
支付壓力大將是中國醫療體系面臨的挑戰之一。拆解我國衛生費用總支出構成，政府衛生支出佔28.3%，社會衛生支出佔43.0%，個人衛生支出佔28.7%。而WHO推薦的可以防止因病致貧的自付費用佔衛生總費用比例為20%，且2016年政府衛生支出佔財政支出的比重已達7.1%(接近全球10.6%的平均數水平)，財政支出壓力較大。政府應積極採取措施，提高衛生支出效率。
醫保基金呈現出支出增幅大於收入增幅的態勢。2018年，職工基本醫療保險基金收入增長8.7%，支出增長11.5%，城鄉居民基本醫療保險基金收入增長27.1%，支出增長28.9%8。伴隨著老齡化的趨勢，長此以往醫保基金將面臨較大的可持續壓力。目前，雖然三大基本醫療保險已基本實現全面覆蓋，但資金使用效率亟待提升，支出效率提升、醫保控費成為關鍵方向。過去，醫保缺乏有效的控費目標和手段，只是被動支付而沒有控制能力，藥品、耗材、檢查佔醫院收入比利較高，亟待降低。不過，隨著2018年3月國家醫療保障局成立，宣告將由統一機構管理三大醫保，同時加強三醫聯動，通過醫保撬動醫藥、醫療的規範化。擁有價格管理和招標採購職能的醫保局，將由支付方變為購買方，有利於藥事管理(PBM)、按病種付費(DRGs)、異地就醫等醫改舉措的大步推進。
同時，醫療供給面臨核心醫師資源總量不足、資源分佈不均衡、資源配置不合理等問題。從總量上看，醫療資源供給增長落後於需求增長。醫生資源缺口問題在影像科、病理科以及全科醫生方面尤為嚴重。目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率僅為4.1%，病理科醫生缺口達到10萬。我國全科醫生數約25 萬人，
佔醫生總數的7.37%。這一數字還遠遠達不到建立真正的全科醫生制度體系的需求(德國、法國、日本佔比均在20%以上，美國在12%以上)。由於醫生的培養週期很長，資源短缺問題短期內無法解決。
從分佈上看，醫療資源集中於三級醫院和發達地區，基層醫院醫療水平低、醫師資源少。從配置上看，由於三級醫院長期超負荷運轉，承擔了過多基礎診療工作，導致核心醫療資源無法發揮最大價值。供需結構不匹配導致了醫院運營效率低、誤診率高、醫療體驗差等諸多問題。03
1.3新技術的發展
在新一波技術發展浪潮中，以AI、邊緣計算、大數據、物聯網、5G等一系列技術為代表的“技術簇”正在為各行各業帶來新的技術架構、新的商業模式和新的發展理念。技術發展催生的行業數字化正在推動各行各業創新發展。
以醫院信息化發展為例，當前正在歷經第三次發展浪潮。2000年左右，在以服務收費為核心目標的基礎信息化推動下，HIS系統逐步鋪開。2013年左右，在電子病歷評級和互聯互通需求拉動下，醫院內分散的信息系統孤島(包括HIS、HRP、EMR、PACS、RIS、NIS、LIS等)開始走向集成化。自2018年開始，智能化發展進程加快，新技術在助力醫療體系從“已知的已知known-knowns”向“已知的未知known-unknowns”及“未知的已知un-known-knowns”乃至“未知的未知unknown-unknowns”方面進行逐步探索，依託於人工智能、大數據、邊緣計算和5G等技術，湧現出諸如CDSS、AI影像、互聯網醫療等智慧化應用。例如，領先廠商通過人工智能、虛擬現實、機器人、5G等技術的結合，已經具備遠程專家高精度指導手術、對病灶區域進行輔助診斷的能力，越來越多的前沿技術開始應用於基因測序、細胞免疫療法、3D骨骼打印、實時機體檢測等領域。04
醫療行業數字化建設將逐漸從政策驅動向價值驅動演進。傳統為了滿足評級和政策檢查所建設的很多信息化系統，由於存在數據質量差、數據分散不互通等諸多問題，數字化效用難以有效發揮。但當下，在醫療支付體制改革的推動下，醫院在藥品控制、診療路徑控制、分級醫院體系構建等方面將進行主動改革，充分利用信息化手段提質增效，促進醫療服務體系變革發展。具體表現在:
智慧化:通過數字化技術解決複雜醫療臨床、科研及管理問題，或賦能醫生，提高診療能力。
線上化:從患者體驗出發，將部分業務線上化處理，增加醫患溝通渠道，便民利民。
數據驅動:採集、存儲、組織、整合、應用海量的人群健康數據，挖掘併發揮這些數據信息對於醫學研究、臨床實踐、醫保控費等醫療價值點的作用。
雲服務:基於互聯網技術，以雲服務的形式提供彈性的IT基礎設施，降低醫療機構建設成本、破除數據孤島、保障業務連續性。
1.4醫療體系發展趨勢
基於對宏觀經濟發展趨勢、醫療需求及供給以及新技術發展趨勢的分析，我們認為，醫療體系將在成本控制的基礎上 (緩解供給端支付壓力)，提高人群健康水平和患者體驗(滿足多樣化、多層次、個性化、動態化的需求)，實現以人為 本的整合型醫療衛生服務(合理分配供給資源，提供一致性醫療健康服務)，最終實現各國都在努力推進的醫療改革。 未來醫療體系發展的趨勢具體表現為:提高人群整體健康水平，實現人群健康管理;醫療生態圈各方有機配合，向人群提供整合式服務;以人為本，實現醫療、醫藥、醫保三醫融合;發展的“終局”將強調醫療價值。
醫療服務、醫療保障、藥品和醫療器械生產及流通體系都在不斷進行著深刻變革，演進過程將是一條符合國情、融合領先科技的路徑。因而，在走向“終局”之前，醫療體系將經歷一段從醫療“中局”向“終局”過渡的發展歷程。
醫療服務體系變革:
從關注診療向全生命週期健康管理進行轉換，包括預防、篩查、診斷、治療及康復，以通過醫聯體、醫共體等一體化服務提升全民健康水平，通過擴大早期預防和篩查的覆蓋減少老齡化趨勢下的診療壓力。
醫療資源和服務能力向基層下沉，增強基層醫療服務能力，由基層提供健康管理及慢病管理、體檢、疾病預防等基礎醫療服務，通過分級診療緩解資源匹配矛盾，改善患者醫療體驗。
供給端總量提升、注重提質增效，在公立醫院改革之餘，鼓勵民營資本參與、加強社會力量投入醫療健康服務。
醫療支付體系變革:
社會醫保明確管理目標、加強控費能力，提高醫療支付效率和投入產出效果，通過醫保帶動醫藥和醫療運營變革、理順激勵機制，逐步實現按價值付費。
商業保險發展提速，成為支付體系的關鍵力量，結合大數據和互聯互通能力提供保險創新模式，例如健康管理組織、藥品福利管理、單病種管理等。
醫藥生產及流通體系變革:
通過科技手段賦能，提供診療效果更好的醫藥產品，例如通過數據分析加速藥品研發及臨床試驗週期、基於真實世界數據進行藥品評價和上市後研究。
降低醫療成本，包括管理藥品及設備耗材的價格、變革流通和零售體系(如DTP藥房)。
1.5 AI在未來醫療體系中的價值
未來，醫療體系的參與方將整體為患者提供整合式服務，通過各方跨領域合作，優化醫療價值，形成一致的利益訴求。圍繞核心醫療生態體系，AI將發揮重要作用，通過提質增效、降本增益、模式創新，推動醫療體系各方的變革和提升。例如提升醫生水平和診療效率、大大降低優質醫療服務的價格、極大提升醫院運營能力、高效管理患者全生命週期醫療健康數據、為患者提供全場景主動式健康管理。
第二部分:面向未來的醫療健康生態體系及人工智能發展機會
2.1面向未來的醫療健康生態體系
醫療健康生態體系的核心目標是提升國民整體健康水平，將以服務量和盈利為目標轉向以患者健康為目標(Porter，2010)，以較低的成本獲得更好的健康結果、服務質量和病人安全(IOM，2010)。對於健康質量來說，包括技術和人性化兩方面(中國醫藥衛生體制改革聯合研究合作方，2016)，即診斷診療對改善健康結果的有益性以及醫療服務對患者的人性化關懷。因而，以人為本的整合型醫療衛生服務體系需要考慮以下三個關鍵因素:
人群健康:價值醫療關注的應該是醫療服務的健康成果和價值，而非服務數量。
患者體驗:醫生是在治療患者，而不是治療疾病。醫療服務應該同時考慮患者的服務體驗，以及對心理、生活、工作等全方面的影響。這也需要不同醫療機構進行整合，為患者提供一致性、一體化的高質量服務。
成本:醫療作為一種公共服務，在關注質量的同時也要考慮適當、公平和可負擔等因素，鑑於作為支付主體的財政和醫保資金都面臨壓力，需要思考如何管理醫療費用，以有限的成本獲得更高的質量。
2.1.1核心層
未來的醫療體制改革將更加重視以人為本，發展以數字化驅動的人群健康管理、一體化服務網絡和三醫融合的服務模式，使目標人群能在合適的時間、地點獲得有針對性、符合診療需求、不過度的醫療健康服務，實現無處不在的醫療、全生命週期關懷和精準醫療。06
從近中期來看，中國正在推動的分級診療也契合這一趨勢，核心舉措包括提升基層醫院的能力，在縣域內完成常見病、多發病診療，讓三級醫院專注提供急危重症和疑難複雜疾病的診療服務。建立雙向轉診制度，鼓勵基層檢查、上級診斷、遠程診斷等服務。同時加強基層醫療人群健康管理職能，重視疾病預防。
2.1.2主體層
醫療體系的主體參與者包括醫療服務提供方、藥品及醫療器械提供方、醫療支付和監管方。各參與方在改善人群健康、提升患者體驗、降低成本的共同目標下，圍繞核心業務流程，提供整合式服務，產生了不同表現形式的價值需求點。07
現階段，醫療健康大數據是割裂的，歸屬於不同的醫療健康參與者。未來醫療體系將形成打通的人群健康大數據平臺，形成對人群健康和醫療體系的“同一版本的真相”(one version of truth)，為AI發揮重要作用建立數據基礎。
2.1.3應用層
結合醫療生態體系價值點，AI技術將演化出豐富多彩的應用場景，滿足醫療服務、藥品和器械、支付和監管等不同參與方的需求，以促進實現“以人為本的整合型服務”。科技巨頭、行業巨頭、醫療信息化企業和AI技術企業紛紛涉足，突破創新層出不窮。詳見“2.2 基於醫療健康生態圈的醫療AI應用細分領域”
2.2基於醫療健康生態圈的醫療AI應用細分領域
AI在醫療行業的應用將以滿足核心人群和主體參與者的價值需求點為中心。08
2.2.1醫療服務提供方
醫療服務提供方包括各級綜合醫院、專科醫院、社區衛生服務中心、鄉鎮衛生院以及連鎖診所和近年興起的民營醫院等醫療衛生機構，他們是在診前、診中、診後整個流程為人群健康服務的主體。將以人為本的價值醫療作為最終發展方向，針對當前醫師資源不足、基層醫療服務能力較低等醫療現狀，與分級診療、按病種付費、醫聯體/醫共體、家庭醫生等改革舉措相結合，AI對於賦能醫院大有可為。未來，醫院的服務邊界將由線下拓展到線上線下一體化，醫療服務將由當前的疾病治療拓展到未來的主動式健康管理，助推各級醫院提供一致的、精準的、體驗良好的健康服務，真正實現無處不在、全生命週期的醫療服務體系。09
AI與醫療的結合能夠產出多方面價值，包括改善健康結果、提高服務質量、提升患者體驗、節約醫療成本、強化醫院運營管理等，在各個環節演化出豐富的應用場景(參閱圖9)。
（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
1.1宏觀發展趨勢及醫療需求的變化
衛生總費用增速當前已超GDP增速，未來隨著經濟增長進入新常態，GDP增速持續放緩，經濟增量支持的減少將給醫保基金支付帶來風險和壓力。2013- 2017年，中國衛生總費用的年均增速保持在11.5%-13.5%，預計2030-2035年間，增速仍將達7.5%。2017年，衛生總費用佔GDP的6.36%，2035年預期達到9%。同金磚國家或發展水平相當的中等收入國家(如印度、泰國、阿聯酋、馬來西亞)相比，我國衛生總費用佔GDP的比重已經較高，當下面臨較大的醫療負擔。發達國家如美國、英國、德國、日本2015年的衛生總費用佔比分別為16.8%、9.9%、11.2%、10.9%，同這些發達國家相比，我國的佔比還比較低，未來仍有較大的上行壓力(世界衛生統計，2018年)。
人口老齡化將是未來幾十年中國醫療健康需求總量持續攀升、集中爆發的直接原因。2018年，中國65歲以上人口已超1.6億，佔比達11.9%，是較早進入老齡社會的發展中國家之一。此外，老齡化速度增快，60歲以上人口占比到2050年或達35%。人口老齡化的影響之一是人群疾病譜結構將發生變化，例如慢病患病率將持續上升。我國已確診的慢病患病人數超3億，同時患病率以每年5.8% 的速度增長3。而根據全國衛生服務調查，65歲以上群體的慢性病患病率高達78.4%，是全部人口患病率的3.2倍，即老齡人口越多慢病人群基數越大。如今，慢病已成為健康的頭號威脅，佔到了中國77% 的健康生命年損失和85% 的死亡誘因，佔全部疾病負擔的60%以上。人口結構的變化帶來的第二個影響是診療以外的醫療健康需求的結構性增加，包括疾病預防和治療、健康監測和管理、養生和保健、臨終關懷等。以體檢為例，與美、日、德超70%的覆蓋率相比，我國的健康管理市場還有巨大的發展空間。伴隨著生活水平的提高，以及國家政策對家庭醫生、慢病防治、健康生活等方面的支持，越來越多的人群將主動參與健康管理。02
此外，在醫療健康消費升級趨勢下，人們對醫療健康的效果、品質、體驗等提出了更高的要求，醫療健康服務將更加註重個性化、人性化。當人均可支配收入超過某個“臨界點”，醫療健康消費會加速發展。中國的人均可支配收入持續快速增長，將成為醫療健康消費加速發展的新力量。表現為，我國近年來的人均醫療消費支出快速提升，過去碎片化、溝通不足、質量和體驗有待提升的醫療服務愈來愈不能滿足人們的需求。此外，根據羅蘭貝格行業分析，集中於公立醫院特需和國際部、私立醫院等醫療機構的體檢、眼科、口腔、美容、輔助生殖等領域的高端醫療需求人數與服務規模在不斷增長，需求人群已有3,000-5,000萬、市場規模超千億。未來，優化就醫流程、增加便捷性、改善候診就診及病房條件、提升醫護人員服務意識、提供精準醫療將是大勢所趨。
1.2醫療供給的變化
支付壓力大將是中國醫療體系面臨的挑戰之一。拆解我國衛生費用總支出構成，政府衛生支出佔28.3%，社會衛生支出佔43.0%，個人衛生支出佔28.7%。而WHO推薦的可以防止因病致貧的自付費用佔衛生總費用比例為20%，且2016年政府衛生支出佔財政支出的比重已達7.1%(接近全球10.6%的平均數水平)，財政支出壓力較大。政府應積極採取措施，提高衛生支出效率。
醫保基金呈現出支出增幅大於收入增幅的態勢。2018年，職工基本醫療保險基金收入增長8.7%，支出增長11.5%，城鄉居民基本醫療保險基金收入增長27.1%，支出增長28.9%8。伴隨著老齡化的趨勢，長此以往醫保基金將面臨較大的可持續壓力。目前，雖然三大基本醫療保險已基本實現全面覆蓋，但資金使用效率亟待提升，支出效率提升、醫保控費成為關鍵方向。過去，醫保缺乏有效的控費目標和手段，只是被動支付而沒有控制能力，藥品、耗材、檢查佔醫院收入比利較高，亟待降低。不過，隨著2018年3月國家醫療保障局成立，宣告將由統一機構管理三大醫保，同時加強三醫聯動，通過醫保撬動醫藥、醫療的規範化。擁有價格管理和招標採購職能的醫保局，將由支付方變為購買方，有利於藥事管理(PBM)、按病種付費(DRGs)、異地就醫等醫改舉措的大步推進。
同時，醫療供給面臨核心醫師資源總量不足、資源分佈不均衡、資源配置不合理等問題。從總量上看，醫療資源供給增長落後於需求增長。醫生資源缺口問題在影像科、病理科以及全科醫生方面尤為嚴重。目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率僅為4.1%，病理科醫生缺口達到10萬。我國全科醫生數約25 萬人，
佔醫生總數的7.37%。這一數字還遠遠達不到建立真正的全科醫生制度體系的需求(德國、法國、日本佔比均在20%以上，美國在12%以上)。由於醫生的培養週期很長，資源短缺問題短期內無法解決。
從分佈上看，醫療資源集中於三級醫院和發達地區，基層醫院醫療水平低、醫師資源少。從配置上看，由於三級醫院長期超負荷運轉，承擔了過多基礎診療工作，導致核心醫療資源無法發揮最大價值。供需結構不匹配導致了醫院運營效率低、誤診率高、醫療體驗差等諸多問題。03
1.3新技術的發展
在新一波技術發展浪潮中，以AI、邊緣計算、大數據、物聯網、5G等一系列技術為代表的“技術簇”正在為各行各業帶來新的技術架構、新的商業模式和新的發展理念。技術發展催生的行業數字化正在推動各行各業創新發展。
以醫院信息化發展為例，當前正在歷經第三次發展浪潮。2000年左右，在以服務收費為核心目標的基礎信息化推動下，HIS系統逐步鋪開。2013年左右，在電子病歷評級和互聯互通需求拉動下，醫院內分散的信息系統孤島(包括HIS、HRP、EMR、PACS、RIS、NIS、LIS等)開始走向集成化。自2018年開始，智能化發展進程加快，新技術在助力醫療體系從“已知的已知known-knowns”向“已知的未知known-unknowns”及“未知的已知un-known-knowns”乃至“未知的未知unknown-unknowns”方面進行逐步探索，依託於人工智能、大數據、邊緣計算和5G等技術，湧現出諸如CDSS、AI影像、互聯網醫療等智慧化應用。例如，領先廠商通過人工智能、虛擬現實、機器人、5G等技術的結合，已經具備遠程專家高精度指導手術、對病灶區域進行輔助診斷的能力，越來越多的前沿技術開始應用於基因測序、細胞免疫療法、3D骨骼打印、實時機體檢測等領域。04
醫療行業數字化建設將逐漸從政策驅動向價值驅動演進。傳統為了滿足評級和政策檢查所建設的很多信息化系統，由於存在數據質量差、數據分散不互通等諸多問題，數字化效用難以有效發揮。但當下，在醫療支付體制改革的推動下，醫院在藥品控制、診療路徑控制、分級醫院體系構建等方面將進行主動改革，充分利用信息化手段提質增效，促進醫療服務體系變革發展。具體表現在:
智慧化:通過數字化技術解決複雜醫療臨床、科研及管理問題，或賦能醫生，提高診療能力。
線上化:從患者體驗出發，將部分業務線上化處理，增加醫患溝通渠道，便民利民。
數據驅動:採集、存儲、組織、整合、應用海量的人群健康數據，挖掘併發揮這些數據信息對於醫學研究、臨床實踐、醫保控費等醫療價值點的作用。
雲服務:基於互聯網技術，以雲服務的形式提供彈性的IT基礎設施，降低醫療機構建設成本、破除數據孤島、保障業務連續性。
1.4醫療體系發展趨勢
基於對宏觀經濟發展趨勢、醫療需求及供給以及新技術發展趨勢的分析，我們認為，醫療體系將在成本控制的基礎上 (緩解供給端支付壓力)，提高人群健康水平和患者體驗(滿足多樣化、多層次、個性化、動態化的需求)，實現以人為 本的整合型醫療衛生服務(合理分配供給資源，提供一致性醫療健康服務)，最終實現各國都在努力推進的醫療改革。 未來醫療體系發展的趨勢具體表現為:提高人群整體健康水平，實現人群健康管理;醫療生態圈各方有機配合，向人群提供整合式服務;以人為本，實現醫療、醫藥、醫保三醫融合;發展的“終局”將強調醫療價值。
醫療服務、醫療保障、藥品和醫療器械生產及流通體系都在不斷進行著深刻變革，演進過程將是一條符合國情、融合領先科技的路徑。因而，在走向“終局”之前，醫療體系將經歷一段從醫療“中局”向“終局”過渡的發展歷程。
醫療服務體系變革:
從關注診療向全生命週期健康管理進行轉換，包括預防、篩查、診斷、治療及康復，以通過醫聯體、醫共體等一體化服務提升全民健康水平，通過擴大早期預防和篩查的覆蓋減少老齡化趨勢下的診療壓力。
醫療資源和服務能力向基層下沉，增強基層醫療服務能力，由基層提供健康管理及慢病管理、體檢、疾病預防等基礎醫療服務，通過分級診療緩解資源匹配矛盾，改善患者醫療體驗。
供給端總量提升、注重提質增效，在公立醫院改革之餘，鼓勵民營資本參與、加強社會力量投入醫療健康服務。
醫療支付體系變革:
社會醫保明確管理目標、加強控費能力，提高醫療支付效率和投入產出效果，通過醫保帶動醫藥和醫療運營變革、理順激勵機制，逐步實現按價值付費。
商業保險發展提速，成為支付體系的關鍵力量，結合大數據和互聯互通能力提供保險創新模式，例如健康管理組織、藥品福利管理、單病種管理等。
醫藥生產及流通體系變革:
通過科技手段賦能，提供診療效果更好的醫藥產品，例如通過數據分析加速藥品研發及臨床試驗週期、基於真實世界數據進行藥品評價和上市後研究。
降低醫療成本，包括管理藥品及設備耗材的價格、變革流通和零售體系(如DTP藥房)。
1.5 AI在未來醫療體系中的價值
未來，醫療體系的參與方將整體為患者提供整合式服務，通過各方跨領域合作，優化醫療價值，形成一致的利益訴求。圍繞核心醫療生態體系，AI將發揮重要作用，通過提質增效、降本增益、模式創新，推動醫療體系各方的變革和提升。例如提升醫生水平和診療效率、大大降低優質醫療服務的價格、極大提升醫院運營能力、高效管理患者全生命週期醫療健康數據、為患者提供全場景主動式健康管理。
第二部分:面向未來的醫療健康生態體系及人工智能發展機會
2.1面向未來的醫療健康生態體系
醫療健康生態體系的核心目標是提升國民整體健康水平，將以服務量和盈利為目標轉向以患者健康為目標(Porter，2010)，以較低的成本獲得更好的健康結果、服務質量和病人安全(IOM，2010)。對於健康質量來說，包括技術和人性化兩方面(中國醫藥衛生體制改革聯合研究合作方，2016)，即診斷診療對改善健康結果的有益性以及醫療服務對患者的人性化關懷。因而，以人為本的整合型醫療衛生服務體系需要考慮以下三個關鍵因素:
人群健康:價值醫療關注的應該是醫療服務的健康成果和價值，而非服務數量。
患者體驗:醫生是在治療患者，而不是治療疾病。醫療服務應該同時考慮患者的服務體驗，以及對心理、生活、工作等全方面的影響。這也需要不同醫療機構進行整合，為患者提供一致性、一體化的高質量服務。
成本:醫療作為一種公共服務，在關注質量的同時也要考慮適當、公平和可負擔等因素，鑑於作為支付主體的財政和醫保資金都面臨壓力，需要思考如何管理醫療費用，以有限的成本獲得更高的質量。
2.1.1核心層
未來的醫療體制改革將更加重視以人為本，發展以數字化驅動的人群健康管理、一體化服務網絡和三醫融合的服務模式，使目標人群能在合適的時間、地點獲得有針對性、符合診療需求、不過度的醫療健康服務，實現無處不在的醫療、全生命週期關懷和精準醫療。06
從近中期來看，中國正在推動的分級診療也契合這一趨勢，核心舉措包括提升基層醫院的能力，在縣域內完成常見病、多發病診療，讓三級醫院專注提供急危重症和疑難複雜疾病的診療服務。建立雙向轉診制度，鼓勵基層檢查、上級診斷、遠程診斷等服務。同時加強基層醫療人群健康管理職能，重視疾病預防。
2.1.2主體層
醫療體系的主體參與者包括醫療服務提供方、藥品及醫療器械提供方、醫療支付和監管方。各參與方在改善人群健康、提升患者體驗、降低成本的共同目標下，圍繞核心業務流程，提供整合式服務，產生了不同表現形式的價值需求點。07
現階段，醫療健康大數據是割裂的，歸屬於不同的醫療健康參與者。未來醫療體系將形成打通的人群健康大數據平臺，形成對人群健康和醫療體系的“同一版本的真相”(one version of truth)，為AI發揮重要作用建立數據基礎。
2.1.3應用層
結合醫療生態體系價值點，AI技術將演化出豐富多彩的應用場景，滿足醫療服務、藥品和器械、支付和監管等不同參與方的需求，以促進實現“以人為本的整合型服務”。科技巨頭、行業巨頭、醫療信息化企業和AI技術企業紛紛涉足，突破創新層出不窮。詳見“2.2 基於醫療健康生態圈的醫療AI應用細分領域”
2.2基於醫療健康生態圈的醫療AI應用細分領域
AI在醫療行業的應用將以滿足核心人群和主體參與者的價值需求點為中心。08
2.2.1醫療服務提供方
醫療服務提供方包括各級綜合醫院、專科醫院、社區衛生服務中心、鄉鎮衛生院以及連鎖診所和近年興起的民營醫院等醫療衛生機構，他們是在診前、診中、診後整個流程為人群健康服務的主體。將以人為本的價值醫療作為最終發展方向，針對當前醫師資源不足、基層醫療服務能力較低等醫療現狀，與分級診療、按病種付費、醫聯體/醫共體、家庭醫生等改革舉措相結合，AI對於賦能醫院大有可為。未來，醫院的服務邊界將由線下拓展到線上線下一體化，醫療服務將由當前的疾病治療拓展到未來的主動式健康管理，助推各級醫院提供一致的、精準的、體驗良好的健康服務，真正實現無處不在、全生命週期的醫療服務體系。09
AI與醫療的結合能夠產出多方面價值，包括改善健康結果、提高服務質量、提升患者體驗、節約醫療成本、強化醫院運營管理等，在各個環節演化出豐富的應用場景(參閱圖9)。
2.2.1.1 AI醫學影像
人工智能將極大提升醫學影像用於疾病篩查和臨床診斷的能力。醫學影像已成為重要的臨床診斷方法，然而影像科和放療科醫生供給不足、工作量大，因而誤診/漏診率較高。受限於醫師讀片速度，診斷耗費時間長，以胸部CT閱片為例，傳統方法需半小時，AI只需要幾秒。AI可大批量、快速處理圖像數據，提供疾病篩查和輔助診斷功能，醫師只需對結果進行復核。
AI醫學影像是計算機視覺技術在醫療領域的重要應用，能大幅增強圖像分割、特徵提取、定量分析、對比分析等能力，可實現病灶識別與標註、病灶性質判斷、靶區自動勾畫、影像三維重建、影像分類和檢索等功能。具體應用領域包括眼底篩查、X線胸片閱片、腦區分割、腦疾病診斷、骨傷鑑定、骨齡分析、器官勾畫、病理切片分析、皮膚病輔助診斷等各類應用影像數據作為診療手段的疾病領域。
AI醫學影像是當前醫療人工智能最為成熟的應用場景。以眼科為例，目前基於眼底照的AI算法對於眼底疾病、視神經疾病的診斷已經接近人類醫師的水準。AI醫學影像若能結合診斷分級系統，正確引導不同疾病程度的患者到對應的醫療機構就診，則能夠有效解決篩查需求與現有眼科醫師數量嚴重不匹配的問題，極大地拓寬眼病篩查人群的覆蓋範圍。2018年，美國食品藥品監督管理局(FDA)已批准了世界上首款使用人工智能檢測糖尿病患者視網膜病變的二類醫療設備IDx-DR上市。
目前，國內外有上百家企業具備相關的產品或算法，包括:1)百度、Google等科技巨頭。科技巨頭資金雄厚、能長期佈局和投資，AI技術和人才實力有積累，並能結合雲平臺提供服務，最容易形成全疾病範圍、多區域覆蓋、平臺式的產品服務。2)推想科技、依圖醫療等AI創企。AI創企對市場反應靈活，部分廠商在某些影像領域佈局較早，通過與醫院進行科研合作、集成進醫院信息化廠商軟件等形式，形成了一定數據和算法壁壘。3)GE、Phillips、聯影等影像設備企業。影像設備企業可依靠現有的影像設備加入AI算法切入醫療機構，易在自有體系內形成一致性的標準和連接。
AI影像產品主要有軟件和軟硬件一體化兩種形態。AI算法可接入醫院信息系統或醫療設備，表現為篩查系統、分析軟件、檢測診斷平臺等，也可將算法軟件集成到專業設備中，拍片後直接生成分析報告，例如眼底篩查相關一體化解決方案。然而，市場上大部分產品同質化嚴重，集中在糖網、肺結節等領域。若只基於通用算法和開放數據集訓練，難以形成產品核心競爭力。領先者將是能實現數據精雕、滿足泛化適應需求和有針對性優化算法的企業。為增強算法的魯棒性、安全性、易用性，產品需要獲取高質量數據並對數據標註精雕細琢，還需對不同影像設備的影像數據有良好的適應性，以及在算法和技術層面針對小樣本、多模態、分佈式樣本進行優化。例如，至真智能篩查眼底相機，是集眼底照相和疾病篩查於一體的便攜式醫用相機，可以完成全自動標準眼底圖採集及雲端AI眼底圖像病灶分析，在河北省某社區衛生服務站，通過項目1個月的運行，已服務近四百人次，識別出四十餘例眼底病變高風險案例，體現出利用AI提升基層診療水平的能力。
從落地應用來看，AI醫學影像可在體檢中心、基層衛生機構、第三方醫學影像中心等醫療服務機構用於疾病篩查。一方面將有效提高篩查的精準度，大幅度減少誤診、漏診，對於醫生診斷能力不足的基層醫院而言，有助於形成基層初篩、上級診斷的分級診療形態，為患者提供一致的、高水平的整體診療服務。以百度旗下的人工智能醫療品牌靈醫智惠打造的眼底影像分析系統為例，聯合權威眼科專家構建AI眼底彩照標註企業標準，引入超過20家三級以上醫院中高年資臨床醫生對50萬例眼底數據的多重交叉標註，獲取了權威的醫療精標數據。已經具備糖尿病視網膜病變、青光眼、老年黃斑病變等三種主要致盲疾病的分析能力，準確率接近三甲醫院醫生能力。2018年，靈醫智惠攜手中山大學中山眼科中心開展“AI眼底影像分析系統科研合作項目”，將AI眼底影像分析能力植入廣東肇慶多個基層醫院，截至今年5月已經幫助557名基層群眾發現眼疾風險。
另一方面在院內輔助環節，AI能節約醫生的時間，將其從低附加值、重複性勞動中解放出來，提升診斷、放療、手術的效率。並且，結合雲平臺的支持，可系統性降低醫院成本、提高診療效果、改善就診體驗。AI可以提供一些參數的定量測量和對比，包括結合患者歷史數據進行縱向對比分析，以及與標準情況、其他患者數據進行橫向對比分析，輔助醫生結合臨床經驗進行判斷。在河南某縣人民醫院和北京醫準智能科技有限公司的合作中，肺結節智能輔助檢測系統被應用於肺癌早期篩查項目中，病灶檢出率高達99%，覆蓋各類型微小結節、小結節、結節及腫塊，並可針對每例病灶給出較高準確率的良惡性分析，極大提高了科室診斷效率及準確率。在項目期間，識別出高度疑似肺癌患者7 人，已經接受活檢或手術確診4人。
儘管產品形態和算法已經較為成熟，然而當前由於監管方面的困難，AI影像產品的商業化落地模式尚不清晰。在Vi- sion China人機大戰中，在AI輔助下的低年資眼科醫生的診斷準確率和效率與高年資眼科醫生相比已經不分伯仲。圖瑪深維、深睿醫療、雅森科技等公司的產品已獲得了二類醫療器械認證，其產品應用僅限用於病灶檢出、異常徵象識別，再由醫生確認病症，暫不可用於診斷領域。目前尚未有一款AI影像產品獲得三類器械認證，因此，不能開展自主診斷，侷限了其應用場景。預計首批三類器械證將在2020年左右發放，為醫學影像市場發展注入強心劑。
監管主要瓶頸在於AI不同於傳統的計算機輔助系統，其具有自學習和快速迭代的特性，推理過程也不完全透明，需要通過有效手段明確其是否能產生一致的、穩健的、可靠的結論。解決的思路包括:1)建立標準化數據集以驗證其有效性和魯棒性;2)提前明確算法未來在數據源、功能、結論變化的可能性和潛在方向;3)在臨床應用過程中建立合適的產品性能監測和註冊變更審批流程;4)針對不同的疾病情況(不同病症、不同嚴重程度)和算法功能(篩查、輔助診斷、治療)，採取相適應、有區別的器械分類標準、評價體系和審批監管標準。
在標準化數據集和監管標準制定方面，需要監管方、醫療機構和AI企業通力合作。由於我國各地醫療信息化水平不一，影像數據標準不一、質量參差不齊，數據合作推動艱難，數據質量有待提升。數據的標註質量也是重要影響因素。全面、方法和標準統一、過程受監管的標註，才能保證產出合格的高質量訓練集。針對以上問題，諸多AI廠商已經在積極參與中國及國際標準制定，以期共同推動標準的前進。例如，2019年年初，靈醫智惠作為牽頭單位，向世界衛生組織和國際電信聯盟成立的健康醫療人工智能焦點組(FG AI4H)遞交了眼底影像和臨床輔助決策系統等2項標準提案，獲得了組織方的高度認同。靈醫智惠攜手國內權威眼科專家共同制定國內首個AI眼底彩照標註企業標準，並且探索更大範圍的合作，推動其成為團體標準。
當然，AI監管放行只是一個發令槍，槍響之後行業從初生到蓬勃還有很長的路要走。首先，收費模式及收費來源尚不清晰，從收取軟件實施費到真正體現AI作用的檢查服務收費模式需要得到醫院、醫保、物價等多方面的共同認可。其次，醫生對AI產品的態度十分關鍵，需要時間來促成其對AI的信任。此外，當前AI主要為滿足醫技科室需求，從醫技科室走向臨床科室，仍然需要很長的路要走。在產品方面，一方面將突破更多的疾病領域、形成全病種複合系統，形成更精準的篩查和診斷，另一方面會結合更多的臨床實際情況，並針對小樣本進行算法優化、拓寬病情預測等應用。在推廣方面，AI醫學影像將通過區域影像中心、體檢中心、“基層篩查，上級診斷”等形式惠及基層。
2.2.1.2 AI輔助診斷
人工智能應用於輔助診斷(CDSS)是未來的發展方向。醫學的不斷髮展促進其專業劃分越來越細，這導致臨床醫生對自己專業範圍外的疾病領域知識掌握有限。然而，臨床真實環境中的疾病情況通常是多學科多領域的複雜情景，需要臨床醫生具備綜合診斷能力。並且，中國當前的醫療服務體系下，基層衛生機構的醫師資源不足、經驗不足、診療能力有待加強。人工智能對解決這些問題提供了極大的幫助，能提供綜合診斷能力，從而提高醫療質量。此外，電子病歷評級、互聯互通測評等政策也成為CDSS加速落地的重要推動力。
與早期的基於專家知識庫的系統不同，AI輔助診斷提供的是決策支持，而非簡單的信息支持。AI 不依賴於事先定義好的規則，能夠保證證據更新的時效性、快速智能地處理臨床數據和醫生反饋，拓寬查詢以外的應用場景。其思辨能力甚至能在一定程度上彌補臨床醫生醫學知識的侷限性，幫助其作出恰當診斷決策，改善臨床結果。
AI輔助診斷一般的模式為“理解病症—評定醫學證據—選擇治療方案”三個步驟。利用自然語言處理、認知計算、自動推理、機器學習、信息檢索等技術，人工智能可以獲取患者病症，模擬醫生的診斷推理能力，為醫生疾病診斷與制定治療方案提供輔助。第一步，病症的獲取包括患者自述、醫生檢查、化驗結果分析等，系統會提取其中關鍵的特徵並結合患者的歷史健康信息，通過自然語言處理讀取和理解病歷。在過程中，AI可以基於分析要求患者或醫生提供某方面的病症補充，或提示需做的檢查、鑑別要點。第二步，AI 結合從文獻、診療標準、臨床指南和臨床經驗等數據積累中學習的知識，通過知識圖譜和推理假設將獲取的病症信息聯繫起來，形成可能的結論、置信度及證據，生成診斷結論和治療方案建議。第三步，在權衡療效、副作用、疾病轉移及其他因素之後，在當前階段由醫生最終形成診斷。
作為“醫療+AI”的一個典型應用場景，諸多廠商都在從不同的能力建設路徑和切入角度探索智能輔助診斷系統。1)科技企業(如百度)從建立醫療知識圖譜和認知計算能力方面切入，構建能夠讀懂數據、循證推理的診療助手，從數據到決策的技術架構相對完整。2)專業CDSS企業有一定的臨床知識積澱，如惠每引入來自梅奧的臨床指南和知識體系，再進行國內臨床驗證調整。3)醫療大數據企業(如醫渡雲、零氪科技)以參與數據結構化幫助醫院提升數據管理質量的方式切入，積累臨床訓練集形成大數據平臺和專病庫，從而夯實CDSS能力的基礎。4)傳統HIS廠商(如東華、東軟、衛寧)通過幫助醫院部署電子病歷評級產品，形成全科病歷數據能力基礎，切入合理用藥、質量管理等近似診斷功能系統。5)醫學專業出版行業通過轉型知識服務商，為醫院提供知識服務。傳統出版行業(如人衛社)對出版資源進行數字化、結構化形成知識庫，與CDSS產品進行對接，為用戶提供知識查詢、知識提示、相似病例提示等服務。同時，結構化的知識也是各CDSS構建知識圖譜的基礎。
在產品方面，服務於不同的目的和場景，CDSS有不同的形態和功能。在具體的醫療環節中，除了腫瘤、血液、骨科、神經科等各類疾病的輔助決策、診斷推薦系統外，在檢查項目推薦、臨床異常檢查、合理用藥、手術規劃、臨床質量管理、醫療知識檢索、相似病歷檢索等方面，CDSS也有所應用。早期，醫療機構參與信息化評級是CDSS落地的關鍵驅動因素，根據我國的《電子病歷系統功能應用水平分級評價方法及標準》，從第3級開始就要具備初級的醫療決策支持能力。現階段，解決診療過程的一致性和規範性問題是CDSS的重要應用價值，包括為響應國家提高基層醫生水平的號召而提供全科輔助、為規範臨床診療行為而開展單病種過程質量控制、針對病歷質量的評估和管理。在某些專業病種方面，產品能夠提供包括疾病分級、用藥、禁忌症提示等方面的診療建議。
對於基層醫院來說，缺乏高質量的全科診療能力是導致基層首診和分級診療制度難以建立的核心原因之一。AI輔助診斷能夠有效減少醫生的誤診、漏診情況，提高醫療質量和安全，控制費用成本。例如，靈醫智惠CDSS能夠覆蓋27個標準科室，具備超4000種疾病的推斷能力，作為基礎診療助手可以避免誤診、漏診，提供經典治療參考，在實踐過程中，通過醫學專家與計算機知識工程專家合作構建的專業的醫學本體，不僅包含傳統的實體、概念、屬性、關係的表示，還引入了規則、函數的超越三元組的知識表示，從而為醫學複雜形態的知識提供強大的表達及可計算能力。目前在13個省市落地數百家醫療機構，服務上萬名醫生。
對於三級醫院來說，AI更多承擔質量管理和輔助助手的角色。一方面AI不受到醫生主觀認知疏漏或偏見的影響，可推動診斷更規範合理。例如惠每在首都醫科大學宣武醫院上線了針對急性腦梗死的單病種質控系統，實現疾病診療過程質控以及質控數據的自動統計和明細查找。另一方面在專科疾病的治療方面，AI能夠提供有力支持。例如醫渡雲在與中國人民解放軍總醫院第五醫學中心的合作中，建立了肝膽腫瘤多維MDT大數據協作平臺，通過決策診療系統，可推薦最新文獻研究結果、相似病歷、備選方案、預期療效及優劣比較等信息，供醫生參考。
縱觀市場上的CDSS產品，受限於技術和數據兩方面約束，能夠建立核心知識圖譜能力的屈指可數。對於AI來說，能夠像臨床醫生一樣去消化醫學知識是極大的難點，需要通過算法針對臨床思路抽取成機器可以理解和執行的診療邏輯，這個過程需要對文獻類、實踐類、臨床類多種信息的綜合分析，這套邏輯(知識圖譜)也就是CDSS的核心價值所在。知識圖譜的構建離不開龐大數據的支撐，然而臨床上實際使用的術語、標準遠遠比文獻和指南中複雜，當前醫療數據結構化的比例較低，電子病歷的標準化、結構化、統一化、專業化也還在推進中，各家醫院的數據封閉、甚至不同科室內也難以聯通。數據基礎層面難以滿足臨床決策支持的需求，大大影響了CDSS落地的有效性。因此，需要通過自然語言處理技術實現病歷結構化，使機器準確完整地“讀懂”病歷，為建立核心知識圖譜提供結構化數據支撐。
從應用來看，CDSS需要契合臨床需求。IBM Watson 落地艱難的探索實踐表明，輔助診斷要跨越象牙塔和業務之間的鴻溝，需要大量的臨床實踐，掌握更多的細微線索以及真實世界數據。對於基層醫院和三級醫院來說，由於面臨的臨床診療痛點不同，也需要產品有不一樣的內容和功能模塊。對於不同的輔助對象(如醫生、護士、醫技)以及不同的場景環節(如寫病歷、開醫囑、手術前後、住院時)來說，具體系統功能模塊也應當有所不同。
因而，未來CDSS產品也應在這兩方面有所提升。首先，應構建精準而不冗餘、動態更新的知識圖譜。未來在統一的人群健康數據基礎上，完成數據清理、病歷的結構化，建立標準化術語集，形成有效知識圖譜，這些工作是CDSS發揮作用的基礎。同時，需高度重視真實世界的最新臨床實踐作為補充，保持醫學知識的不斷更新，促進產品持續優化。其次，針對不同的臨床需求，可提供全科版、專科版等不同版本的產品，全科版以標準化方案賦能基層全面提升診療水平或作為三級醫院質量控制、效率提升的助手，專科版針對特定疾病的能力提升支持專病管理。並且，系統需要結合臨床流程，確保不會對醫生的診療過程產生“打斷”和“干擾”的情況，技術公司需要聆聽臨床的需求和想法，更多采用提示、信息支持而非警示、強制執行的交互手段。同樣地，臨床醫生作為最終使用用戶，更多地參與到CDSS的規則、設計、開發、優化中將對產品發展大有裨益。
2.2.1.3 AI健康管理
健康管理應當是貫穿診前、診中、診後全生命週期的專業化精準服務，人工智能通過智能化手段有助於實現這一目標。傳統的醫療路徑為“患病後治病”，而在未來的醫療健康生態體系下，醫療對健康結果的達成將超越對於診療項目數量的關注，包括注重診前疾病預防，幫助人群在更長的階段內保持健康，並通過預防性篩查和重點關注高危人群提升國民健康水平，以成本更低但更有效的方式管理慢性病，為不同人群提供不同的健康方案。這一過程既需要應用實時收集的健康數據，也需要一定的醫療專業技能支持，以進行人群分群、建立患者畫像，並提供精確完整的建議。尤其在社區和家庭等場景下，由於醫護人員的供給遠遠無法滿足人們的健康需求，人工智能的出現將實現智能化疾病預防指導，實時進行疾病監測和評估，為用戶提供個性化行為干預，推動高效高質、低成本的康復護理和慢病管理，減少疾病風險、防患於未然，為患者、醫院、醫保降低費用。
當前，健康管理市場尚未形成成熟的模式和格局。應用AI的健康管理參與方包括妙健康、悅糖、奇雲諾德、心雲、藍熙健康、碳雲智能等科技企業，涉及營養學、身體健康管理、精神健康管理、基因檢測、家庭護理等多個方面，致力於通過精準醫學和大數據技術構建健康管理解決方案。平安好醫生、微醫、春雨醫生、阿里健康等主打線上掛號和醫藥電商的APP也紛紛上線健康教育、健康數據監測等服務增強用戶粘性。另外，IBM Watson、Microsoft Azure等公司從“AI+Cloud”的角度建立人口健康平臺，提供個人健康多種影響因子的整體視圖，支持醫生與患者共同決策。關聯的企業還包括可穿戴設備企業、第三方檢測公司、體檢機構、健康檔案系統等諸多參與者。從場景上看，主要切入點包括診前的健康監測、疾病篩查、健康評估、保健教育、健康干預(輕問診)，以及診後的跟蹤監測、常見病和慢病管理等。
對於診前健康管理來說，通過基因檢測、智能硬件等途徑，獲取基因、代謝和表型(性狀)等數據，引入人工智能技術對以上數據進行分析，進而可對用戶或患者進行個性化行為干預，為用戶提供飲食、起居等方面的健康生活建議，幫助用戶規避患病風險。例如妙健康“妙+”數據接入平臺，融合了300餘款國內外智能健康設備，接入包括智能硬件、體檢和用戶自評價數據並以此為依據計算“健康行為指數”，從而促進用戶形成健康習慣，並可拓展預約掛號、醫生諮詢等各項服務。
對於診後健康管理來說，依託AI構建智能管理平臺，通過持續的追蹤隨訪、監測和效能評定推算疾病復發和再患病風險，能延長醫療服務半徑，有效緩解醫院門診壓力，釋放優質醫療資源，為患者提供最新的合理治療方案，有助於在慢性病、腫瘤等需要長期隨訪和治療指導的領域，滿足患者的面診購藥、複診續方、康復指導等診後服務需求。在與中國疾病預防控制中心慢性非傳染性疾病預防控制中心的合作中，中關村國衛健康大數據研究院通過國衛健康雲智能化慢病管理平臺對心腦血管疾病高危人群(高血壓、糖尿病、高脂血症患者)進行風險評估和健康管理，提高知曉率、治療率、管理率和控制率。並在智能系統上提供患者簽約管理和隨訪功能，提升家庭醫生簽約服務質量。通過智能患教和問答，進一步幫助患者有針對性的瞭解疾病預防和管理知識，為患者帶來方便的同時大大減少醫生重複性勞動。
診中環節是串聯起診前和診後健康管理的關鍵節點。一方面，從人群中篩選出高患病風險人群和具有患病症狀的人群后，需要打通就診通道，接入醫療服務提供方進行準確的診斷和後續治療。另一方面，在分級診療的趨勢下，診中建議將引導康復護理等後續服務的去向。因而，一站式互聯網健康管理平臺是眾多參與廠商的發展趨勢。
當下，企業在AI健康管理方面的佈局尚在探索階段，存在數據缺乏一致性、關聯性，標準不統一等問題。目前日常健康類數據獨立存在於各智能硬件、手機App中，數據孤島和數據不規範情況顯著。健康智能終端缺少統一的行業標準，廠商間採集和分析的算法不同，結果存在差異，大量可穿戴設備採集的數據不能被醫療機構認可。診中數據(包括電子病歷、電子處方)分散在各醫療機構手中，診後隨訪數據缺乏。這些均制約了AI在健康管理方面的應用。
未來，依託於覆蓋診前、診中、診後全過程並覆蓋基因、生理、環境等全方位的人口健康數據平臺，AI健康管理將在幫助人群預防疾病的同時也能輔助醫生診療、控制醫保費用。尤其在慢病管理方面，醫院內部與外部一體化的智能慢病管理平臺，將充分發揮輔助作用，使患者在家庭中即能得到可靠治療。互聯網家庭健康管理將顯著受益於AI 技術的發展，成為接入院內診療環節的入口，以及承接院內環節的虛擬醫療平臺，實現在線問診、家庭護理、社區醫院、個性化管理等諸多服務內容。
2.2.1.4 AI虛擬助理
AI的應用極大提高了診前效率，改善了患者體驗。預問診、分導診、掛號等場景往往需要大量重複和簡單的人力工作，而AI虛擬助理採用智能機器人、人臉識別、語音識別、遠場識別等技術，結合自然語言處理和知識圖譜等認知層能力，可以根據患者的情況描述和診療需求進行分析，完成診療前分導診、預問診、診療引導等工作，大幅提高效率。同時虛擬助理也可以與人群健康管理理念結合、承擔健康管理助理的工作。
當前，有大量的參與者進入AI虛擬助理領域，尤其是分導診、掛號環節，包括百度、騰訊等互聯網科技巨頭，以及科大訊飛、依圖醫療等AI科技企業。在產品形態方面，既有依託於APP、網頁和小程序等軟件形態的智能平臺，也有部分企業將其和硬件產品相結合，形成醫療助理機器人、導診導醫機器人。在智能分導診以外，產品通常配合專家查詢、醫生匹配、預約掛號、繳費支付、院內導航、診前病史採集、報告查詢、診後隨訪、複診提醒、健康宣教等功能，為患者提供便利化服務。
儘管市場上產品同質化現象較為嚴重，但部分企業憑藉自身的核心AI能力，形成了一定差異化優勢。在院前分導診環節，靈醫智惠AI智能診前助手產品，結合醫療知識圖譜，改善智能問診提問輪次，提供更精準的醫患匹配，優化掛號服務體驗，目前已在北大國際醫院、健康之路等數家醫院/平臺進行應用;在院中環節，左手醫生的預問診系統，可以實現在患者見到醫生之前，由預問診系統先採集好患者情況，通過問答式交互，生成“一訴五史”
的標準病例。方便醫生快速瞭解患者病情。可提升醫患溝通效率，降低50%的問診時間。提升醫生的服務能力，並節省醫生輸入病歷的時間;在院後環節，左手醫生為患者提供離院後的用藥指導和用藥管理以及用藥信息採集，填補了患者離院後用藥管理的空白，做到了帶藥離院患者用藥管理100%全覆蓋。
患者向AI提問時可能會遺漏關鍵信息，使AI問診分析變得困難。而且目前分導診產品對所需要的醫學知識圖譜仍掌握不足，語音識別在醫療場景下的識別率也有待提升。虛擬助理產品當前主要集中於分導診環節，未來可發展更多樣化的產品形態，同時可以參與構建覆蓋診前、診中、診後的集成健康管理平臺，提供更多的醫療助理服務。
2.2.1.5 AI精準醫療
基因檢測在精準醫療中發揮著重要作用。傳統基因檢測中，基因組數量龐大，人工實驗費時費力且耗費成本巨大、檢測準確率低。對於精準醫療來說，包括預測疾病風險和制定個性化的診療方案在內，都迫切需要大量的計算資源及數據的深度挖掘。AI基於強大的計算能力，能快速完成海量數據的分析，挖掘並更新突變位點和疾病的潛在聯繫，強化人們對基因的解讀能力，因而提供更快速、更精確的疾病預測和分析結果，實現患病風險預測、輔助診斷、制定靶向治療方案、診後復發預測等功能。
生命科學企業(如華大基因、貝瑞和康)，依靠多年的技術積累已在基因檢測方面形成很高的技術壁壘，當前正在探索AI在基因測序領域的應用，同時擴展健康管理服務。AI科技企業(如碳雲智能)也在其分析平臺中納入基因數據，提供測序服務，從而更好地洞察某些特定的疾病狀況。
精準醫療將覆蓋診療全過程。在診前為患者提供疾病風險預警、進行行為干預。在診中治療環節，可根據患者的基因序列等個人生理信息輔助個性化治療方案的制定，打造全新的醫療服務範式。在診後通過監測患者的康復情況，及時預測疾病復發、併發症的產生。
2.2.1.6 教學和科研AI平臺
輔助醫學教學平臺通過人工智能、虛擬現實等技術，構造虛擬病人、虛擬空間，模擬患者溝通、手術解剖等醫療場景，輔助醫學教學。一方面，提供逼真的練習場景，幫助醫生縮短訓練時間、提升教學效果，另一方面，打通了從海量數據中提取精準定量診療關鍵信息的層層壁壘，使得診療經驗得到積累與傳承，提高了醫療服務的精準化水平。
例如，人衛社利用新技術進行傳統出版和新媒體出版融合，提升教學、培訓服務能力。包括研發數字教材、融合教材、教學助手等產品，結合AR、VR等新興技術，通過整合高質量教學資源、精準的教學評價系統以及全面的教學數據採集與分析系統，輔助教師開展多種形式的課堂教學，提供數據分析用以指導教學改革，提升教學質量。此外，阿里健康正與浙大附二院、中國醫藥衛生事業發展基金會三方嘗試在阿里ET醫療大腦的醫師培訓教學系統中，將各種臨床病例數據脫敏轉變成三維“ 虛擬病人”，通過人機語音交互，模擬場景治病、在線討論、綜合評分，實現醫護人員臨床診療能力的在線培養、考核、評估、監督。
AI技術為醫生提供了一個高效方便、簡單易用的醫學研究平臺，可以快速收集處理數據、運用算法高效分析數據。目前有兩大問題制約著醫生的科研工作，一是醫生的臨床工作佔用了大量時間，缺乏時間開展科研，二是缺乏充足規範的數據和強大的數據處理能力。醫學研究AI平臺能夠整合超強算力、高融合網絡、儀器設備、算法模型、醫療數據等資源，打造醫學研究服務方案，方便醫生將深度學習、影像組學以及自然語言處理等前沿AI技術應用到臨床科研實踐中，提供數據收集、存儲、統計、挖掘、分析，以及基因和生物信息分析等服務。
對於醫院來說，AI等新技術可以為科研人員在數據、AI分析工具等很多方面提供便利。例如依圖醫療和四川大學華西醫院合作建設的肺癌臨床科研智能病種庫，可幫助醫生在系統內進行數據預分析，縮短科研預處理時間，以及一鍵導出回顧性實驗課題數據並對接專業分析軟件完成分析，輔助科研論文撰寫。對於AI技術企業來說，輔助醫學研究平臺是獲取醫院數據訓練集的一種方式，也有助於通過和醫院合作科研的形式拓展AI應用落地。包括BAT在內的科技企業、醫渡雲等醫療大數據企業、推想科技等AI應用企業、傳統醫療信息化廠商、基因測序等生命科學企業都在積極參與平臺的建設。未來的發展方向，醫學研究平臺需要和臨床緊密結合、相互支持，不斷運用臨床實踐檢驗、反饋和更新科研結果和平臺設計。
2.2.1.7 智慧醫院管理
人工智能可以通過實時數據追蹤、分析、預測來優化醫院管理。管理內容包括電子病歷管理、質量管理(如用藥質量、臨床路徑、醫技檢查質量)、績效管理(如DRGs績效)、精細化運營(節能管理、智慧病房、藥品閉環管理)等。我國各地方醫院缺乏統一規範的智能管理系統，而基於人工的系統管理容易產生誤差大、成本高、耗時長、過程繁瑣等問題。利用人工智能開展醫院管理可以在技術層面上做到更加精準，減少人力成本，簡化運營方式，提高透明度，給患者帶來更好的醫療體驗，給醫生帶來更便捷的工作環境。
目前大部分醫院仍處於數字化的初級階段，AI應用於醫院管理的條件尚未完全成熟。AI技術的應用需要大量、標準、結構化的數據集，目前醫院在信息化發展、院內數據互聯互通、數據質量等方面尚不能滿足AI應用的條件，而且大部分醫院未形成一致性的臨床規範和標準，也為智慧醫院管理增加難度。未來，醫院應持續推進數字化進程，建立一致性的、互聯互通的數據基礎，實施標準化的管理原則，在高度數字化的基礎上，將AI等先進技術應用於醫院管理中，從而提升醫院管理質量和效率。
2.2.2藥品及醫療器械提供方
藥品及醫療器械提供方是醫療產品及關聯服務的提供方，主要包括藥品和醫療器械兩大類。對於他們來說，在醫保控費、取消藥品加成等改革舉措下，傳統的研發、生產、銷售模式將面臨壓力。如何提升內部效率、降本增益、真正掌握終端人群需求從而轉化服務，成為藥品及醫療器械提供方需要思考的問題。而以患者為中心，更快、更好地提供符合健康需求的產品是其實現自身經營目標的必由之路。
為此，AI應用能夠帶來縮短研發週期、降低研發成本、提高研發成功率、加速臨床進程、提質增效、邁向精準醫學等多方面價值。
2.2.2.1 AI藥物研發
新藥研發成本極高、週期極長。業界一直流傳著“雙
10”的說法，即新藥的開發需要10年的時間和10億美元的資金投入。然而，實際上所需的投資遠不止於此，據美國塔弗茨藥物開發研究中心最新研究，每種新藥的研發需要28.7億美元的投資10。而且藥物研發的失敗率很高，平均研製的5,000種藥物中，只有5種能夠進入動物實驗階段，而這其中又只有1種藥物能夠進入臨床試驗階段11。AI技術的發展可助力研發人員更高效的鎖定解決方案，大大縮短研發週期，並降低總體成本。
藥物研發階段，人工智能的主要應用包括靶點篩選、藥物挖掘、藥物優化三部分。在靶點篩選階段，人工智能可以通過挖掘海量文獻(包括論文、專利、臨床試驗結果)進行生物化學預測，進而發現新靶點，也可以通過交叉研究和匹配市面上已曝光的藥物和人體上的1萬多個靶點，以發現新的有效的結合點。相較於靶點發現，人工智能在藥物挖掘方面的應用更為成熟，例如利用虛擬篩選技術，在計算機中模擬實體篩選過程，建立合理的藥效團模型與化合物數據庫進行匹配，通過分子模擬手段計算化合物庫中的小分子與靶標結合的能力，提高篩選的速度和成功率，減少在構建大規模的化合物庫、提取或培養靶酶或者靶細胞等方面的成本投入。在藥物優化階段，AI可通過對千萬級的分子監控，預測它們的活性、毒性和不良反應等，完成候選化合物的挑選和開發，快速全面改進先導物的分子缺陷。在藥物晶型預測方面，AI可以挖掘一個分子藥物的所有可能晶型，具有巨大的專利價值。此外，計算機視覺通過分析化合物的細胞圖像數據也在表型篩選中發揮作用。
大型藥企及藥物研究機構以項目的方式與AI技術公司(如Atomwise、BenevolentAI、晶泰科技)進行合作，加快藥物研發進程。以英國初創公司BenevolentAI為例，該公司研發了JACS(Judgment Augmented Cognition System，增強判斷認知系統)平臺，集成了大量的科學論文、專利、臨床試驗信息化信息，協助藥物研發人員在藥物研發過程中確定正確的調製機制、篩選出最合適的靶點並預測患者的反應。BenevolentAI已與全球多家大型藥企達成合作，如在2019年4月宣佈與阿斯利康開始長期合作，將利用AI和機器學習數據來研發慢性腎病(CKD)和特發性肺纖維化(IPF)的新療法。雙方的研發人員把阿斯利康的基因組學、化學和臨床數據與BenevolentAI的靶標發現平臺相結合，通過機器學習系統地分析數據來識別關聯關係，以瞭解這些複雜疾病的潛在機制，以便更快的確定藥物靶點。輝瑞與晶泰科技、藥明康德與Insilico Medicine也有在新藥研發方面的合作。
當前在藥物發掘過程中AI應用面臨的主要問題是高質量數據的缺乏，大部分數據來源於文獻和實驗，數據量不大且結構化難度高，將大大影響篩選的結果。此外，AI企業需要對藥物設計邏輯和醫藥知識的理解也是制約其作用發揮的痛點。在近期應用方面，考慮到絕大多數國內藥企在現階段主要專注於仿製藥的開發，如能有成熟的AI技術協助，找到與原研藥相似的化學結構並優化設計，實現近似或更好的診療效果，則能夠在加速國內藥品上市的同時，幫助藥企控制研發成本。
2.2.2.2 AI輔助臨床策略制定
識別並招募合適的患者來配合臨床試驗是研發過程中的難題之一。以美國的藥物臨床試驗流程為例，三個階段共需要招募約1,120-3,380位志願者，其中第三階段需要1,000-3,000位已被診斷為特定疾病的患者，且需要對其進行持續約三年的跟蹤。這一過程中，未能招募足夠的參與者、患者中途退出、意外和嚴重的藥品副作用以及錯誤的數據收集方法等問題都可能導致臨床試驗失敗。根據拜耳的統計，90%的臨床試驗未能在目標時間內招募到合適的志願者，導致藥物研發時間拖長。AI技術可以幫助藥企更精確地發現、篩選、匹配合適的志願者，並幫助簡化患者註冊流程，同時收集及分析患者數據。
目前，涉足該領域的主要為初創型企業，包括國外的Mendel.ai、Trials.ai，以及國內的醫療健康大數據企業醫渡雲、零氪科技。Mendel.ai可幫助藥企實現20%-50%的潛在志願者的識別數量提升，同時可將潛在意願者的認證標準流程大幅減少到9分鐘，而現在平均的乳腺癌志願者認證時間為19天，肺癌可達263天。
該應用的落地基礎是擁有跨醫院的患者電子病歷信息，建立起患者同意共享數據的大數據平臺。當下的核心痛點並非AI技術本身，而是數據的可得性和數據標準化質量。藥企對於該場景的未來應用抱有極大的期待，AI應用企業應當積極與藥企以及醫院合作，獲取患者的數據並進行持續跟蹤，應用AI技術替代人工進行數據收集、整理、清洗，提升數據收集效率與數據質量。
2.2.2.3應用AI的真實世界研究
真實世界證據主要指從日常醫療實踐過程有關信息中提取的數據，包括個人健康管理方面的數據，可以作為臨床試驗證據之外的補充證據。真實世界研究目的更加多樣，可圍繞著病因、診斷、治療、預後及臨床預測等相關的研究問題展開，也可進行藥物上市後的效果跟蹤觀察、安全性監測、藥物重定向、識別審批提速的機會。真實世界數據能夠反映真實的臨床實踐情況，有助於促進精準醫學進程。人工智能在真實世界研究中的應用主要包括數據收集、數據庫構建和數據分析。
真實世界研究需要大量脫敏的、結構化、有代表性的數據，而一直以來我國收集的醫療臨床
大數據尚無法滿足需求。在此方面，零氪科技、醫渡雲等醫療大數據公司有先天的優勢。例如零氪科技協助某醫療機構開展了回顧性真實世界研究，來判斷不同的驅動基因突變與常規抗腫瘤藥物敏感指標的關係，有助於腫瘤治療的藥物方案選擇。現階段缺乏數據的企業，可與政府、醫療機構、藥企合作，推進相應的項目。AI公司在實踐方面，應注重對醫院數據的收集、清洗、標準化，提高數據質量，以期未來構建統一化的、全國性的基於真實數據的大數據平臺。
2.2.3醫療支付和監管方
除了政府財政和個人支出外，醫療的核心支付方為醫保局和商業保險公司，醫保局同時也是醫療服務和產品的監管方之一。此外，當下的醫療監管方還主要包括衛健委和藥監局(NMPA)。
對於監管方來說，保障醫療體系高質量低負擔運轉、提升國民健康水平是其制定公共衛生政策、規範醫療准入和質量標準、監督和管理醫療相關活動的核心原則。一方面，政府政策是推動醫療體系“價值醫療”趨勢的關鍵力量，也是大數據和AI在醫療體系應用的關鍵驅動因素。另一方面，有效的公共衛生政策也依賴於數據分析甚至AI輔助的支持，包括預防醫學、區域疾病在線監測和干預、人口健康管理、健康預期、壽命測算等。重慶、烏魯木齊、南京、寧波等地的疾病預防控制中心和衛生信息中心已經上線了相關的網絡平臺和系統。11
在醫療供求矛盾的大背景下，短期內醫療服務方和醫藥提供方難以有跨越式的變革，控制醫療成本、尋求最高價值的關鍵抓手在於醫保支付方。而AI將成為支付方撬動整個醫療生態圈的重要助力之一(參閱圖11)。AI將幫助實現醫保控費、智能風控、減少欺詐等行為，促進支付方與醫療服務提供方及藥品、器械提供方形成新的協同關係，最終目標是以醫療價值為導向，提升醫療服務、藥品以及器械的質量水平並節約支出。
2.2.3.1應用AI制定保險策略
當前醫療保險產品同質化程度高，針對不同特徵人群的產品較少，同時對客戶發生的變化反應較為遲緩，缺乏跟進客戶身體狀況的系統。例如雖然慢性病患者生活狀況、治療流程都相對穩定，但保險公司由於缺乏精準的醫療健康數據進行精算，難以設計覆蓋慢病群體的產品。利用AI，保險公司可以面向不同情況的客戶提供差異化的保險服務產品，為用戶提供更好的體驗，實現保險公平化。同時，基於對客戶身體情況的分析，可以幫助其獲得更及時有效的治療，提供更精準的服務。
基於大數據分析和機器學習，AI可以實現智能定價和精準營銷。前者利用大數據和人工智能在客戶投保階段審核客戶的信息，建立用戶畫像，並根據身體狀況，年齡，收入等指標對用戶分級歸類，給出最適合的產品解決方案以及最精準的保費定價。後者通過對用戶的數據分析，有針對性地定製產品與精準營銷策略，產生千人千面的互動效果以及產品推薦，將合適的產品推薦給合適的人群。
對保險行業來說，AI將在增加覆蓋面和降低風險兩方面提供助力，前者通過人群畫像和個性化定價，讓更多的用戶變成客戶。後者通過管控和審核理賠風險，降低不必要的支出。此外，當AI發現保險客戶出現潛在的疾病風險時，提前採取輔助手段進行健康管理指導，提醒客戶檢查。
平安、泰康、太平洋、眾安等保險公司都在積極探索AI在保險領域的應用。但當下，人群健康大數據平臺尚未建立，如何打破數據孤島，實現數據和能力的整合，將成為後續發展的關鍵問題。
2.2.3.2 AI藥事管理
過度醫療和醫藥濫用增加了國家基本醫保的損耗和商業健康險的虧損。為了降低醫療費用支出，醫療支付方非常願意也必須為控費尋求方案，包括干預就診醫療機構、影響用藥選擇、制定受保藥物清單、改變支付結算方式等。
人工智能可基於大量臨床數據和患者的個人用藥史來對醫生開具的處方進行審核，在對醫療服務進行監管的同時，為支付方實現控費目標。智能系統能夠完成實時醫療用藥監控、輔助提示、自動化審核、自動控費等功能，實現事前提醒、事中控制、事後審核，提高審單的效率和準確性。在審核以外，拓展切入指定藥品目錄、藥品與處方評價、輔助定價、招採准入、醫藥/器械流通銷售、支付方式優化、質量監控等方面。通過監控醫生診療和藥品使用環節，系統建立起對診療合理路徑和藥品使用規則的理解，為個人用戶提供健康管理服務。同時，智能系統能夠在過程中促進健康信息數據平臺和醫療評價體系的建設。
當前主要的參與者包括:(1)專門的醫療信息化企業，如海虹控股、快捷藥方公司(ESI)，在專業性上更強，可以和社會醫保以及多家商業保險公司合作;(2)保險公司，如平安醫保科技、美國聯合健康集團(UNH)，可以聯動“保險+PBM+醫療服務”。零售藥房、電商平臺、醫藥流通企業、藥企也是藥事管理的潛在參與者。例如復旦大學附屬華山醫院和醫利捷(上海)信息科技有限公司合作的基於定量藥理和人工智能的臨床個體化用藥輔助決策系統，基於神經網絡算法和貝葉斯模型的藥動學/藥效學(PK/PD)模型，可提高醫療質量、減少醫療差錯、保障用藥安全、實現精準用藥。
針對藥品的控費規劃需要醫院的處方、患者連續性的用藥數據以及對醫療專業知識的深刻理解，才能確保醫療數據分析和審核能力。然而當下，用藥以及健康數據分散在不同醫療機構和跨地區的醫保系統中，處方流轉也還在探索之中，發展相對受限。此外，強大的藥品議價權、成熟的供應鏈體系、完善的支付端保障是從控費系統服務方拓展到全環節服務提供方的重要能力基礎。隨著醫保局的成立，醫保將從被動方變為主動方，對於通過控費提升醫保支出效率的需求會增強。此外，商業保險飛速發展，控費系統能夠為其提供監控手段，成為議價和險種設計的有力支持。
2.2.3.3 AI自動審核
違規使用醫保、詐騙套取醫保的情況給醫保基金帶來了巨大的經濟損失，也嚴重損害了人們的利益和健康權益。人工審查存在出錯率高、環節複雜、費用高和耗時多等問題。智能稽查通過風險模型，建立事前、事中、事後的有效管控，能夠高效識別不合理單據。
AI應用可涵蓋社會醫保以及幾乎所有醫療商業險，包括疾病保險、重大疾病保險、住院保險、手術保險等，包括智能跟蹤和智能審查兩大功能。保險公司藉助跟蹤系統，將全程介入投保人“健康跟蹤——醫院就診——醫療護理“的全過程。通過高效、全面的健康管理降低成本，提升客戶體驗。保險公司也可應用智能審查，根據投保人提供的信息，通過數據挖掘與機器學習發現其中異常數據並做投保人欺詐分析。例如在醫保方面，海虹控股目前已在20個省/直轄市的百餘地市就公司醫保控費業務開展試點工作，對每一筆單據進行審核，稽查檢查治療與病例是否相符，推動合理用藥、合理檢查、合理治療。
2.3醫療AI技術能力說明
縱觀AI技術對各主體參與方的賦能應用，其核心能力分為計算智能、感知智能和認知智能三層。此外，醫療AI的發展依賴智能芯片、傳感器、網絡通信、邊緣計算等基礎設施，以及醫療健康行業理解、數字化運營等關鍵能力。12
（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
1.1宏觀發展趨勢及醫療需求的變化
衛生總費用增速當前已超GDP增速，未來隨著經濟增長進入新常態，GDP增速持續放緩，經濟增量支持的減少將給醫保基金支付帶來風險和壓力。2013- 2017年，中國衛生總費用的年均增速保持在11.5%-13.5%，預計2030-2035年間，增速仍將達7.5%。2017年，衛生總費用佔GDP的6.36%，2035年預期達到9%。同金磚國家或發展水平相當的中等收入國家(如印度、泰國、阿聯酋、馬來西亞)相比，我國衛生總費用佔GDP的比重已經較高，當下面臨較大的醫療負擔。發達國家如美國、英國、德國、日本2015年的衛生總費用佔比分別為16.8%、9.9%、11.2%、10.9%，同這些發達國家相比，我國的佔比還比較低，未來仍有較大的上行壓力(世界衛生統計，2018年)。
人口老齡化將是未來幾十年中國醫療健康需求總量持續攀升、集中爆發的直接原因。2018年，中國65歲以上人口已超1.6億，佔比達11.9%，是較早進入老齡社會的發展中國家之一。此外，老齡化速度增快，60歲以上人口占比到2050年或達35%。人口老齡化的影響之一是人群疾病譜結構將發生變化，例如慢病患病率將持續上升。我國已確診的慢病患病人數超3億，同時患病率以每年5.8% 的速度增長3。而根據全國衛生服務調查，65歲以上群體的慢性病患病率高達78.4%，是全部人口患病率的3.2倍，即老齡人口越多慢病人群基數越大。如今，慢病已成為健康的頭號威脅，佔到了中國77% 的健康生命年損失和85% 的死亡誘因，佔全部疾病負擔的60%以上。人口結構的變化帶來的第二個影響是診療以外的醫療健康需求的結構性增加，包括疾病預防和治療、健康監測和管理、養生和保健、臨終關懷等。以體檢為例，與美、日、德超70%的覆蓋率相比，我國的健康管理市場還有巨大的發展空間。伴隨著生活水平的提高，以及國家政策對家庭醫生、慢病防治、健康生活等方面的支持，越來越多的人群將主動參與健康管理。02
此外，在醫療健康消費升級趨勢下，人們對醫療健康的效果、品質、體驗等提出了更高的要求，醫療健康服務將更加註重個性化、人性化。當人均可支配收入超過某個“臨界點”，醫療健康消費會加速發展。中國的人均可支配收入持續快速增長，將成為醫療健康消費加速發展的新力量。表現為，我國近年來的人均醫療消費支出快速提升，過去碎片化、溝通不足、質量和體驗有待提升的醫療服務愈來愈不能滿足人們的需求。此外，根據羅蘭貝格行業分析，集中於公立醫院特需和國際部、私立醫院等醫療機構的體檢、眼科、口腔、美容、輔助生殖等領域的高端醫療需求人數與服務規模在不斷增長，需求人群已有3,000-5,000萬、市場規模超千億。未來，優化就醫流程、增加便捷性、改善候診就診及病房條件、提升醫護人員服務意識、提供精準醫療將是大勢所趨。
1.2醫療供給的變化
支付壓力大將是中國醫療體系面臨的挑戰之一。拆解我國衛生費用總支出構成，政府衛生支出佔28.3%，社會衛生支出佔43.0%，個人衛生支出佔28.7%。而WHO推薦的可以防止因病致貧的自付費用佔衛生總費用比例為20%，且2016年政府衛生支出佔財政支出的比重已達7.1%(接近全球10.6%的平均數水平)，財政支出壓力較大。政府應積極採取措施，提高衛生支出效率。
醫保基金呈現出支出增幅大於收入增幅的態勢。2018年，職工基本醫療保險基金收入增長8.7%，支出增長11.5%，城鄉居民基本醫療保險基金收入增長27.1%，支出增長28.9%8。伴隨著老齡化的趨勢，長此以往醫保基金將面臨較大的可持續壓力。目前，雖然三大基本醫療保險已基本實現全面覆蓋，但資金使用效率亟待提升，支出效率提升、醫保控費成為關鍵方向。過去，醫保缺乏有效的控費目標和手段，只是被動支付而沒有控制能力，藥品、耗材、檢查佔醫院收入比利較高，亟待降低。不過，隨著2018年3月國家醫療保障局成立，宣告將由統一機構管理三大醫保，同時加強三醫聯動，通過醫保撬動醫藥、醫療的規範化。擁有價格管理和招標採購職能的醫保局，將由支付方變為購買方，有利於藥事管理(PBM)、按病種付費(DRGs)、異地就醫等醫改舉措的大步推進。
同時，醫療供給面臨核心醫師資源總量不足、資源分佈不均衡、資源配置不合理等問題。從總量上看，醫療資源供給增長落後於需求增長。醫生資源缺口問題在影像科、病理科以及全科醫生方面尤為嚴重。目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率僅為4.1%，病理科醫生缺口達到10萬。我國全科醫生數約25 萬人，
佔醫生總數的7.37%。這一數字還遠遠達不到建立真正的全科醫生制度體系的需求(德國、法國、日本佔比均在20%以上，美國在12%以上)。由於醫生的培養週期很長，資源短缺問題短期內無法解決。
從分佈上看，醫療資源集中於三級醫院和發達地區，基層醫院醫療水平低、醫師資源少。從配置上看，由於三級醫院長期超負荷運轉，承擔了過多基礎診療工作，導致核心醫療資源無法發揮最大價值。供需結構不匹配導致了醫院運營效率低、誤診率高、醫療體驗差等諸多問題。03
1.3新技術的發展
在新一波技術發展浪潮中，以AI、邊緣計算、大數據、物聯網、5G等一系列技術為代表的“技術簇”正在為各行各業帶來新的技術架構、新的商業模式和新的發展理念。技術發展催生的行業數字化正在推動各行各業創新發展。
以醫院信息化發展為例，當前正在歷經第三次發展浪潮。2000年左右，在以服務收費為核心目標的基礎信息化推動下，HIS系統逐步鋪開。2013年左右，在電子病歷評級和互聯互通需求拉動下，醫院內分散的信息系統孤島(包括HIS、HRP、EMR、PACS、RIS、NIS、LIS等)開始走向集成化。自2018年開始，智能化發展進程加快，新技術在助力醫療體系從“已知的已知known-knowns”向“已知的未知known-unknowns”及“未知的已知un-known-knowns”乃至“未知的未知unknown-unknowns”方面進行逐步探索，依託於人工智能、大數據、邊緣計算和5G等技術，湧現出諸如CDSS、AI影像、互聯網醫療等智慧化應用。例如，領先廠商通過人工智能、虛擬現實、機器人、5G等技術的結合，已經具備遠程專家高精度指導手術、對病灶區域進行輔助診斷的能力，越來越多的前沿技術開始應用於基因測序、細胞免疫療法、3D骨骼打印、實時機體檢測等領域。04
醫療行業數字化建設將逐漸從政策驅動向價值驅動演進。傳統為了滿足評級和政策檢查所建設的很多信息化系統，由於存在數據質量差、數據分散不互通等諸多問題，數字化效用難以有效發揮。但當下，在醫療支付體制改革的推動下，醫院在藥品控制、診療路徑控制、分級醫院體系構建等方面將進行主動改革，充分利用信息化手段提質增效，促進醫療服務體系變革發展。具體表現在:
智慧化:通過數字化技術解決複雜醫療臨床、科研及管理問題，或賦能醫生，提高診療能力。
線上化:從患者體驗出發，將部分業務線上化處理，增加醫患溝通渠道，便民利民。
數據驅動:採集、存儲、組織、整合、應用海量的人群健康數據，挖掘併發揮這些數據信息對於醫學研究、臨床實踐、醫保控費等醫療價值點的作用。
雲服務:基於互聯網技術，以雲服務的形式提供彈性的IT基礎設施，降低醫療機構建設成本、破除數據孤島、保障業務連續性。
1.4醫療體系發展趨勢
基於對宏觀經濟發展趨勢、醫療需求及供給以及新技術發展趨勢的分析，我們認為，醫療體系將在成本控制的基礎上 (緩解供給端支付壓力)，提高人群健康水平和患者體驗(滿足多樣化、多層次、個性化、動態化的需求)，實現以人為 本的整合型醫療衛生服務(合理分配供給資源，提供一致性醫療健康服務)，最終實現各國都在努力推進的醫療改革。 未來醫療體系發展的趨勢具體表現為:提高人群整體健康水平，實現人群健康管理;醫療生態圈各方有機配合，向人群提供整合式服務;以人為本，實現醫療、醫藥、醫保三醫融合;發展的“終局”將強調醫療價值。
醫療服務、醫療保障、藥品和醫療器械生產及流通體系都在不斷進行著深刻變革，演進過程將是一條符合國情、融合領先科技的路徑。因而，在走向“終局”之前，醫療體系將經歷一段從醫療“中局”向“終局”過渡的發展歷程。
醫療服務體系變革:
從關注診療向全生命週期健康管理進行轉換，包括預防、篩查、診斷、治療及康復，以通過醫聯體、醫共體等一體化服務提升全民健康水平，通過擴大早期預防和篩查的覆蓋減少老齡化趨勢下的診療壓力。
醫療資源和服務能力向基層下沉，增強基層醫療服務能力，由基層提供健康管理及慢病管理、體檢、疾病預防等基礎醫療服務，通過分級診療緩解資源匹配矛盾，改善患者醫療體驗。
供給端總量提升、注重提質增效，在公立醫院改革之餘，鼓勵民營資本參與、加強社會力量投入醫療健康服務。
醫療支付體系變革:
社會醫保明確管理目標、加強控費能力，提高醫療支付效率和投入產出效果，通過醫保帶動醫藥和醫療運營變革、理順激勵機制，逐步實現按價值付費。
商業保險發展提速，成為支付體系的關鍵力量，結合大數據和互聯互通能力提供保險創新模式，例如健康管理組織、藥品福利管理、單病種管理等。
醫藥生產及流通體系變革:
通過科技手段賦能，提供診療效果更好的醫藥產品，例如通過數據分析加速藥品研發及臨床試驗週期、基於真實世界數據進行藥品評價和上市後研究。
降低醫療成本，包括管理藥品及設備耗材的價格、變革流通和零售體系(如DTP藥房)。
1.5 AI在未來醫療體系中的價值
未來，醫療體系的參與方將整體為患者提供整合式服務，通過各方跨領域合作，優化醫療價值，形成一致的利益訴求。圍繞核心醫療生態體系，AI將發揮重要作用，通過提質增效、降本增益、模式創新，推動醫療體系各方的變革和提升。例如提升醫生水平和診療效率、大大降低優質醫療服務的價格、極大提升醫院運營能力、高效管理患者全生命週期醫療健康數據、為患者提供全場景主動式健康管理。
第二部分:面向未來的醫療健康生態體系及人工智能發展機會
2.1面向未來的醫療健康生態體系
醫療健康生態體系的核心目標是提升國民整體健康水平，將以服務量和盈利為目標轉向以患者健康為目標(Porter，2010)，以較低的成本獲得更好的健康結果、服務質量和病人安全(IOM，2010)。對於健康質量來說，包括技術和人性化兩方面(中國醫藥衛生體制改革聯合研究合作方，2016)，即診斷診療對改善健康結果的有益性以及醫療服務對患者的人性化關懷。因而，以人為本的整合型醫療衛生服務體系需要考慮以下三個關鍵因素:
人群健康:價值醫療關注的應該是醫療服務的健康成果和價值，而非服務數量。
患者體驗:醫生是在治療患者，而不是治療疾病。醫療服務應該同時考慮患者的服務體驗，以及對心理、生活、工作等全方面的影響。這也需要不同醫療機構進行整合，為患者提供一致性、一體化的高質量服務。
成本:醫療作為一種公共服務，在關注質量的同時也要考慮適當、公平和可負擔等因素，鑑於作為支付主體的財政和醫保資金都面臨壓力，需要思考如何管理醫療費用，以有限的成本獲得更高的質量。
2.1.1核心層
未來的醫療體制改革將更加重視以人為本，發展以數字化驅動的人群健康管理、一體化服務網絡和三醫融合的服務模式，使目標人群能在合適的時間、地點獲得有針對性、符合診療需求、不過度的醫療健康服務，實現無處不在的醫療、全生命週期關懷和精準醫療。06
從近中期來看，中國正在推動的分級診療也契合這一趨勢，核心舉措包括提升基層醫院的能力，在縣域內完成常見病、多發病診療，讓三級醫院專注提供急危重症和疑難複雜疾病的診療服務。建立雙向轉診制度，鼓勵基層檢查、上級診斷、遠程診斷等服務。同時加強基層醫療人群健康管理職能，重視疾病預防。
2.1.2主體層
醫療體系的主體參與者包括醫療服務提供方、藥品及醫療器械提供方、醫療支付和監管方。各參與方在改善人群健康、提升患者體驗、降低成本的共同目標下，圍繞核心業務流程，提供整合式服務，產生了不同表現形式的價值需求點。07
現階段，醫療健康大數據是割裂的，歸屬於不同的醫療健康參與者。未來醫療體系將形成打通的人群健康大數據平臺，形成對人群健康和醫療體系的“同一版本的真相”(one version of truth)，為AI發揮重要作用建立數據基礎。
2.1.3應用層
結合醫療生態體系價值點，AI技術將演化出豐富多彩的應用場景，滿足醫療服務、藥品和器械、支付和監管等不同參與方的需求，以促進實現“以人為本的整合型服務”。科技巨頭、行業巨頭、醫療信息化企業和AI技術企業紛紛涉足，突破創新層出不窮。詳見“2.2 基於醫療健康生態圈的醫療AI應用細分領域”
2.2基於醫療健康生態圈的醫療AI應用細分領域
AI在醫療行業的應用將以滿足核心人群和主體參與者的價值需求點為中心。08
2.2.1醫療服務提供方
醫療服務提供方包括各級綜合醫院、專科醫院、社區衛生服務中心、鄉鎮衛生院以及連鎖診所和近年興起的民營醫院等醫療衛生機構，他們是在診前、診中、診後整個流程為人群健康服務的主體。將以人為本的價值醫療作為最終發展方向，針對當前醫師資源不足、基層醫療服務能力較低等醫療現狀，與分級診療、按病種付費、醫聯體/醫共體、家庭醫生等改革舉措相結合，AI對於賦能醫院大有可為。未來，醫院的服務邊界將由線下拓展到線上線下一體化，醫療服務將由當前的疾病治療拓展到未來的主動式健康管理，助推各級醫院提供一致的、精準的、體驗良好的健康服務，真正實現無處不在、全生命週期的醫療服務體系。09
AI與醫療的結合能夠產出多方面價值，包括改善健康結果、提高服務質量、提升患者體驗、節約醫療成本、強化醫院運營管理等，在各個環節演化出豐富的應用場景(參閱圖9)。
2.2.1.1 AI醫學影像
人工智能將極大提升醫學影像用於疾病篩查和臨床診斷的能力。醫學影像已成為重要的臨床診斷方法，然而影像科和放療科醫生供給不足、工作量大，因而誤診/漏診率較高。受限於醫師讀片速度，診斷耗費時間長，以胸部CT閱片為例，傳統方法需半小時，AI只需要幾秒。AI可大批量、快速處理圖像數據，提供疾病篩查和輔助診斷功能，醫師只需對結果進行復核。
AI醫學影像是計算機視覺技術在醫療領域的重要應用，能大幅增強圖像分割、特徵提取、定量分析、對比分析等能力，可實現病灶識別與標註、病灶性質判斷、靶區自動勾畫、影像三維重建、影像分類和檢索等功能。具體應用領域包括眼底篩查、X線胸片閱片、腦區分割、腦疾病診斷、骨傷鑑定、骨齡分析、器官勾畫、病理切片分析、皮膚病輔助診斷等各類應用影像數據作為診療手段的疾病領域。
AI醫學影像是當前醫療人工智能最為成熟的應用場景。以眼科為例，目前基於眼底照的AI算法對於眼底疾病、視神經疾病的診斷已經接近人類醫師的水準。AI醫學影像若能結合診斷分級系統，正確引導不同疾病程度的患者到對應的醫療機構就診，則能夠有效解決篩查需求與現有眼科醫師數量嚴重不匹配的問題，極大地拓寬眼病篩查人群的覆蓋範圍。2018年，美國食品藥品監督管理局(FDA)已批准了世界上首款使用人工智能檢測糖尿病患者視網膜病變的二類醫療設備IDx-DR上市。
目前，國內外有上百家企業具備相關的產品或算法，包括:1)百度、Google等科技巨頭。科技巨頭資金雄厚、能長期佈局和投資，AI技術和人才實力有積累，並能結合雲平臺提供服務，最容易形成全疾病範圍、多區域覆蓋、平臺式的產品服務。2)推想科技、依圖醫療等AI創企。AI創企對市場反應靈活，部分廠商在某些影像領域佈局較早，通過與醫院進行科研合作、集成進醫院信息化廠商軟件等形式，形成了一定數據和算法壁壘。3)GE、Phillips、聯影等影像設備企業。影像設備企業可依靠現有的影像設備加入AI算法切入醫療機構，易在自有體系內形成一致性的標準和連接。
AI影像產品主要有軟件和軟硬件一體化兩種形態。AI算法可接入醫院信息系統或醫療設備，表現為篩查系統、分析軟件、檢測診斷平臺等，也可將算法軟件集成到專業設備中，拍片後直接生成分析報告，例如眼底篩查相關一體化解決方案。然而，市場上大部分產品同質化嚴重，集中在糖網、肺結節等領域。若只基於通用算法和開放數據集訓練，難以形成產品核心競爭力。領先者將是能實現數據精雕、滿足泛化適應需求和有針對性優化算法的企業。為增強算法的魯棒性、安全性、易用性，產品需要獲取高質量數據並對數據標註精雕細琢，還需對不同影像設備的影像數據有良好的適應性，以及在算法和技術層面針對小樣本、多模態、分佈式樣本進行優化。例如，至真智能篩查眼底相機，是集眼底照相和疾病篩查於一體的便攜式醫用相機，可以完成全自動標準眼底圖採集及雲端AI眼底圖像病灶分析，在河北省某社區衛生服務站，通過項目1個月的運行，已服務近四百人次，識別出四十餘例眼底病變高風險案例，體現出利用AI提升基層診療水平的能力。
從落地應用來看，AI醫學影像可在體檢中心、基層衛生機構、第三方醫學影像中心等醫療服務機構用於疾病篩查。一方面將有效提高篩查的精準度，大幅度減少誤診、漏診，對於醫生診斷能力不足的基層醫院而言，有助於形成基層初篩、上級診斷的分級診療形態，為患者提供一致的、高水平的整體診療服務。以百度旗下的人工智能醫療品牌靈醫智惠打造的眼底影像分析系統為例，聯合權威眼科專家構建AI眼底彩照標註企業標準，引入超過20家三級以上醫院中高年資臨床醫生對50萬例眼底數據的多重交叉標註，獲取了權威的醫療精標數據。已經具備糖尿病視網膜病變、青光眼、老年黃斑病變等三種主要致盲疾病的分析能力，準確率接近三甲醫院醫生能力。2018年，靈醫智惠攜手中山大學中山眼科中心開展“AI眼底影像分析系統科研合作項目”，將AI眼底影像分析能力植入廣東肇慶多個基層醫院，截至今年5月已經幫助557名基層群眾發現眼疾風險。
另一方面在院內輔助環節，AI能節約醫生的時間，將其從低附加值、重複性勞動中解放出來，提升診斷、放療、手術的效率。並且，結合雲平臺的支持，可系統性降低醫院成本、提高診療效果、改善就診體驗。AI可以提供一些參數的定量測量和對比，包括結合患者歷史數據進行縱向對比分析，以及與標準情況、其他患者數據進行橫向對比分析，輔助醫生結合臨床經驗進行判斷。在河南某縣人民醫院和北京醫準智能科技有限公司的合作中，肺結節智能輔助檢測系統被應用於肺癌早期篩查項目中，病灶檢出率高達99%，覆蓋各類型微小結節、小結節、結節及腫塊，並可針對每例病灶給出較高準確率的良惡性分析，極大提高了科室診斷效率及準確率。在項目期間，識別出高度疑似肺癌患者7 人，已經接受活檢或手術確診4人。
儘管產品形態和算法已經較為成熟，然而當前由於監管方面的困難，AI影像產品的商業化落地模式尚不清晰。在Vi- sion China人機大戰中，在AI輔助下的低年資眼科醫生的診斷準確率和效率與高年資眼科醫生相比已經不分伯仲。圖瑪深維、深睿醫療、雅森科技等公司的產品已獲得了二類醫療器械認證，其產品應用僅限用於病灶檢出、異常徵象識別，再由醫生確認病症，暫不可用於診斷領域。目前尚未有一款AI影像產品獲得三類器械認證，因此，不能開展自主診斷，侷限了其應用場景。預計首批三類器械證將在2020年左右發放，為醫學影像市場發展注入強心劑。
監管主要瓶頸在於AI不同於傳統的計算機輔助系統，其具有自學習和快速迭代的特性，推理過程也不完全透明，需要通過有效手段明確其是否能產生一致的、穩健的、可靠的結論。解決的思路包括:1)建立標準化數據集以驗證其有效性和魯棒性;2)提前明確算法未來在數據源、功能、結論變化的可能性和潛在方向;3)在臨床應用過程中建立合適的產品性能監測和註冊變更審批流程;4)針對不同的疾病情況(不同病症、不同嚴重程度)和算法功能(篩查、輔助診斷、治療)，採取相適應、有區別的器械分類標準、評價體系和審批監管標準。
在標準化數據集和監管標準制定方面，需要監管方、醫療機構和AI企業通力合作。由於我國各地醫療信息化水平不一，影像數據標準不一、質量參差不齊，數據合作推動艱難，數據質量有待提升。數據的標註質量也是重要影響因素。全面、方法和標準統一、過程受監管的標註，才能保證產出合格的高質量訓練集。針對以上問題，諸多AI廠商已經在積極參與中國及國際標準制定，以期共同推動標準的前進。例如，2019年年初，靈醫智惠作為牽頭單位，向世界衛生組織和國際電信聯盟成立的健康醫療人工智能焦點組(FG AI4H)遞交了眼底影像和臨床輔助決策系統等2項標準提案，獲得了組織方的高度認同。靈醫智惠攜手國內權威眼科專家共同制定國內首個AI眼底彩照標註企業標準，並且探索更大範圍的合作，推動其成為團體標準。
當然，AI監管放行只是一個發令槍，槍響之後行業從初生到蓬勃還有很長的路要走。首先，收費模式及收費來源尚不清晰，從收取軟件實施費到真正體現AI作用的檢查服務收費模式需要得到醫院、醫保、物價等多方面的共同認可。其次，醫生對AI產品的態度十分關鍵，需要時間來促成其對AI的信任。此外，當前AI主要為滿足醫技科室需求，從醫技科室走向臨床科室，仍然需要很長的路要走。在產品方面，一方面將突破更多的疾病領域、形成全病種複合系統，形成更精準的篩查和診斷，另一方面會結合更多的臨床實際情況，並針對小樣本進行算法優化、拓寬病情預測等應用。在推廣方面，AI醫學影像將通過區域影像中心、體檢中心、“基層篩查，上級診斷”等形式惠及基層。
2.2.1.2 AI輔助診斷
人工智能應用於輔助診斷(CDSS)是未來的發展方向。醫學的不斷髮展促進其專業劃分越來越細，這導致臨床醫生對自己專業範圍外的疾病領域知識掌握有限。然而，臨床真實環境中的疾病情況通常是多學科多領域的複雜情景，需要臨床醫生具備綜合診斷能力。並且，中國當前的醫療服務體系下，基層衛生機構的醫師資源不足、經驗不足、診療能力有待加強。人工智能對解決這些問題提供了極大的幫助，能提供綜合診斷能力，從而提高醫療質量。此外，電子病歷評級、互聯互通測評等政策也成為CDSS加速落地的重要推動力。
與早期的基於專家知識庫的系統不同，AI輔助診斷提供的是決策支持，而非簡單的信息支持。AI 不依賴於事先定義好的規則，能夠保證證據更新的時效性、快速智能地處理臨床數據和醫生反饋，拓寬查詢以外的應用場景。其思辨能力甚至能在一定程度上彌補臨床醫生醫學知識的侷限性，幫助其作出恰當診斷決策，改善臨床結果。
AI輔助診斷一般的模式為“理解病症—評定醫學證據—選擇治療方案”三個步驟。利用自然語言處理、認知計算、自動推理、機器學習、信息檢索等技術，人工智能可以獲取患者病症，模擬醫生的診斷推理能力，為醫生疾病診斷與制定治療方案提供輔助。第一步，病症的獲取包括患者自述、醫生檢查、化驗結果分析等，系統會提取其中關鍵的特徵並結合患者的歷史健康信息，通過自然語言處理讀取和理解病歷。在過程中，AI可以基於分析要求患者或醫生提供某方面的病症補充，或提示需做的檢查、鑑別要點。第二步，AI 結合從文獻、診療標準、臨床指南和臨床經驗等數據積累中學習的知識，通過知識圖譜和推理假設將獲取的病症信息聯繫起來，形成可能的結論、置信度及證據，生成診斷結論和治療方案建議。第三步，在權衡療效、副作用、疾病轉移及其他因素之後，在當前階段由醫生最終形成診斷。
作為“醫療+AI”的一個典型應用場景，諸多廠商都在從不同的能力建設路徑和切入角度探索智能輔助診斷系統。1)科技企業(如百度)從建立醫療知識圖譜和認知計算能力方面切入，構建能夠讀懂數據、循證推理的診療助手，從數據到決策的技術架構相對完整。2)專業CDSS企業有一定的臨床知識積澱，如惠每引入來自梅奧的臨床指南和知識體系，再進行國內臨床驗證調整。3)醫療大數據企業(如醫渡雲、零氪科技)以參與數據結構化幫助醫院提升數據管理質量的方式切入，積累臨床訓練集形成大數據平臺和專病庫，從而夯實CDSS能力的基礎。4)傳統HIS廠商(如東華、東軟、衛寧)通過幫助醫院部署電子病歷評級產品，形成全科病歷數據能力基礎，切入合理用藥、質量管理等近似診斷功能系統。5)醫學專業出版行業通過轉型知識服務商，為醫院提供知識服務。傳統出版行業(如人衛社)對出版資源進行數字化、結構化形成知識庫，與CDSS產品進行對接，為用戶提供知識查詢、知識提示、相似病例提示等服務。同時，結構化的知識也是各CDSS構建知識圖譜的基礎。
在產品方面，服務於不同的目的和場景，CDSS有不同的形態和功能。在具體的醫療環節中，除了腫瘤、血液、骨科、神經科等各類疾病的輔助決策、診斷推薦系統外，在檢查項目推薦、臨床異常檢查、合理用藥、手術規劃、臨床質量管理、醫療知識檢索、相似病歷檢索等方面，CDSS也有所應用。早期，醫療機構參與信息化評級是CDSS落地的關鍵驅動因素，根據我國的《電子病歷系統功能應用水平分級評價方法及標準》，從第3級開始就要具備初級的醫療決策支持能力。現階段，解決診療過程的一致性和規範性問題是CDSS的重要應用價值，包括為響應國家提高基層醫生水平的號召而提供全科輔助、為規範臨床診療行為而開展單病種過程質量控制、針對病歷質量的評估和管理。在某些專業病種方面，產品能夠提供包括疾病分級、用藥、禁忌症提示等方面的診療建議。
對於基層醫院來說，缺乏高質量的全科診療能力是導致基層首診和分級診療制度難以建立的核心原因之一。AI輔助診斷能夠有效減少醫生的誤診、漏診情況，提高醫療質量和安全，控制費用成本。例如，靈醫智惠CDSS能夠覆蓋27個標準科室，具備超4000種疾病的推斷能力，作為基礎診療助手可以避免誤診、漏診，提供經典治療參考，在實踐過程中，通過醫學專家與計算機知識工程專家合作構建的專業的醫學本體，不僅包含傳統的實體、概念、屬性、關係的表示，還引入了規則、函數的超越三元組的知識表示，從而為醫學複雜形態的知識提供強大的表達及可計算能力。目前在13個省市落地數百家醫療機構，服務上萬名醫生。
對於三級醫院來說，AI更多承擔質量管理和輔助助手的角色。一方面AI不受到醫生主觀認知疏漏或偏見的影響，可推動診斷更規範合理。例如惠每在首都醫科大學宣武醫院上線了針對急性腦梗死的單病種質控系統，實現疾病診療過程質控以及質控數據的自動統計和明細查找。另一方面在專科疾病的治療方面，AI能夠提供有力支持。例如醫渡雲在與中國人民解放軍總醫院第五醫學中心的合作中，建立了肝膽腫瘤多維MDT大數據協作平臺，通過決策診療系統，可推薦最新文獻研究結果、相似病歷、備選方案、預期療效及優劣比較等信息，供醫生參考。
縱觀市場上的CDSS產品，受限於技術和數據兩方面約束，能夠建立核心知識圖譜能力的屈指可數。對於AI來說，能夠像臨床醫生一樣去消化醫學知識是極大的難點，需要通過算法針對臨床思路抽取成機器可以理解和執行的診療邏輯，這個過程需要對文獻類、實踐類、臨床類多種信息的綜合分析，這套邏輯(知識圖譜)也就是CDSS的核心價值所在。知識圖譜的構建離不開龐大數據的支撐，然而臨床上實際使用的術語、標準遠遠比文獻和指南中複雜，當前醫療數據結構化的比例較低，電子病歷的標準化、結構化、統一化、專業化也還在推進中，各家醫院的數據封閉、甚至不同科室內也難以聯通。數據基礎層面難以滿足臨床決策支持的需求，大大影響了CDSS落地的有效性。因此，需要通過自然語言處理技術實現病歷結構化，使機器準確完整地“讀懂”病歷，為建立核心知識圖譜提供結構化數據支撐。
從應用來看，CDSS需要契合臨床需求。IBM Watson 落地艱難的探索實踐表明，輔助診斷要跨越象牙塔和業務之間的鴻溝，需要大量的臨床實踐，掌握更多的細微線索以及真實世界數據。對於基層醫院和三級醫院來說，由於面臨的臨床診療痛點不同，也需要產品有不一樣的內容和功能模塊。對於不同的輔助對象(如醫生、護士、醫技)以及不同的場景環節(如寫病歷、開醫囑、手術前後、住院時)來說，具體系統功能模塊也應當有所不同。
因而，未來CDSS產品也應在這兩方面有所提升。首先，應構建精準而不冗餘、動態更新的知識圖譜。未來在統一的人群健康數據基礎上，完成數據清理、病歷的結構化，建立標準化術語集，形成有效知識圖譜，這些工作是CDSS發揮作用的基礎。同時，需高度重視真實世界的最新臨床實踐作為補充，保持醫學知識的不斷更新，促進產品持續優化。其次，針對不同的臨床需求，可提供全科版、專科版等不同版本的產品，全科版以標準化方案賦能基層全面提升診療水平或作為三級醫院質量控制、效率提升的助手，專科版針對特定疾病的能力提升支持專病管理。並且，系統需要結合臨床流程，確保不會對醫生的診療過程產生“打斷”和“干擾”的情況，技術公司需要聆聽臨床的需求和想法，更多采用提示、信息支持而非警示、強制執行的交互手段。同樣地，臨床醫生作為最終使用用戶，更多地參與到CDSS的規則、設計、開發、優化中將對產品發展大有裨益。
2.2.1.3 AI健康管理
健康管理應當是貫穿診前、診中、診後全生命週期的專業化精準服務，人工智能通過智能化手段有助於實現這一目標。傳統的醫療路徑為“患病後治病”，而在未來的醫療健康生態體系下，醫療對健康結果的達成將超越對於診療項目數量的關注，包括注重診前疾病預防，幫助人群在更長的階段內保持健康，並通過預防性篩查和重點關注高危人群提升國民健康水平，以成本更低但更有效的方式管理慢性病，為不同人群提供不同的健康方案。這一過程既需要應用實時收集的健康數據，也需要一定的醫療專業技能支持，以進行人群分群、建立患者畫像，並提供精確完整的建議。尤其在社區和家庭等場景下，由於醫護人員的供給遠遠無法滿足人們的健康需求，人工智能的出現將實現智能化疾病預防指導，實時進行疾病監測和評估，為用戶提供個性化行為干預，推動高效高質、低成本的康復護理和慢病管理，減少疾病風險、防患於未然，為患者、醫院、醫保降低費用。
當前，健康管理市場尚未形成成熟的模式和格局。應用AI的健康管理參與方包括妙健康、悅糖、奇雲諾德、心雲、藍熙健康、碳雲智能等科技企業，涉及營養學、身體健康管理、精神健康管理、基因檢測、家庭護理等多個方面，致力於通過精準醫學和大數據技術構建健康管理解決方案。平安好醫生、微醫、春雨醫生、阿里健康等主打線上掛號和醫藥電商的APP也紛紛上線健康教育、健康數據監測等服務增強用戶粘性。另外，IBM Watson、Microsoft Azure等公司從“AI+Cloud”的角度建立人口健康平臺，提供個人健康多種影響因子的整體視圖，支持醫生與患者共同決策。關聯的企業還包括可穿戴設備企業、第三方檢測公司、體檢機構、健康檔案系統等諸多參與者。從場景上看，主要切入點包括診前的健康監測、疾病篩查、健康評估、保健教育、健康干預(輕問診)，以及診後的跟蹤監測、常見病和慢病管理等。
對於診前健康管理來說，通過基因檢測、智能硬件等途徑，獲取基因、代謝和表型(性狀)等數據，引入人工智能技術對以上數據進行分析，進而可對用戶或患者進行個性化行為干預，為用戶提供飲食、起居等方面的健康生活建議，幫助用戶規避患病風險。例如妙健康“妙+”數據接入平臺，融合了300餘款國內外智能健康設備，接入包括智能硬件、體檢和用戶自評價數據並以此為依據計算“健康行為指數”，從而促進用戶形成健康習慣，並可拓展預約掛號、醫生諮詢等各項服務。
對於診後健康管理來說，依託AI構建智能管理平臺，通過持續的追蹤隨訪、監測和效能評定推算疾病復發和再患病風險，能延長醫療服務半徑，有效緩解醫院門診壓力，釋放優質醫療資源，為患者提供最新的合理治療方案，有助於在慢性病、腫瘤等需要長期隨訪和治療指導的領域，滿足患者的面診購藥、複診續方、康復指導等診後服務需求。在與中國疾病預防控制中心慢性非傳染性疾病預防控制中心的合作中，中關村國衛健康大數據研究院通過國衛健康雲智能化慢病管理平臺對心腦血管疾病高危人群(高血壓、糖尿病、高脂血症患者)進行風險評估和健康管理，提高知曉率、治療率、管理率和控制率。並在智能系統上提供患者簽約管理和隨訪功能，提升家庭醫生簽約服務質量。通過智能患教和問答，進一步幫助患者有針對性的瞭解疾病預防和管理知識，為患者帶來方便的同時大大減少醫生重複性勞動。
診中環節是串聯起診前和診後健康管理的關鍵節點。一方面，從人群中篩選出高患病風險人群和具有患病症狀的人群后，需要打通就診通道，接入醫療服務提供方進行準確的診斷和後續治療。另一方面，在分級診療的趨勢下，診中建議將引導康復護理等後續服務的去向。因而，一站式互聯網健康管理平臺是眾多參與廠商的發展趨勢。
當下，企業在AI健康管理方面的佈局尚在探索階段，存在數據缺乏一致性、關聯性，標準不統一等問題。目前日常健康類數據獨立存在於各智能硬件、手機App中，數據孤島和數據不規範情況顯著。健康智能終端缺少統一的行業標準，廠商間採集和分析的算法不同，結果存在差異，大量可穿戴設備採集的數據不能被醫療機構認可。診中數據(包括電子病歷、電子處方)分散在各醫療機構手中，診後隨訪數據缺乏。這些均制約了AI在健康管理方面的應用。
未來，依託於覆蓋診前、診中、診後全過程並覆蓋基因、生理、環境等全方位的人口健康數據平臺，AI健康管理將在幫助人群預防疾病的同時也能輔助醫生診療、控制醫保費用。尤其在慢病管理方面，醫院內部與外部一體化的智能慢病管理平臺，將充分發揮輔助作用，使患者在家庭中即能得到可靠治療。互聯網家庭健康管理將顯著受益於AI 技術的發展，成為接入院內診療環節的入口，以及承接院內環節的虛擬醫療平臺，實現在線問診、家庭護理、社區醫院、個性化管理等諸多服務內容。
2.2.1.4 AI虛擬助理
AI的應用極大提高了診前效率，改善了患者體驗。預問診、分導診、掛號等場景往往需要大量重複和簡單的人力工作，而AI虛擬助理採用智能機器人、人臉識別、語音識別、遠場識別等技術，結合自然語言處理和知識圖譜等認知層能力，可以根據患者的情況描述和診療需求進行分析，完成診療前分導診、預問診、診療引導等工作，大幅提高效率。同時虛擬助理也可以與人群健康管理理念結合、承擔健康管理助理的工作。
當前，有大量的參與者進入AI虛擬助理領域，尤其是分導診、掛號環節，包括百度、騰訊等互聯網科技巨頭，以及科大訊飛、依圖醫療等AI科技企業。在產品形態方面，既有依託於APP、網頁和小程序等軟件形態的智能平臺，也有部分企業將其和硬件產品相結合，形成醫療助理機器人、導診導醫機器人。在智能分導診以外，產品通常配合專家查詢、醫生匹配、預約掛號、繳費支付、院內導航、診前病史採集、報告查詢、診後隨訪、複診提醒、健康宣教等功能，為患者提供便利化服務。
儘管市場上產品同質化現象較為嚴重，但部分企業憑藉自身的核心AI能力，形成了一定差異化優勢。在院前分導診環節，靈醫智惠AI智能診前助手產品，結合醫療知識圖譜，改善智能問診提問輪次，提供更精準的醫患匹配，優化掛號服務體驗，目前已在北大國際醫院、健康之路等數家醫院/平臺進行應用;在院中環節，左手醫生的預問診系統，可以實現在患者見到醫生之前，由預問診系統先採集好患者情況，通過問答式交互，生成“一訴五史”
的標準病例。方便醫生快速瞭解患者病情。可提升醫患溝通效率，降低50%的問診時間。提升醫生的服務能力，並節省醫生輸入病歷的時間;在院後環節，左手醫生為患者提供離院後的用藥指導和用藥管理以及用藥信息採集，填補了患者離院後用藥管理的空白，做到了帶藥離院患者用藥管理100%全覆蓋。
患者向AI提問時可能會遺漏關鍵信息，使AI問診分析變得困難。而且目前分導診產品對所需要的醫學知識圖譜仍掌握不足，語音識別在醫療場景下的識別率也有待提升。虛擬助理產品當前主要集中於分導診環節，未來可發展更多樣化的產品形態，同時可以參與構建覆蓋診前、診中、診後的集成健康管理平臺，提供更多的醫療助理服務。
2.2.1.5 AI精準醫療
基因檢測在精準醫療中發揮著重要作用。傳統基因檢測中，基因組數量龐大，人工實驗費時費力且耗費成本巨大、檢測準確率低。對於精準醫療來說，包括預測疾病風險和制定個性化的診療方案在內，都迫切需要大量的計算資源及數據的深度挖掘。AI基於強大的計算能力，能快速完成海量數據的分析，挖掘並更新突變位點和疾病的潛在聯繫，強化人們對基因的解讀能力，因而提供更快速、更精確的疾病預測和分析結果，實現患病風險預測、輔助診斷、制定靶向治療方案、診後復發預測等功能。
生命科學企業(如華大基因、貝瑞和康)，依靠多年的技術積累已在基因檢測方面形成很高的技術壁壘，當前正在探索AI在基因測序領域的應用，同時擴展健康管理服務。AI科技企業(如碳雲智能)也在其分析平臺中納入基因數據，提供測序服務，從而更好地洞察某些特定的疾病狀況。
精準醫療將覆蓋診療全過程。在診前為患者提供疾病風險預警、進行行為干預。在診中治療環節，可根據患者的基因序列等個人生理信息輔助個性化治療方案的制定，打造全新的醫療服務範式。在診後通過監測患者的康復情況，及時預測疾病復發、併發症的產生。
2.2.1.6 教學和科研AI平臺
輔助醫學教學平臺通過人工智能、虛擬現實等技術，構造虛擬病人、虛擬空間，模擬患者溝通、手術解剖等醫療場景，輔助醫學教學。一方面，提供逼真的練習場景，幫助醫生縮短訓練時間、提升教學效果，另一方面，打通了從海量數據中提取精準定量診療關鍵信息的層層壁壘，使得診療經驗得到積累與傳承，提高了醫療服務的精準化水平。
例如，人衛社利用新技術進行傳統出版和新媒體出版融合，提升教學、培訓服務能力。包括研發數字教材、融合教材、教學助手等產品，結合AR、VR等新興技術，通過整合高質量教學資源、精準的教學評價系統以及全面的教學數據採集與分析系統，輔助教師開展多種形式的課堂教學，提供數據分析用以指導教學改革，提升教學質量。此外，阿里健康正與浙大附二院、中國醫藥衛生事業發展基金會三方嘗試在阿里ET醫療大腦的醫師培訓教學系統中，將各種臨床病例數據脫敏轉變成三維“ 虛擬病人”，通過人機語音交互，模擬場景治病、在線討論、綜合評分，實現醫護人員臨床診療能力的在線培養、考核、評估、監督。
AI技術為醫生提供了一個高效方便、簡單易用的醫學研究平臺，可以快速收集處理數據、運用算法高效分析數據。目前有兩大問題制約著醫生的科研工作，一是醫生的臨床工作佔用了大量時間，缺乏時間開展科研，二是缺乏充足規範的數據和強大的數據處理能力。醫學研究AI平臺能夠整合超強算力、高融合網絡、儀器設備、算法模型、醫療數據等資源，打造醫學研究服務方案，方便醫生將深度學習、影像組學以及自然語言處理等前沿AI技術應用到臨床科研實踐中，提供數據收集、存儲、統計、挖掘、分析，以及基因和生物信息分析等服務。
對於醫院來說，AI等新技術可以為科研人員在數據、AI分析工具等很多方面提供便利。例如依圖醫療和四川大學華西醫院合作建設的肺癌臨床科研智能病種庫，可幫助醫生在系統內進行數據預分析，縮短科研預處理時間，以及一鍵導出回顧性實驗課題數據並對接專業分析軟件完成分析，輔助科研論文撰寫。對於AI技術企業來說，輔助醫學研究平臺是獲取醫院數據訓練集的一種方式，也有助於通過和醫院合作科研的形式拓展AI應用落地。包括BAT在內的科技企業、醫渡雲等醫療大數據企業、推想科技等AI應用企業、傳統醫療信息化廠商、基因測序等生命科學企業都在積極參與平臺的建設。未來的發展方向，醫學研究平臺需要和臨床緊密結合、相互支持，不斷運用臨床實踐檢驗、反饋和更新科研結果和平臺設計。
2.2.1.7 智慧醫院管理
人工智能可以通過實時數據追蹤、分析、預測來優化醫院管理。管理內容包括電子病歷管理、質量管理(如用藥質量、臨床路徑、醫技檢查質量)、績效管理(如DRGs績效)、精細化運營(節能管理、智慧病房、藥品閉環管理)等。我國各地方醫院缺乏統一規範的智能管理系統，而基於人工的系統管理容易產生誤差大、成本高、耗時長、過程繁瑣等問題。利用人工智能開展醫院管理可以在技術層面上做到更加精準，減少人力成本，簡化運營方式，提高透明度，給患者帶來更好的醫療體驗，給醫生帶來更便捷的工作環境。
目前大部分醫院仍處於數字化的初級階段，AI應用於醫院管理的條件尚未完全成熟。AI技術的應用需要大量、標準、結構化的數據集，目前醫院在信息化發展、院內數據互聯互通、數據質量等方面尚不能滿足AI應用的條件，而且大部分醫院未形成一致性的臨床規範和標準，也為智慧醫院管理增加難度。未來，醫院應持續推進數字化進程，建立一致性的、互聯互通的數據基礎，實施標準化的管理原則，在高度數字化的基礎上，將AI等先進技術應用於醫院管理中，從而提升醫院管理質量和效率。
2.2.2藥品及醫療器械提供方
藥品及醫療器械提供方是醫療產品及關聯服務的提供方，主要包括藥品和醫療器械兩大類。對於他們來說，在醫保控費、取消藥品加成等改革舉措下，傳統的研發、生產、銷售模式將面臨壓力。如何提升內部效率、降本增益、真正掌握終端人群需求從而轉化服務，成為藥品及醫療器械提供方需要思考的問題。而以患者為中心，更快、更好地提供符合健康需求的產品是其實現自身經營目標的必由之路。
為此，AI應用能夠帶來縮短研發週期、降低研發成本、提高研發成功率、加速臨床進程、提質增效、邁向精準醫學等多方面價值。
2.2.2.1 AI藥物研發
新藥研發成本極高、週期極長。業界一直流傳著“雙
10”的說法，即新藥的開發需要10年的時間和10億美元的資金投入。然而，實際上所需的投資遠不止於此，據美國塔弗茨藥物開發研究中心最新研究，每種新藥的研發需要28.7億美元的投資10。而且藥物研發的失敗率很高，平均研製的5,000種藥物中，只有5種能夠進入動物實驗階段，而這其中又只有1種藥物能夠進入臨床試驗階段11。AI技術的發展可助力研發人員更高效的鎖定解決方案，大大縮短研發週期，並降低總體成本。
藥物研發階段，人工智能的主要應用包括靶點篩選、藥物挖掘、藥物優化三部分。在靶點篩選階段，人工智能可以通過挖掘海量文獻(包括論文、專利、臨床試驗結果)進行生物化學預測，進而發現新靶點，也可以通過交叉研究和匹配市面上已曝光的藥物和人體上的1萬多個靶點，以發現新的有效的結合點。相較於靶點發現，人工智能在藥物挖掘方面的應用更為成熟，例如利用虛擬篩選技術，在計算機中模擬實體篩選過程，建立合理的藥效團模型與化合物數據庫進行匹配，通過分子模擬手段計算化合物庫中的小分子與靶標結合的能力，提高篩選的速度和成功率，減少在構建大規模的化合物庫、提取或培養靶酶或者靶細胞等方面的成本投入。在藥物優化階段，AI可通過對千萬級的分子監控，預測它們的活性、毒性和不良反應等，完成候選化合物的挑選和開發，快速全面改進先導物的分子缺陷。在藥物晶型預測方面，AI可以挖掘一個分子藥物的所有可能晶型，具有巨大的專利價值。此外，計算機視覺通過分析化合物的細胞圖像數據也在表型篩選中發揮作用。
大型藥企及藥物研究機構以項目的方式與AI技術公司(如Atomwise、BenevolentAI、晶泰科技)進行合作，加快藥物研發進程。以英國初創公司BenevolentAI為例，該公司研發了JACS(Judgment Augmented Cognition System，增強判斷認知系統)平臺，集成了大量的科學論文、專利、臨床試驗信息化信息，協助藥物研發人員在藥物研發過程中確定正確的調製機制、篩選出最合適的靶點並預測患者的反應。BenevolentAI已與全球多家大型藥企達成合作，如在2019年4月宣佈與阿斯利康開始長期合作，將利用AI和機器學習數據來研發慢性腎病(CKD)和特發性肺纖維化(IPF)的新療法。雙方的研發人員把阿斯利康的基因組學、化學和臨床數據與BenevolentAI的靶標發現平臺相結合，通過機器學習系統地分析數據來識別關聯關係，以瞭解這些複雜疾病的潛在機制，以便更快的確定藥物靶點。輝瑞與晶泰科技、藥明康德與Insilico Medicine也有在新藥研發方面的合作。
當前在藥物發掘過程中AI應用面臨的主要問題是高質量數據的缺乏，大部分數據來源於文獻和實驗，數據量不大且結構化難度高，將大大影響篩選的結果。此外，AI企業需要對藥物設計邏輯和醫藥知識的理解也是制約其作用發揮的痛點。在近期應用方面，考慮到絕大多數國內藥企在現階段主要專注於仿製藥的開發，如能有成熟的AI技術協助，找到與原研藥相似的化學結構並優化設計，實現近似或更好的診療效果，則能夠在加速國內藥品上市的同時，幫助藥企控制研發成本。
2.2.2.2 AI輔助臨床策略制定
識別並招募合適的患者來配合臨床試驗是研發過程中的難題之一。以美國的藥物臨床試驗流程為例，三個階段共需要招募約1,120-3,380位志願者，其中第三階段需要1,000-3,000位已被診斷為特定疾病的患者，且需要對其進行持續約三年的跟蹤。這一過程中，未能招募足夠的參與者、患者中途退出、意外和嚴重的藥品副作用以及錯誤的數據收集方法等問題都可能導致臨床試驗失敗。根據拜耳的統計，90%的臨床試驗未能在目標時間內招募到合適的志願者，導致藥物研發時間拖長。AI技術可以幫助藥企更精確地發現、篩選、匹配合適的志願者，並幫助簡化患者註冊流程，同時收集及分析患者數據。
目前，涉足該領域的主要為初創型企業，包括國外的Mendel.ai、Trials.ai，以及國內的醫療健康大數據企業醫渡雲、零氪科技。Mendel.ai可幫助藥企實現20%-50%的潛在志願者的識別數量提升，同時可將潛在意願者的認證標準流程大幅減少到9分鐘，而現在平均的乳腺癌志願者認證時間為19天，肺癌可達263天。
該應用的落地基礎是擁有跨醫院的患者電子病歷信息，建立起患者同意共享數據的大數據平臺。當下的核心痛點並非AI技術本身，而是數據的可得性和數據標準化質量。藥企對於該場景的未來應用抱有極大的期待，AI應用企業應當積極與藥企以及醫院合作，獲取患者的數據並進行持續跟蹤，應用AI技術替代人工進行數據收集、整理、清洗，提升數據收集效率與數據質量。
2.2.2.3應用AI的真實世界研究
真實世界證據主要指從日常醫療實踐過程有關信息中提取的數據，包括個人健康管理方面的數據，可以作為臨床試驗證據之外的補充證據。真實世界研究目的更加多樣，可圍繞著病因、診斷、治療、預後及臨床預測等相關的研究問題展開，也可進行藥物上市後的效果跟蹤觀察、安全性監測、藥物重定向、識別審批提速的機會。真實世界數據能夠反映真實的臨床實踐情況，有助於促進精準醫學進程。人工智能在真實世界研究中的應用主要包括數據收集、數據庫構建和數據分析。
真實世界研究需要大量脫敏的、結構化、有代表性的數據，而一直以來我國收集的醫療臨床
大數據尚無法滿足需求。在此方面，零氪科技、醫渡雲等醫療大數據公司有先天的優勢。例如零氪科技協助某醫療機構開展了回顧性真實世界研究，來判斷不同的驅動基因突變與常規抗腫瘤藥物敏感指標的關係，有助於腫瘤治療的藥物方案選擇。現階段缺乏數據的企業，可與政府、醫療機構、藥企合作，推進相應的項目。AI公司在實踐方面，應注重對醫院數據的收集、清洗、標準化，提高數據質量，以期未來構建統一化的、全國性的基於真實數據的大數據平臺。
2.2.3醫療支付和監管方
除了政府財政和個人支出外，醫療的核心支付方為醫保局和商業保險公司，醫保局同時也是醫療服務和產品的監管方之一。此外，當下的醫療監管方還主要包括衛健委和藥監局(NMPA)。
對於監管方來說，保障醫療體系高質量低負擔運轉、提升國民健康水平是其制定公共衛生政策、規範醫療准入和質量標準、監督和管理醫療相關活動的核心原則。一方面，政府政策是推動醫療體系“價值醫療”趨勢的關鍵力量，也是大數據和AI在醫療體系應用的關鍵驅動因素。另一方面，有效的公共衛生政策也依賴於數據分析甚至AI輔助的支持，包括預防醫學、區域疾病在線監測和干預、人口健康管理、健康預期、壽命測算等。重慶、烏魯木齊、南京、寧波等地的疾病預防控制中心和衛生信息中心已經上線了相關的網絡平臺和系統。11
在醫療供求矛盾的大背景下，短期內醫療服務方和醫藥提供方難以有跨越式的變革，控制醫療成本、尋求最高價值的關鍵抓手在於醫保支付方。而AI將成為支付方撬動整個醫療生態圈的重要助力之一(參閱圖11)。AI將幫助實現醫保控費、智能風控、減少欺詐等行為，促進支付方與醫療服務提供方及藥品、器械提供方形成新的協同關係，最終目標是以醫療價值為導向，提升醫療服務、藥品以及器械的質量水平並節約支出。
2.2.3.1應用AI制定保險策略
當前醫療保險產品同質化程度高，針對不同特徵人群的產品較少，同時對客戶發生的變化反應較為遲緩，缺乏跟進客戶身體狀況的系統。例如雖然慢性病患者生活狀況、治療流程都相對穩定，但保險公司由於缺乏精準的醫療健康數據進行精算，難以設計覆蓋慢病群體的產品。利用AI，保險公司可以面向不同情況的客戶提供差異化的保險服務產品，為用戶提供更好的體驗，實現保險公平化。同時，基於對客戶身體情況的分析，可以幫助其獲得更及時有效的治療，提供更精準的服務。
基於大數據分析和機器學習，AI可以實現智能定價和精準營銷。前者利用大數據和人工智能在客戶投保階段審核客戶的信息，建立用戶畫像，並根據身體狀況，年齡，收入等指標對用戶分級歸類，給出最適合的產品解決方案以及最精準的保費定價。後者通過對用戶的數據分析，有針對性地定製產品與精準營銷策略，產生千人千面的互動效果以及產品推薦，將合適的產品推薦給合適的人群。
對保險行業來說，AI將在增加覆蓋面和降低風險兩方面提供助力，前者通過人群畫像和個性化定價，讓更多的用戶變成客戶。後者通過管控和審核理賠風險，降低不必要的支出。此外，當AI發現保險客戶出現潛在的疾病風險時，提前採取輔助手段進行健康管理指導，提醒客戶檢查。
平安、泰康、太平洋、眾安等保險公司都在積極探索AI在保險領域的應用。但當下，人群健康大數據平臺尚未建立，如何打破數據孤島，實現數據和能力的整合，將成為後續發展的關鍵問題。
2.2.3.2 AI藥事管理
過度醫療和醫藥濫用增加了國家基本醫保的損耗和商業健康險的虧損。為了降低醫療費用支出，醫療支付方非常願意也必須為控費尋求方案，包括干預就診醫療機構、影響用藥選擇、制定受保藥物清單、改變支付結算方式等。
人工智能可基於大量臨床數據和患者的個人用藥史來對醫生開具的處方進行審核，在對醫療服務進行監管的同時，為支付方實現控費目標。智能系統能夠完成實時醫療用藥監控、輔助提示、自動化審核、自動控費等功能，實現事前提醒、事中控制、事後審核，提高審單的效率和準確性。在審核以外，拓展切入指定藥品目錄、藥品與處方評價、輔助定價、招採准入、醫藥/器械流通銷售、支付方式優化、質量監控等方面。通過監控醫生診療和藥品使用環節，系統建立起對診療合理路徑和藥品使用規則的理解，為個人用戶提供健康管理服務。同時，智能系統能夠在過程中促進健康信息數據平臺和醫療評價體系的建設。
當前主要的參與者包括:(1)專門的醫療信息化企業，如海虹控股、快捷藥方公司(ESI)，在專業性上更強，可以和社會醫保以及多家商業保險公司合作;(2)保險公司，如平安醫保科技、美國聯合健康集團(UNH)，可以聯動“保險+PBM+醫療服務”。零售藥房、電商平臺、醫藥流通企業、藥企也是藥事管理的潛在參與者。例如復旦大學附屬華山醫院和醫利捷(上海)信息科技有限公司合作的基於定量藥理和人工智能的臨床個體化用藥輔助決策系統，基於神經網絡算法和貝葉斯模型的藥動學/藥效學(PK/PD)模型，可提高醫療質量、減少醫療差錯、保障用藥安全、實現精準用藥。
針對藥品的控費規劃需要醫院的處方、患者連續性的用藥數據以及對醫療專業知識的深刻理解，才能確保醫療數據分析和審核能力。然而當下，用藥以及健康數據分散在不同醫療機構和跨地區的醫保系統中，處方流轉也還在探索之中，發展相對受限。此外，強大的藥品議價權、成熟的供應鏈體系、完善的支付端保障是從控費系統服務方拓展到全環節服務提供方的重要能力基礎。隨著醫保局的成立，醫保將從被動方變為主動方，對於通過控費提升醫保支出效率的需求會增強。此外，商業保險飛速發展，控費系統能夠為其提供監控手段，成為議價和險種設計的有力支持。
2.2.3.3 AI自動審核
違規使用醫保、詐騙套取醫保的情況給醫保基金帶來了巨大的經濟損失，也嚴重損害了人們的利益和健康權益。人工審查存在出錯率高、環節複雜、費用高和耗時多等問題。智能稽查通過風險模型，建立事前、事中、事後的有效管控，能夠高效識別不合理單據。
AI應用可涵蓋社會醫保以及幾乎所有醫療商業險，包括疾病保險、重大疾病保險、住院保險、手術保險等，包括智能跟蹤和智能審查兩大功能。保險公司藉助跟蹤系統，將全程介入投保人“健康跟蹤——醫院就診——醫療護理“的全過程。通過高效、全面的健康管理降低成本，提升客戶體驗。保險公司也可應用智能審查，根據投保人提供的信息，通過數據挖掘與機器學習發現其中異常數據並做投保人欺詐分析。例如在醫保方面，海虹控股目前已在20個省/直轄市的百餘地市就公司醫保控費業務開展試點工作，對每一筆單據進行審核，稽查檢查治療與病例是否相符，推動合理用藥、合理檢查、合理治療。
2.3醫療AI技術能力說明
縱觀AI技術對各主體參與方的賦能應用，其核心能力分為計算智能、感知智能和認知智能三層。此外，醫療AI的發展依賴智能芯片、傳感器、網絡通信、邊緣計算等基礎設施，以及醫療健康行業理解、數字化運營等關鍵能力。12
2.3.1數據是醫療AI發展的基礎
數據將在很大程度上決定算法的訓練結果，然而獲取完整可用的數據絕非易事.
2.3.2認知層能力不可或缺
人工智能包括感知智能(比如圖像識別、語音識別)和認知智能(主要是自然語言處理、知識圖譜)。當前，感知智能技術已經相當領先，尤其是在機器視覺的物體識別精準度方面，認知智能成為人工智能實現最困難的部分之一。
醫學自然語言處理:
自然語言處理(NLP)幫助計算機認知、理解、生成人類使用的自然語言，包括機器翻譯、閱讀理解、智能寫作、對話系統、基礎技術和語義計算等。當前，主要通過機器學習(包括深度學習)的方式，來模擬人體大腦思考的方式。自然語言處理對於病歷結構化、實現虛擬助理和輔助診斷、挖掘文獻和臨床等證據中藥物與疾病的關係等應用至關重要。
當前，國內絕大部分醫院的病歷以自然語言記錄，這些非結構化的病歷無法直接被機器使用，需要通過自然語言處理技術轉換為結構化信息，以便機器處理。難點在於三個方面，無法用統一的模型來表達多元病歷數據;無法快速、準確檢索到滿足研究需求的患者;無法高效的將原始數據轉化為研究所需的精細顆粒度結構化數據。因此需要一套完整的、多層級的數據治理方案，輔助醫療數據的高效利用。
針對以上問題，國內各AI廠商都進行了諸多探索，百度在此領域的實踐可以作為醫學自然語言處理髮展的典範，將醫療自然語言處理工作分為三個層次:
識別病歷文本中的多種實體，以及實體與屬性間的關係，為後續任務(如知識庫建設、檢索庫建庫)提供基礎特徵。
針對標註成本高和醫學文本表達一致性差的挑戰，研發了一套面向小樣本的學習引擎，整合語言模型預訓練和主動學習技術，僅對機器無法判斷的樣本進行定向篩選和標註，大幅降低人工智能標註數據的用量和標註成本。
針對患者多源數據問題，整合了患者多期多類單據結果，形成以患者為中心的結構化輸出，為輔助診斷、質控等模塊提供重要信息。
第三部分:醫療AI發展模式探索
3.1醫療AI需求及供給模式分析
醫療AI從產業發展的角度，可分為醫療AI的需求方及供給方，在需求與供給雙方的不斷融合過程中，形成了醫療AI獨特的發展模式，醫療AI的供給方需探索其可持續的發展模式。
醫療AI的需求以價值為導向，以實際業務需求為出發點。基於本白皮書對醫療體系發展“中局”及“終局”的分析，未來醫療體系將按照價值醫療的趨勢進行發展。注重療效、增強體驗、降低成本，將是醫療體系發展過程中最重要的價值需求。醫療服務提供方、醫療支付方和監管方、藥品及醫療器械提供方都在按照醫療體系整體發展的趨勢進行逐步改革發展。
當前，全行業都認可醫療AI發展的巨大潛力，各類醫療AI供給方紛紛涉足其中:包括IBM、Intel、微軟、蘋果、谷歌、百度、阿里巴巴、騰訊、京東等科技巨頭，聯合保險、平安、泰康等行業巨頭，東軟、東華軟件、衛寧健康、北大醫信等傳統醫療信息化企業，也包括新興的醫療數字化企業及創新企業和出版企業，各自依靠其自身資源稟賦進行醫療AI佈局。
3.2醫療AI需求及供給關係思考
通過對醫療健康生態圈各方在AI領域的研究與分析，醫療AI的需求方與供給方之間的相互反饋值得深思:
醫療AI需求方對供給方的反饋:非常期待各醫療AI供給方能夠參與到醫療體系的改革與發展中;目前醫療AI供給方缺乏對醫療行業深入的理解，產品及解決方案與醫療行業的期望仍有差距;過度強調其技術和產品先進性，忽視了患者、醫生護士的體驗;產品雖然優秀，但無法解決當前醫療體系中的痛點;醫療行業是一箇中長期投資行業，部分醫療AI供給方短視的投資策略無法持續。
醫療AI供給方對需求方的反饋:醫療AI行業具有非常大的發展潛力，但短期商業模式仍需進行探索;醫療行業的數字化水平發展比較低，但似乎醫療行業並沒有進行快速變革的驅動力;醫療行業數據很多，但高質量的數據有限;醫療行業歡迎醫療AI各參與方共同研發產品，但似乎研發出的產品推廣難度很大;醫療行業是需要長期投資的，投資者在醫療領域投資更需要關注長期趨勢。
3.3醫療AI需求方發展路徑建議
制定醫療AI 整體發展策略，使AI發展能夠契合醫療參與方自身業務發展方向。以人為本，提升患者療效、提高患者體驗、降低醫療成本是各醫療健康參與方改革和發展的目標，發展AI是促進各參與方進行改革和發展的有效手段。各方可根據國家發展政策規劃和技術發展趨勢，結合自身發展現狀，在整體業務和數字化發展策略的基礎上，規劃醫療AI發展舉措，包括髮展醫療AI的目標、作用、基礎、場景、團隊、發展路徑、合作模式等，從理念到行動達成知行統一。
高質量數據是AI發揮作用的基礎。雖然當前醫療健康行業數據量大、種類多，但數據質量非常低，極大地限制了數據能夠發揮的作用。長期積累的海量歷史數據如何發揮其作用、非結構化數據如何轉化為結構化數據、數據如何標準化、如何實現以人為本的數據全生命週期記錄、如何打通不同醫療參與方的數據，都是各醫療健康參與方需要長期關注並解決的問題。只有持續擁有高質量的數據，醫療AI才擁有真正發揮作用的基礎。
醫療專家與科技人才需要持續的互動與交流，增強雙方的理解和對話。雙方可共同在AI有潛力的領域進行探索，通過原型開發及反覆的解決方案迭代，在醫療專家的持續支持之下，形成成熟可推廣的解決方案;制定醫療AI人才選、用、育、留的方案，形成醫療AI人才培養體系。13
3.4醫療AI供給方發展路徑建議
醫療AI需求方和供給方之間存在如此多的鴻溝，如何使雙方共同可持續發展，是醫療AI各參與方共同面對的難題。醫療體系正在沿著價值醫療的趨勢向前發展，在此趨勢之下，醫療AI供給方將按照下圖的模式進行發展，協同醫療健康生態圈各方，實現以人為本的整合型醫療衛生服務體系。醫療人工智能的發展將從目前的由技術、工具驅動向以價值醫療為核心的端到端解決方案演進。14
基於以上對醫療AI供給方發展模式的分析，提出如下建議:
把握醫療體系改革脈搏、助力醫療體系共同發展。從醫療健康生態圈發展的價值鏈出發，醫療AI需求方和供給方形成利益共同體，共同推動醫療AI產業化發展，以人為本，提高人群健康水平，增強體驗，降低成本，創造價值。
掌握醫療AI核心技術、奠定發展基礎。在算法能力、感知能力、認知能力、平臺能力多方面逐漸形成自身核心技術優勢，實現從技術到應用的演進。
構建運營能力、實現共贏商業模式。業務運營及數字化運營能力是AI需求方迫切需要供給方提供的能力，只有通過運營才能使醫療AI解決方案發揮效用，實現AI產品落地。
共建合作伙伴網絡、提供端到端解決方案。面向醫療AI需求方，提供從產品、服務到運營的端到端解決方案，通過實現需求方的業務價值而形成可持續發展的商業模式。醫療AI供給方之間，供給方與需求方之間，在數據、專家領域形成多樣化合作，共同進行解決方案研發及商業模式探索。
（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
1.1宏觀發展趨勢及醫療需求的變化
衛生總費用增速當前已超GDP增速，未來隨著經濟增長進入新常態，GDP增速持續放緩，經濟增量支持的減少將給醫保基金支付帶來風險和壓力。2013- 2017年，中國衛生總費用的年均增速保持在11.5%-13.5%，預計2030-2035年間，增速仍將達7.5%。2017年，衛生總費用佔GDP的6.36%，2035年預期達到9%。同金磚國家或發展水平相當的中等收入國家(如印度、泰國、阿聯酋、馬來西亞)相比，我國衛生總費用佔GDP的比重已經較高，當下面臨較大的醫療負擔。發達國家如美國、英國、德國、日本2015年的衛生總費用佔比分別為16.8%、9.9%、11.2%、10.9%，同這些發達國家相比，我國的佔比還比較低，未來仍有較大的上行壓力(世界衛生統計，2018年)。
人口老齡化將是未來幾十年中國醫療健康需求總量持續攀升、集中爆發的直接原因。2018年，中國65歲以上人口已超1.6億，佔比達11.9%，是較早進入老齡社會的發展中國家之一。此外，老齡化速度增快，60歲以上人口占比到2050年或達35%。人口老齡化的影響之一是人群疾病譜結構將發生變化，例如慢病患病率將持續上升。我國已確診的慢病患病人數超3億，同時患病率以每年5.8% 的速度增長3。而根據全國衛生服務調查，65歲以上群體的慢性病患病率高達78.4%，是全部人口患病率的3.2倍，即老齡人口越多慢病人群基數越大。如今，慢病已成為健康的頭號威脅，佔到了中國77% 的健康生命年損失和85% 的死亡誘因，佔全部疾病負擔的60%以上。人口結構的變化帶來的第二個影響是診療以外的醫療健康需求的結構性增加，包括疾病預防和治療、健康監測和管理、養生和保健、臨終關懷等。以體檢為例，與美、日、德超70%的覆蓋率相比，我國的健康管理市場還有巨大的發展空間。伴隨著生活水平的提高，以及國家政策對家庭醫生、慢病防治、健康生活等方面的支持，越來越多的人群將主動參與健康管理。02
此外，在醫療健康消費升級趨勢下，人們對醫療健康的效果、品質、體驗等提出了更高的要求，醫療健康服務將更加註重個性化、人性化。當人均可支配收入超過某個“臨界點”，醫療健康消費會加速發展。中國的人均可支配收入持續快速增長，將成為醫療健康消費加速發展的新力量。表現為，我國近年來的人均醫療消費支出快速提升，過去碎片化、溝通不足、質量和體驗有待提升的醫療服務愈來愈不能滿足人們的需求。此外，根據羅蘭貝格行業分析，集中於公立醫院特需和國際部、私立醫院等醫療機構的體檢、眼科、口腔、美容、輔助生殖等領域的高端醫療需求人數與服務規模在不斷增長，需求人群已有3,000-5,000萬、市場規模超千億。未來，優化就醫流程、增加便捷性、改善候診就診及病房條件、提升醫護人員服務意識、提供精準醫療將是大勢所趨。
1.2醫療供給的變化
支付壓力大將是中國醫療體系面臨的挑戰之一。拆解我國衛生費用總支出構成，政府衛生支出佔28.3%，社會衛生支出佔43.0%，個人衛生支出佔28.7%。而WHO推薦的可以防止因病致貧的自付費用佔衛生總費用比例為20%，且2016年政府衛生支出佔財政支出的比重已達7.1%(接近全球10.6%的平均數水平)，財政支出壓力較大。政府應積極採取措施，提高衛生支出效率。
醫保基金呈現出支出增幅大於收入增幅的態勢。2018年，職工基本醫療保險基金收入增長8.7%，支出增長11.5%，城鄉居民基本醫療保險基金收入增長27.1%，支出增長28.9%8。伴隨著老齡化的趨勢，長此以往醫保基金將面臨較大的可持續壓力。目前，雖然三大基本醫療保險已基本實現全面覆蓋，但資金使用效率亟待提升，支出效率提升、醫保控費成為關鍵方向。過去，醫保缺乏有效的控費目標和手段，只是被動支付而沒有控制能力，藥品、耗材、檢查佔醫院收入比利較高，亟待降低。不過，隨著2018年3月國家醫療保障局成立，宣告將由統一機構管理三大醫保，同時加強三醫聯動，通過醫保撬動醫藥、醫療的規範化。擁有價格管理和招標採購職能的醫保局，將由支付方變為購買方，有利於藥事管理(PBM)、按病種付費(DRGs)、異地就醫等醫改舉措的大步推進。
同時，醫療供給面臨核心醫師資源總量不足、資源分佈不均衡、資源配置不合理等問題。從總量上看，醫療資源供給增長落後於需求增長。醫生資源缺口問題在影像科、病理科以及全科醫生方面尤為嚴重。目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率僅為4.1%，病理科醫生缺口達到10萬。我國全科醫生數約25 萬人，
佔醫生總數的7.37%。這一數字還遠遠達不到建立真正的全科醫生制度體系的需求(德國、法國、日本佔比均在20%以上，美國在12%以上)。由於醫生的培養週期很長，資源短缺問題短期內無法解決。
從分佈上看，醫療資源集中於三級醫院和發達地區，基層醫院醫療水平低、醫師資源少。從配置上看，由於三級醫院長期超負荷運轉，承擔了過多基礎診療工作，導致核心醫療資源無法發揮最大價值。供需結構不匹配導致了醫院運營效率低、誤診率高、醫療體驗差等諸多問題。03
1.3新技術的發展
在新一波技術發展浪潮中，以AI、邊緣計算、大數據、物聯網、5G等一系列技術為代表的“技術簇”正在為各行各業帶來新的技術架構、新的商業模式和新的發展理念。技術發展催生的行業數字化正在推動各行各業創新發展。
以醫院信息化發展為例，當前正在歷經第三次發展浪潮。2000年左右，在以服務收費為核心目標的基礎信息化推動下，HIS系統逐步鋪開。2013年左右，在電子病歷評級和互聯互通需求拉動下，醫院內分散的信息系統孤島(包括HIS、HRP、EMR、PACS、RIS、NIS、LIS等)開始走向集成化。自2018年開始，智能化發展進程加快，新技術在助力醫療體系從“已知的已知known-knowns”向“已知的未知known-unknowns”及“未知的已知un-known-knowns”乃至“未知的未知unknown-unknowns”方面進行逐步探索，依託於人工智能、大數據、邊緣計算和5G等技術，湧現出諸如CDSS、AI影像、互聯網醫療等智慧化應用。例如，領先廠商通過人工智能、虛擬現實、機器人、5G等技術的結合，已經具備遠程專家高精度指導手術、對病灶區域進行輔助診斷的能力，越來越多的前沿技術開始應用於基因測序、細胞免疫療法、3D骨骼打印、實時機體檢測等領域。04
醫療行業數字化建設將逐漸從政策驅動向價值驅動演進。傳統為了滿足評級和政策檢查所建設的很多信息化系統，由於存在數據質量差、數據分散不互通等諸多問題，數字化效用難以有效發揮。但當下，在醫療支付體制改革的推動下，醫院在藥品控制、診療路徑控制、分級醫院體系構建等方面將進行主動改革，充分利用信息化手段提質增效，促進醫療服務體系變革發展。具體表現在:
智慧化:通過數字化技術解決複雜醫療臨床、科研及管理問題，或賦能醫生，提高診療能力。
線上化:從患者體驗出發，將部分業務線上化處理，增加醫患溝通渠道，便民利民。
數據驅動:採集、存儲、組織、整合、應用海量的人群健康數據，挖掘併發揮這些數據信息對於醫學研究、臨床實踐、醫保控費等醫療價值點的作用。
雲服務:基於互聯網技術，以雲服務的形式提供彈性的IT基礎設施，降低醫療機構建設成本、破除數據孤島、保障業務連續性。
1.4醫療體系發展趨勢
基於對宏觀經濟發展趨勢、醫療需求及供給以及新技術發展趨勢的分析，我們認為，醫療體系將在成本控制的基礎上 (緩解供給端支付壓力)，提高人群健康水平和患者體驗(滿足多樣化、多層次、個性化、動態化的需求)，實現以人為 本的整合型醫療衛生服務(合理分配供給資源，提供一致性醫療健康服務)，最終實現各國都在努力推進的醫療改革。 未來醫療體系發展的趨勢具體表現為:提高人群整體健康水平，實現人群健康管理;醫療生態圈各方有機配合，向人群提供整合式服務;以人為本，實現醫療、醫藥、醫保三醫融合;發展的“終局”將強調醫療價值。
醫療服務、醫療保障、藥品和醫療器械生產及流通體系都在不斷進行著深刻變革，演進過程將是一條符合國情、融合領先科技的路徑。因而，在走向“終局”之前，醫療體系將經歷一段從醫療“中局”向“終局”過渡的發展歷程。
醫療服務體系變革:
從關注診療向全生命週期健康管理進行轉換，包括預防、篩查、診斷、治療及康復，以通過醫聯體、醫共體等一體化服務提升全民健康水平，通過擴大早期預防和篩查的覆蓋減少老齡化趨勢下的診療壓力。
醫療資源和服務能力向基層下沉，增強基層醫療服務能力，由基層提供健康管理及慢病管理、體檢、疾病預防等基礎醫療服務，通過分級診療緩解資源匹配矛盾，改善患者醫療體驗。
供給端總量提升、注重提質增效，在公立醫院改革之餘，鼓勵民營資本參與、加強社會力量投入醫療健康服務。
醫療支付體系變革:
社會醫保明確管理目標、加強控費能力，提高醫療支付效率和投入產出效果，通過醫保帶動醫藥和醫療運營變革、理順激勵機制，逐步實現按價值付費。
商業保險發展提速，成為支付體系的關鍵力量，結合大數據和互聯互通能力提供保險創新模式，例如健康管理組織、藥品福利管理、單病種管理等。
醫藥生產及流通體系變革:
通過科技手段賦能，提供診療效果更好的醫藥產品，例如通過數據分析加速藥品研發及臨床試驗週期、基於真實世界數據進行藥品評價和上市後研究。
降低醫療成本，包括管理藥品及設備耗材的價格、變革流通和零售體系(如DTP藥房)。
1.5 AI在未來醫療體系中的價值
未來，醫療體系的參與方將整體為患者提供整合式服務，通過各方跨領域合作，優化醫療價值，形成一致的利益訴求。圍繞核心醫療生態體系，AI將發揮重要作用，通過提質增效、降本增益、模式創新，推動醫療體系各方的變革和提升。例如提升醫生水平和診療效率、大大降低優質醫療服務的價格、極大提升醫院運營能力、高效管理患者全生命週期醫療健康數據、為患者提供全場景主動式健康管理。
第二部分:面向未來的醫療健康生態體系及人工智能發展機會
2.1面向未來的醫療健康生態體系
醫療健康生態體系的核心目標是提升國民整體健康水平，將以服務量和盈利為目標轉向以患者健康為目標(Porter，2010)，以較低的成本獲得更好的健康結果、服務質量和病人安全(IOM，2010)。對於健康質量來說，包括技術和人性化兩方面(中國醫藥衛生體制改革聯合研究合作方，2016)，即診斷診療對改善健康結果的有益性以及醫療服務對患者的人性化關懷。因而，以人為本的整合型醫療衛生服務體系需要考慮以下三個關鍵因素:
人群健康:價值醫療關注的應該是醫療服務的健康成果和價值，而非服務數量。
患者體驗:醫生是在治療患者，而不是治療疾病。醫療服務應該同時考慮患者的服務體驗，以及對心理、生活、工作等全方面的影響。這也需要不同醫療機構進行整合，為患者提供一致性、一體化的高質量服務。
成本:醫療作為一種公共服務，在關注質量的同時也要考慮適當、公平和可負擔等因素，鑑於作為支付主體的財政和醫保資金都面臨壓力，需要思考如何管理醫療費用，以有限的成本獲得更高的質量。
2.1.1核心層
未來的醫療體制改革將更加重視以人為本，發展以數字化驅動的人群健康管理、一體化服務網絡和三醫融合的服務模式，使目標人群能在合適的時間、地點獲得有針對性、符合診療需求、不過度的醫療健康服務，實現無處不在的醫療、全生命週期關懷和精準醫療。06
從近中期來看，中國正在推動的分級診療也契合這一趨勢，核心舉措包括提升基層醫院的能力，在縣域內完成常見病、多發病診療，讓三級醫院專注提供急危重症和疑難複雜疾病的診療服務。建立雙向轉診制度，鼓勵基層檢查、上級診斷、遠程診斷等服務。同時加強基層醫療人群健康管理職能，重視疾病預防。
2.1.2主體層
醫療體系的主體參與者包括醫療服務提供方、藥品及醫療器械提供方、醫療支付和監管方。各參與方在改善人群健康、提升患者體驗、降低成本的共同目標下，圍繞核心業務流程，提供整合式服務，產生了不同表現形式的價值需求點。07
現階段，醫療健康大數據是割裂的，歸屬於不同的醫療健康參與者。未來醫療體系將形成打通的人群健康大數據平臺，形成對人群健康和醫療體系的“同一版本的真相”(one version of truth)，為AI發揮重要作用建立數據基礎。
2.1.3應用層
結合醫療生態體系價值點，AI技術將演化出豐富多彩的應用場景，滿足醫療服務、藥品和器械、支付和監管等不同參與方的需求，以促進實現“以人為本的整合型服務”。科技巨頭、行業巨頭、醫療信息化企業和AI技術企業紛紛涉足，突破創新層出不窮。詳見“2.2 基於醫療健康生態圈的醫療AI應用細分領域”
2.2基於醫療健康生態圈的醫療AI應用細分領域
AI在醫療行業的應用將以滿足核心人群和主體參與者的價值需求點為中心。08
2.2.1醫療服務提供方
醫療服務提供方包括各級綜合醫院、專科醫院、社區衛生服務中心、鄉鎮衛生院以及連鎖診所和近年興起的民營醫院等醫療衛生機構，他們是在診前、診中、診後整個流程為人群健康服務的主體。將以人為本的價值醫療作為最終發展方向，針對當前醫師資源不足、基層醫療服務能力較低等醫療現狀，與分級診療、按病種付費、醫聯體/醫共體、家庭醫生等改革舉措相結合，AI對於賦能醫院大有可為。未來，醫院的服務邊界將由線下拓展到線上線下一體化，醫療服務將由當前的疾病治療拓展到未來的主動式健康管理，助推各級醫院提供一致的、精準的、體驗良好的健康服務，真正實現無處不在、全生命週期的醫療服務體系。09
AI與醫療的結合能夠產出多方面價值，包括改善健康結果、提高服務質量、提升患者體驗、節約醫療成本、強化醫院運營管理等，在各個環節演化出豐富的應用場景(參閱圖9)。
2.2.1.1 AI醫學影像
人工智能將極大提升醫學影像用於疾病篩查和臨床診斷的能力。醫學影像已成為重要的臨床診斷方法，然而影像科和放療科醫生供給不足、工作量大，因而誤診/漏診率較高。受限於醫師讀片速度，診斷耗費時間長，以胸部CT閱片為例，傳統方法需半小時，AI只需要幾秒。AI可大批量、快速處理圖像數據，提供疾病篩查和輔助診斷功能，醫師只需對結果進行復核。
AI醫學影像是計算機視覺技術在醫療領域的重要應用，能大幅增強圖像分割、特徵提取、定量分析、對比分析等能力，可實現病灶識別與標註、病灶性質判斷、靶區自動勾畫、影像三維重建、影像分類和檢索等功能。具體應用領域包括眼底篩查、X線胸片閱片、腦區分割、腦疾病診斷、骨傷鑑定、骨齡分析、器官勾畫、病理切片分析、皮膚病輔助診斷等各類應用影像數據作為診療手段的疾病領域。
AI醫學影像是當前醫療人工智能最為成熟的應用場景。以眼科為例，目前基於眼底照的AI算法對於眼底疾病、視神經疾病的診斷已經接近人類醫師的水準。AI醫學影像若能結合診斷分級系統，正確引導不同疾病程度的患者到對應的醫療機構就診，則能夠有效解決篩查需求與現有眼科醫師數量嚴重不匹配的問題，極大地拓寬眼病篩查人群的覆蓋範圍。2018年，美國食品藥品監督管理局(FDA)已批准了世界上首款使用人工智能檢測糖尿病患者視網膜病變的二類醫療設備IDx-DR上市。
目前，國內外有上百家企業具備相關的產品或算法，包括:1)百度、Google等科技巨頭。科技巨頭資金雄厚、能長期佈局和投資，AI技術和人才實力有積累，並能結合雲平臺提供服務，最容易形成全疾病範圍、多區域覆蓋、平臺式的產品服務。2)推想科技、依圖醫療等AI創企。AI創企對市場反應靈活，部分廠商在某些影像領域佈局較早，通過與醫院進行科研合作、集成進醫院信息化廠商軟件等形式，形成了一定數據和算法壁壘。3)GE、Phillips、聯影等影像設備企業。影像設備企業可依靠現有的影像設備加入AI算法切入醫療機構，易在自有體系內形成一致性的標準和連接。
AI影像產品主要有軟件和軟硬件一體化兩種形態。AI算法可接入醫院信息系統或醫療設備，表現為篩查系統、分析軟件、檢測診斷平臺等，也可將算法軟件集成到專業設備中，拍片後直接生成分析報告，例如眼底篩查相關一體化解決方案。然而，市場上大部分產品同質化嚴重，集中在糖網、肺結節等領域。若只基於通用算法和開放數據集訓練，難以形成產品核心競爭力。領先者將是能實現數據精雕、滿足泛化適應需求和有針對性優化算法的企業。為增強算法的魯棒性、安全性、易用性，產品需要獲取高質量數據並對數據標註精雕細琢，還需對不同影像設備的影像數據有良好的適應性，以及在算法和技術層面針對小樣本、多模態、分佈式樣本進行優化。例如，至真智能篩查眼底相機，是集眼底照相和疾病篩查於一體的便攜式醫用相機，可以完成全自動標準眼底圖採集及雲端AI眼底圖像病灶分析，在河北省某社區衛生服務站，通過項目1個月的運行，已服務近四百人次，識別出四十餘例眼底病變高風險案例，體現出利用AI提升基層診療水平的能力。
從落地應用來看，AI醫學影像可在體檢中心、基層衛生機構、第三方醫學影像中心等醫療服務機構用於疾病篩查。一方面將有效提高篩查的精準度，大幅度減少誤診、漏診，對於醫生診斷能力不足的基層醫院而言，有助於形成基層初篩、上級診斷的分級診療形態，為患者提供一致的、高水平的整體診療服務。以百度旗下的人工智能醫療品牌靈醫智惠打造的眼底影像分析系統為例，聯合權威眼科專家構建AI眼底彩照標註企業標準，引入超過20家三級以上醫院中高年資臨床醫生對50萬例眼底數據的多重交叉標註，獲取了權威的醫療精標數據。已經具備糖尿病視網膜病變、青光眼、老年黃斑病變等三種主要致盲疾病的分析能力，準確率接近三甲醫院醫生能力。2018年，靈醫智惠攜手中山大學中山眼科中心開展“AI眼底影像分析系統科研合作項目”，將AI眼底影像分析能力植入廣東肇慶多個基層醫院，截至今年5月已經幫助557名基層群眾發現眼疾風險。
另一方面在院內輔助環節，AI能節約醫生的時間，將其從低附加值、重複性勞動中解放出來，提升診斷、放療、手術的效率。並且，結合雲平臺的支持，可系統性降低醫院成本、提高診療效果、改善就診體驗。AI可以提供一些參數的定量測量和對比，包括結合患者歷史數據進行縱向對比分析，以及與標準情況、其他患者數據進行橫向對比分析，輔助醫生結合臨床經驗進行判斷。在河南某縣人民醫院和北京醫準智能科技有限公司的合作中，肺結節智能輔助檢測系統被應用於肺癌早期篩查項目中，病灶檢出率高達99%，覆蓋各類型微小結節、小結節、結節及腫塊，並可針對每例病灶給出較高準確率的良惡性分析，極大提高了科室診斷效率及準確率。在項目期間，識別出高度疑似肺癌患者7 人，已經接受活檢或手術確診4人。
儘管產品形態和算法已經較為成熟，然而當前由於監管方面的困難，AI影像產品的商業化落地模式尚不清晰。在Vi- sion China人機大戰中，在AI輔助下的低年資眼科醫生的診斷準確率和效率與高年資眼科醫生相比已經不分伯仲。圖瑪深維、深睿醫療、雅森科技等公司的產品已獲得了二類醫療器械認證，其產品應用僅限用於病灶檢出、異常徵象識別，再由醫生確認病症，暫不可用於診斷領域。目前尚未有一款AI影像產品獲得三類器械認證，因此，不能開展自主診斷，侷限了其應用場景。預計首批三類器械證將在2020年左右發放，為醫學影像市場發展注入強心劑。
監管主要瓶頸在於AI不同於傳統的計算機輔助系統，其具有自學習和快速迭代的特性，推理過程也不完全透明，需要通過有效手段明確其是否能產生一致的、穩健的、可靠的結論。解決的思路包括:1)建立標準化數據集以驗證其有效性和魯棒性;2)提前明確算法未來在數據源、功能、結論變化的可能性和潛在方向;3)在臨床應用過程中建立合適的產品性能監測和註冊變更審批流程;4)針對不同的疾病情況(不同病症、不同嚴重程度)和算法功能(篩查、輔助診斷、治療)，採取相適應、有區別的器械分類標準、評價體系和審批監管標準。
在標準化數據集和監管標準制定方面，需要監管方、醫療機構和AI企業通力合作。由於我國各地醫療信息化水平不一，影像數據標準不一、質量參差不齊，數據合作推動艱難，數據質量有待提升。數據的標註質量也是重要影響因素。全面、方法和標準統一、過程受監管的標註，才能保證產出合格的高質量訓練集。針對以上問題，諸多AI廠商已經在積極參與中國及國際標準制定，以期共同推動標準的前進。例如，2019年年初，靈醫智惠作為牽頭單位，向世界衛生組織和國際電信聯盟成立的健康醫療人工智能焦點組(FG AI4H)遞交了眼底影像和臨床輔助決策系統等2項標準提案，獲得了組織方的高度認同。靈醫智惠攜手國內權威眼科專家共同制定國內首個AI眼底彩照標註企業標準，並且探索更大範圍的合作，推動其成為團體標準。
當然，AI監管放行只是一個發令槍，槍響之後行業從初生到蓬勃還有很長的路要走。首先，收費模式及收費來源尚不清晰，從收取軟件實施費到真正體現AI作用的檢查服務收費模式需要得到醫院、醫保、物價等多方面的共同認可。其次，醫生對AI產品的態度十分關鍵，需要時間來促成其對AI的信任。此外，當前AI主要為滿足醫技科室需求，從醫技科室走向臨床科室，仍然需要很長的路要走。在產品方面，一方面將突破更多的疾病領域、形成全病種複合系統，形成更精準的篩查和診斷，另一方面會結合更多的臨床實際情況，並針對小樣本進行算法優化、拓寬病情預測等應用。在推廣方面，AI醫學影像將通過區域影像中心、體檢中心、“基層篩查，上級診斷”等形式惠及基層。
2.2.1.2 AI輔助診斷
人工智能應用於輔助診斷(CDSS)是未來的發展方向。醫學的不斷髮展促進其專業劃分越來越細，這導致臨床醫生對自己專業範圍外的疾病領域知識掌握有限。然而，臨床真實環境中的疾病情況通常是多學科多領域的複雜情景，需要臨床醫生具備綜合診斷能力。並且，中國當前的醫療服務體系下，基層衛生機構的醫師資源不足、經驗不足、診療能力有待加強。人工智能對解決這些問題提供了極大的幫助，能提供綜合診斷能力，從而提高醫療質量。此外，電子病歷評級、互聯互通測評等政策也成為CDSS加速落地的重要推動力。
與早期的基於專家知識庫的系統不同，AI輔助診斷提供的是決策支持，而非簡單的信息支持。AI 不依賴於事先定義好的規則，能夠保證證據更新的時效性、快速智能地處理臨床數據和醫生反饋，拓寬查詢以外的應用場景。其思辨能力甚至能在一定程度上彌補臨床醫生醫學知識的侷限性，幫助其作出恰當診斷決策，改善臨床結果。
AI輔助診斷一般的模式為“理解病症—評定醫學證據—選擇治療方案”三個步驟。利用自然語言處理、認知計算、自動推理、機器學習、信息檢索等技術，人工智能可以獲取患者病症，模擬醫生的診斷推理能力，為醫生疾病診斷與制定治療方案提供輔助。第一步，病症的獲取包括患者自述、醫生檢查、化驗結果分析等，系統會提取其中關鍵的特徵並結合患者的歷史健康信息，通過自然語言處理讀取和理解病歷。在過程中，AI可以基於分析要求患者或醫生提供某方面的病症補充，或提示需做的檢查、鑑別要點。第二步，AI 結合從文獻、診療標準、臨床指南和臨床經驗等數據積累中學習的知識，通過知識圖譜和推理假設將獲取的病症信息聯繫起來，形成可能的結論、置信度及證據，生成診斷結論和治療方案建議。第三步，在權衡療效、副作用、疾病轉移及其他因素之後，在當前階段由醫生最終形成診斷。
作為“醫療+AI”的一個典型應用場景，諸多廠商都在從不同的能力建設路徑和切入角度探索智能輔助診斷系統。1)科技企業(如百度)從建立醫療知識圖譜和認知計算能力方面切入，構建能夠讀懂數據、循證推理的診療助手，從數據到決策的技術架構相對完整。2)專業CDSS企業有一定的臨床知識積澱，如惠每引入來自梅奧的臨床指南和知識體系，再進行國內臨床驗證調整。3)醫療大數據企業(如醫渡雲、零氪科技)以參與數據結構化幫助醫院提升數據管理質量的方式切入，積累臨床訓練集形成大數據平臺和專病庫，從而夯實CDSS能力的基礎。4)傳統HIS廠商(如東華、東軟、衛寧)通過幫助醫院部署電子病歷評級產品，形成全科病歷數據能力基礎，切入合理用藥、質量管理等近似診斷功能系統。5)醫學專業出版行業通過轉型知識服務商，為醫院提供知識服務。傳統出版行業(如人衛社)對出版資源進行數字化、結構化形成知識庫，與CDSS產品進行對接，為用戶提供知識查詢、知識提示、相似病例提示等服務。同時，結構化的知識也是各CDSS構建知識圖譜的基礎。
在產品方面，服務於不同的目的和場景，CDSS有不同的形態和功能。在具體的醫療環節中，除了腫瘤、血液、骨科、神經科等各類疾病的輔助決策、診斷推薦系統外，在檢查項目推薦、臨床異常檢查、合理用藥、手術規劃、臨床質量管理、醫療知識檢索、相似病歷檢索等方面，CDSS也有所應用。早期，醫療機構參與信息化評級是CDSS落地的關鍵驅動因素，根據我國的《電子病歷系統功能應用水平分級評價方法及標準》，從第3級開始就要具備初級的醫療決策支持能力。現階段，解決診療過程的一致性和規範性問題是CDSS的重要應用價值，包括為響應國家提高基層醫生水平的號召而提供全科輔助、為規範臨床診療行為而開展單病種過程質量控制、針對病歷質量的評估和管理。在某些專業病種方面，產品能夠提供包括疾病分級、用藥、禁忌症提示等方面的診療建議。
對於基層醫院來說，缺乏高質量的全科診療能力是導致基層首診和分級診療制度難以建立的核心原因之一。AI輔助診斷能夠有效減少醫生的誤診、漏診情況，提高醫療質量和安全，控制費用成本。例如，靈醫智惠CDSS能夠覆蓋27個標準科室，具備超4000種疾病的推斷能力，作為基礎診療助手可以避免誤診、漏診，提供經典治療參考，在實踐過程中，通過醫學專家與計算機知識工程專家合作構建的專業的醫學本體，不僅包含傳統的實體、概念、屬性、關係的表示，還引入了規則、函數的超越三元組的知識表示，從而為醫學複雜形態的知識提供強大的表達及可計算能力。目前在13個省市落地數百家醫療機構，服務上萬名醫生。
對於三級醫院來說，AI更多承擔質量管理和輔助助手的角色。一方面AI不受到醫生主觀認知疏漏或偏見的影響，可推動診斷更規範合理。例如惠每在首都醫科大學宣武醫院上線了針對急性腦梗死的單病種質控系統，實現疾病診療過程質控以及質控數據的自動統計和明細查找。另一方面在專科疾病的治療方面，AI能夠提供有力支持。例如醫渡雲在與中國人民解放軍總醫院第五醫學中心的合作中，建立了肝膽腫瘤多維MDT大數據協作平臺，通過決策診療系統，可推薦最新文獻研究結果、相似病歷、備選方案、預期療效及優劣比較等信息，供醫生參考。
縱觀市場上的CDSS產品，受限於技術和數據兩方面約束，能夠建立核心知識圖譜能力的屈指可數。對於AI來說，能夠像臨床醫生一樣去消化醫學知識是極大的難點，需要通過算法針對臨床思路抽取成機器可以理解和執行的診療邏輯，這個過程需要對文獻類、實踐類、臨床類多種信息的綜合分析，這套邏輯(知識圖譜)也就是CDSS的核心價值所在。知識圖譜的構建離不開龐大數據的支撐，然而臨床上實際使用的術語、標準遠遠比文獻和指南中複雜，當前醫療數據結構化的比例較低，電子病歷的標準化、結構化、統一化、專業化也還在推進中，各家醫院的數據封閉、甚至不同科室內也難以聯通。數據基礎層面難以滿足臨床決策支持的需求，大大影響了CDSS落地的有效性。因此，需要通過自然語言處理技術實現病歷結構化，使機器準確完整地“讀懂”病歷，為建立核心知識圖譜提供結構化數據支撐。
從應用來看，CDSS需要契合臨床需求。IBM Watson 落地艱難的探索實踐表明，輔助診斷要跨越象牙塔和業務之間的鴻溝，需要大量的臨床實踐，掌握更多的細微線索以及真實世界數據。對於基層醫院和三級醫院來說，由於面臨的臨床診療痛點不同，也需要產品有不一樣的內容和功能模塊。對於不同的輔助對象(如醫生、護士、醫技)以及不同的場景環節(如寫病歷、開醫囑、手術前後、住院時)來說，具體系統功能模塊也應當有所不同。
因而，未來CDSS產品也應在這兩方面有所提升。首先，應構建精準而不冗餘、動態更新的知識圖譜。未來在統一的人群健康數據基礎上，完成數據清理、病歷的結構化，建立標準化術語集，形成有效知識圖譜，這些工作是CDSS發揮作用的基礎。同時，需高度重視真實世界的最新臨床實踐作為補充，保持醫學知識的不斷更新，促進產品持續優化。其次，針對不同的臨床需求，可提供全科版、專科版等不同版本的產品，全科版以標準化方案賦能基層全面提升診療水平或作為三級醫院質量控制、效率提升的助手，專科版針對特定疾病的能力提升支持專病管理。並且，系統需要結合臨床流程，確保不會對醫生的診療過程產生“打斷”和“干擾”的情況，技術公司需要聆聽臨床的需求和想法，更多采用提示、信息支持而非警示、強制執行的交互手段。同樣地，臨床醫生作為最終使用用戶，更多地參與到CDSS的規則、設計、開發、優化中將對產品發展大有裨益。
2.2.1.3 AI健康管理
健康管理應當是貫穿診前、診中、診後全生命週期的專業化精準服務，人工智能通過智能化手段有助於實現這一目標。傳統的醫療路徑為“患病後治病”，而在未來的醫療健康生態體系下，醫療對健康結果的達成將超越對於診療項目數量的關注，包括注重診前疾病預防，幫助人群在更長的階段內保持健康，並通過預防性篩查和重點關注高危人群提升國民健康水平，以成本更低但更有效的方式管理慢性病，為不同人群提供不同的健康方案。這一過程既需要應用實時收集的健康數據，也需要一定的醫療專業技能支持，以進行人群分群、建立患者畫像，並提供精確完整的建議。尤其在社區和家庭等場景下，由於醫護人員的供給遠遠無法滿足人們的健康需求，人工智能的出現將實現智能化疾病預防指導，實時進行疾病監測和評估，為用戶提供個性化行為干預，推動高效高質、低成本的康復護理和慢病管理，減少疾病風險、防患於未然，為患者、醫院、醫保降低費用。
當前，健康管理市場尚未形成成熟的模式和格局。應用AI的健康管理參與方包括妙健康、悅糖、奇雲諾德、心雲、藍熙健康、碳雲智能等科技企業，涉及營養學、身體健康管理、精神健康管理、基因檢測、家庭護理等多個方面，致力於通過精準醫學和大數據技術構建健康管理解決方案。平安好醫生、微醫、春雨醫生、阿里健康等主打線上掛號和醫藥電商的APP也紛紛上線健康教育、健康數據監測等服務增強用戶粘性。另外，IBM Watson、Microsoft Azure等公司從“AI+Cloud”的角度建立人口健康平臺，提供個人健康多種影響因子的整體視圖，支持醫生與患者共同決策。關聯的企業還包括可穿戴設備企業、第三方檢測公司、體檢機構、健康檔案系統等諸多參與者。從場景上看，主要切入點包括診前的健康監測、疾病篩查、健康評估、保健教育、健康干預(輕問診)，以及診後的跟蹤監測、常見病和慢病管理等。
對於診前健康管理來說，通過基因檢測、智能硬件等途徑，獲取基因、代謝和表型(性狀)等數據，引入人工智能技術對以上數據進行分析，進而可對用戶或患者進行個性化行為干預，為用戶提供飲食、起居等方面的健康生活建議，幫助用戶規避患病風險。例如妙健康“妙+”數據接入平臺，融合了300餘款國內外智能健康設備，接入包括智能硬件、體檢和用戶自評價數據並以此為依據計算“健康行為指數”，從而促進用戶形成健康習慣，並可拓展預約掛號、醫生諮詢等各項服務。
對於診後健康管理來說，依託AI構建智能管理平臺，通過持續的追蹤隨訪、監測和效能評定推算疾病復發和再患病風險，能延長醫療服務半徑，有效緩解醫院門診壓力，釋放優質醫療資源，為患者提供最新的合理治療方案，有助於在慢性病、腫瘤等需要長期隨訪和治療指導的領域，滿足患者的面診購藥、複診續方、康復指導等診後服務需求。在與中國疾病預防控制中心慢性非傳染性疾病預防控制中心的合作中，中關村國衛健康大數據研究院通過國衛健康雲智能化慢病管理平臺對心腦血管疾病高危人群(高血壓、糖尿病、高脂血症患者)進行風險評估和健康管理，提高知曉率、治療率、管理率和控制率。並在智能系統上提供患者簽約管理和隨訪功能，提升家庭醫生簽約服務質量。通過智能患教和問答，進一步幫助患者有針對性的瞭解疾病預防和管理知識，為患者帶來方便的同時大大減少醫生重複性勞動。
診中環節是串聯起診前和診後健康管理的關鍵節點。一方面，從人群中篩選出高患病風險人群和具有患病症狀的人群后，需要打通就診通道，接入醫療服務提供方進行準確的診斷和後續治療。另一方面，在分級診療的趨勢下，診中建議將引導康復護理等後續服務的去向。因而，一站式互聯網健康管理平臺是眾多參與廠商的發展趨勢。
當下，企業在AI健康管理方面的佈局尚在探索階段，存在數據缺乏一致性、關聯性，標準不統一等問題。目前日常健康類數據獨立存在於各智能硬件、手機App中，數據孤島和數據不規範情況顯著。健康智能終端缺少統一的行業標準，廠商間採集和分析的算法不同，結果存在差異，大量可穿戴設備採集的數據不能被醫療機構認可。診中數據(包括電子病歷、電子處方)分散在各醫療機構手中，診後隨訪數據缺乏。這些均制約了AI在健康管理方面的應用。
未來，依託於覆蓋診前、診中、診後全過程並覆蓋基因、生理、環境等全方位的人口健康數據平臺，AI健康管理將在幫助人群預防疾病的同時也能輔助醫生診療、控制醫保費用。尤其在慢病管理方面，醫院內部與外部一體化的智能慢病管理平臺，將充分發揮輔助作用，使患者在家庭中即能得到可靠治療。互聯網家庭健康管理將顯著受益於AI 技術的發展，成為接入院內診療環節的入口，以及承接院內環節的虛擬醫療平臺，實現在線問診、家庭護理、社區醫院、個性化管理等諸多服務內容。
2.2.1.4 AI虛擬助理
AI的應用極大提高了診前效率，改善了患者體驗。預問診、分導診、掛號等場景往往需要大量重複和簡單的人力工作，而AI虛擬助理採用智能機器人、人臉識別、語音識別、遠場識別等技術，結合自然語言處理和知識圖譜等認知層能力，可以根據患者的情況描述和診療需求進行分析，完成診療前分導診、預問診、診療引導等工作，大幅提高效率。同時虛擬助理也可以與人群健康管理理念結合、承擔健康管理助理的工作。
當前，有大量的參與者進入AI虛擬助理領域，尤其是分導診、掛號環節，包括百度、騰訊等互聯網科技巨頭，以及科大訊飛、依圖醫療等AI科技企業。在產品形態方面，既有依託於APP、網頁和小程序等軟件形態的智能平臺，也有部分企業將其和硬件產品相結合，形成醫療助理機器人、導診導醫機器人。在智能分導診以外，產品通常配合專家查詢、醫生匹配、預約掛號、繳費支付、院內導航、診前病史採集、報告查詢、診後隨訪、複診提醒、健康宣教等功能，為患者提供便利化服務。
儘管市場上產品同質化現象較為嚴重，但部分企業憑藉自身的核心AI能力，形成了一定差異化優勢。在院前分導診環節，靈醫智惠AI智能診前助手產品，結合醫療知識圖譜，改善智能問診提問輪次，提供更精準的醫患匹配，優化掛號服務體驗，目前已在北大國際醫院、健康之路等數家醫院/平臺進行應用;在院中環節，左手醫生的預問診系統，可以實現在患者見到醫生之前，由預問診系統先採集好患者情況，通過問答式交互，生成“一訴五史”
的標準病例。方便醫生快速瞭解患者病情。可提升醫患溝通效率，降低50%的問診時間。提升醫生的服務能力，並節省醫生輸入病歷的時間;在院後環節，左手醫生為患者提供離院後的用藥指導和用藥管理以及用藥信息採集，填補了患者離院後用藥管理的空白，做到了帶藥離院患者用藥管理100%全覆蓋。
患者向AI提問時可能會遺漏關鍵信息，使AI問診分析變得困難。而且目前分導診產品對所需要的醫學知識圖譜仍掌握不足，語音識別在醫療場景下的識別率也有待提升。虛擬助理產品當前主要集中於分導診環節，未來可發展更多樣化的產品形態，同時可以參與構建覆蓋診前、診中、診後的集成健康管理平臺，提供更多的醫療助理服務。
2.2.1.5 AI精準醫療
基因檢測在精準醫療中發揮著重要作用。傳統基因檢測中，基因組數量龐大，人工實驗費時費力且耗費成本巨大、檢測準確率低。對於精準醫療來說，包括預測疾病風險和制定個性化的診療方案在內，都迫切需要大量的計算資源及數據的深度挖掘。AI基於強大的計算能力，能快速完成海量數據的分析，挖掘並更新突變位點和疾病的潛在聯繫，強化人們對基因的解讀能力，因而提供更快速、更精確的疾病預測和分析結果，實現患病風險預測、輔助診斷、制定靶向治療方案、診後復發預測等功能。
生命科學企業(如華大基因、貝瑞和康)，依靠多年的技術積累已在基因檢測方面形成很高的技術壁壘，當前正在探索AI在基因測序領域的應用，同時擴展健康管理服務。AI科技企業(如碳雲智能)也在其分析平臺中納入基因數據，提供測序服務，從而更好地洞察某些特定的疾病狀況。
精準醫療將覆蓋診療全過程。在診前為患者提供疾病風險預警、進行行為干預。在診中治療環節，可根據患者的基因序列等個人生理信息輔助個性化治療方案的制定，打造全新的醫療服務範式。在診後通過監測患者的康復情況，及時預測疾病復發、併發症的產生。
2.2.1.6 教學和科研AI平臺
輔助醫學教學平臺通過人工智能、虛擬現實等技術，構造虛擬病人、虛擬空間，模擬患者溝通、手術解剖等醫療場景，輔助醫學教學。一方面，提供逼真的練習場景，幫助醫生縮短訓練時間、提升教學效果，另一方面，打通了從海量數據中提取精準定量診療關鍵信息的層層壁壘，使得診療經驗得到積累與傳承，提高了醫療服務的精準化水平。
例如，人衛社利用新技術進行傳統出版和新媒體出版融合，提升教學、培訓服務能力。包括研發數字教材、融合教材、教學助手等產品，結合AR、VR等新興技術，通過整合高質量教學資源、精準的教學評價系統以及全面的教學數據採集與分析系統，輔助教師開展多種形式的課堂教學，提供數據分析用以指導教學改革，提升教學質量。此外，阿里健康正與浙大附二院、中國醫藥衛生事業發展基金會三方嘗試在阿里ET醫療大腦的醫師培訓教學系統中，將各種臨床病例數據脫敏轉變成三維“ 虛擬病人”，通過人機語音交互，模擬場景治病、在線討論、綜合評分，實現醫護人員臨床診療能力的在線培養、考核、評估、監督。
AI技術為醫生提供了一個高效方便、簡單易用的醫學研究平臺，可以快速收集處理數據、運用算法高效分析數據。目前有兩大問題制約著醫生的科研工作，一是醫生的臨床工作佔用了大量時間，缺乏時間開展科研，二是缺乏充足規範的數據和強大的數據處理能力。醫學研究AI平臺能夠整合超強算力、高融合網絡、儀器設備、算法模型、醫療數據等資源，打造醫學研究服務方案，方便醫生將深度學習、影像組學以及自然語言處理等前沿AI技術應用到臨床科研實踐中，提供數據收集、存儲、統計、挖掘、分析，以及基因和生物信息分析等服務。
對於醫院來說，AI等新技術可以為科研人員在數據、AI分析工具等很多方面提供便利。例如依圖醫療和四川大學華西醫院合作建設的肺癌臨床科研智能病種庫，可幫助醫生在系統內進行數據預分析，縮短科研預處理時間，以及一鍵導出回顧性實驗課題數據並對接專業分析軟件完成分析，輔助科研論文撰寫。對於AI技術企業來說，輔助醫學研究平臺是獲取醫院數據訓練集的一種方式，也有助於通過和醫院合作科研的形式拓展AI應用落地。包括BAT在內的科技企業、醫渡雲等醫療大數據企業、推想科技等AI應用企業、傳統醫療信息化廠商、基因測序等生命科學企業都在積極參與平臺的建設。未來的發展方向，醫學研究平臺需要和臨床緊密結合、相互支持，不斷運用臨床實踐檢驗、反饋和更新科研結果和平臺設計。
2.2.1.7 智慧醫院管理
人工智能可以通過實時數據追蹤、分析、預測來優化醫院管理。管理內容包括電子病歷管理、質量管理(如用藥質量、臨床路徑、醫技檢查質量)、績效管理(如DRGs績效)、精細化運營(節能管理、智慧病房、藥品閉環管理)等。我國各地方醫院缺乏統一規範的智能管理系統，而基於人工的系統管理容易產生誤差大、成本高、耗時長、過程繁瑣等問題。利用人工智能開展醫院管理可以在技術層面上做到更加精準，減少人力成本，簡化運營方式，提高透明度，給患者帶來更好的醫療體驗，給醫生帶來更便捷的工作環境。
目前大部分醫院仍處於數字化的初級階段，AI應用於醫院管理的條件尚未完全成熟。AI技術的應用需要大量、標準、結構化的數據集，目前醫院在信息化發展、院內數據互聯互通、數據質量等方面尚不能滿足AI應用的條件，而且大部分醫院未形成一致性的臨床規範和標準，也為智慧醫院管理增加難度。未來，醫院應持續推進數字化進程，建立一致性的、互聯互通的數據基礎，實施標準化的管理原則，在高度數字化的基礎上，將AI等先進技術應用於醫院管理中，從而提升醫院管理質量和效率。
2.2.2藥品及醫療器械提供方
藥品及醫療器械提供方是醫療產品及關聯服務的提供方，主要包括藥品和醫療器械兩大類。對於他們來說，在醫保控費、取消藥品加成等改革舉措下，傳統的研發、生產、銷售模式將面臨壓力。如何提升內部效率、降本增益、真正掌握終端人群需求從而轉化服務，成為藥品及醫療器械提供方需要思考的問題。而以患者為中心，更快、更好地提供符合健康需求的產品是其實現自身經營目標的必由之路。
為此，AI應用能夠帶來縮短研發週期、降低研發成本、提高研發成功率、加速臨床進程、提質增效、邁向精準醫學等多方面價值。
2.2.2.1 AI藥物研發
新藥研發成本極高、週期極長。業界一直流傳著“雙
10”的說法，即新藥的開發需要10年的時間和10億美元的資金投入。然而，實際上所需的投資遠不止於此，據美國塔弗茨藥物開發研究中心最新研究，每種新藥的研發需要28.7億美元的投資10。而且藥物研發的失敗率很高，平均研製的5,000種藥物中，只有5種能夠進入動物實驗階段，而這其中又只有1種藥物能夠進入臨床試驗階段11。AI技術的發展可助力研發人員更高效的鎖定解決方案，大大縮短研發週期，並降低總體成本。
藥物研發階段，人工智能的主要應用包括靶點篩選、藥物挖掘、藥物優化三部分。在靶點篩選階段，人工智能可以通過挖掘海量文獻(包括論文、專利、臨床試驗結果)進行生物化學預測，進而發現新靶點，也可以通過交叉研究和匹配市面上已曝光的藥物和人體上的1萬多個靶點，以發現新的有效的結合點。相較於靶點發現，人工智能在藥物挖掘方面的應用更為成熟，例如利用虛擬篩選技術，在計算機中模擬實體篩選過程，建立合理的藥效團模型與化合物數據庫進行匹配，通過分子模擬手段計算化合物庫中的小分子與靶標結合的能力，提高篩選的速度和成功率，減少在構建大規模的化合物庫、提取或培養靶酶或者靶細胞等方面的成本投入。在藥物優化階段，AI可通過對千萬級的分子監控，預測它們的活性、毒性和不良反應等，完成候選化合物的挑選和開發，快速全面改進先導物的分子缺陷。在藥物晶型預測方面，AI可以挖掘一個分子藥物的所有可能晶型，具有巨大的專利價值。此外，計算機視覺通過分析化合物的細胞圖像數據也在表型篩選中發揮作用。
大型藥企及藥物研究機構以項目的方式與AI技術公司(如Atomwise、BenevolentAI、晶泰科技)進行合作，加快藥物研發進程。以英國初創公司BenevolentAI為例，該公司研發了JACS(Judgment Augmented Cognition System，增強判斷認知系統)平臺，集成了大量的科學論文、專利、臨床試驗信息化信息，協助藥物研發人員在藥物研發過程中確定正確的調製機制、篩選出最合適的靶點並預測患者的反應。BenevolentAI已與全球多家大型藥企達成合作，如在2019年4月宣佈與阿斯利康開始長期合作，將利用AI和機器學習數據來研發慢性腎病(CKD)和特發性肺纖維化(IPF)的新療法。雙方的研發人員把阿斯利康的基因組學、化學和臨床數據與BenevolentAI的靶標發現平臺相結合，通過機器學習系統地分析數據來識別關聯關係，以瞭解這些複雜疾病的潛在機制，以便更快的確定藥物靶點。輝瑞與晶泰科技、藥明康德與Insilico Medicine也有在新藥研發方面的合作。
當前在藥物發掘過程中AI應用面臨的主要問題是高質量數據的缺乏，大部分數據來源於文獻和實驗，數據量不大且結構化難度高，將大大影響篩選的結果。此外，AI企業需要對藥物設計邏輯和醫藥知識的理解也是制約其作用發揮的痛點。在近期應用方面，考慮到絕大多數國內藥企在現階段主要專注於仿製藥的開發，如能有成熟的AI技術協助，找到與原研藥相似的化學結構並優化設計，實現近似或更好的診療效果，則能夠在加速國內藥品上市的同時，幫助藥企控制研發成本。
2.2.2.2 AI輔助臨床策略制定
識別並招募合適的患者來配合臨床試驗是研發過程中的難題之一。以美國的藥物臨床試驗流程為例，三個階段共需要招募約1,120-3,380位志願者，其中第三階段需要1,000-3,000位已被診斷為特定疾病的患者，且需要對其進行持續約三年的跟蹤。這一過程中，未能招募足夠的參與者、患者中途退出、意外和嚴重的藥品副作用以及錯誤的數據收集方法等問題都可能導致臨床試驗失敗。根據拜耳的統計，90%的臨床試驗未能在目標時間內招募到合適的志願者，導致藥物研發時間拖長。AI技術可以幫助藥企更精確地發現、篩選、匹配合適的志願者，並幫助簡化患者註冊流程，同時收集及分析患者數據。
目前，涉足該領域的主要為初創型企業，包括國外的Mendel.ai、Trials.ai，以及國內的醫療健康大數據企業醫渡雲、零氪科技。Mendel.ai可幫助藥企實現20%-50%的潛在志願者的識別數量提升，同時可將潛在意願者的認證標準流程大幅減少到9分鐘，而現在平均的乳腺癌志願者認證時間為19天，肺癌可達263天。
該應用的落地基礎是擁有跨醫院的患者電子病歷信息，建立起患者同意共享數據的大數據平臺。當下的核心痛點並非AI技術本身，而是數據的可得性和數據標準化質量。藥企對於該場景的未來應用抱有極大的期待，AI應用企業應當積極與藥企以及醫院合作，獲取患者的數據並進行持續跟蹤，應用AI技術替代人工進行數據收集、整理、清洗，提升數據收集效率與數據質量。
2.2.2.3應用AI的真實世界研究
真實世界證據主要指從日常醫療實踐過程有關信息中提取的數據，包括個人健康管理方面的數據，可以作為臨床試驗證據之外的補充證據。真實世界研究目的更加多樣，可圍繞著病因、診斷、治療、預後及臨床預測等相關的研究問題展開，也可進行藥物上市後的效果跟蹤觀察、安全性監測、藥物重定向、識別審批提速的機會。真實世界數據能夠反映真實的臨床實踐情況，有助於促進精準醫學進程。人工智能在真實世界研究中的應用主要包括數據收集、數據庫構建和數據分析。
真實世界研究需要大量脫敏的、結構化、有代表性的數據，而一直以來我國收集的醫療臨床
大數據尚無法滿足需求。在此方面，零氪科技、醫渡雲等醫療大數據公司有先天的優勢。例如零氪科技協助某醫療機構開展了回顧性真實世界研究，來判斷不同的驅動基因突變與常規抗腫瘤藥物敏感指標的關係，有助於腫瘤治療的藥物方案選擇。現階段缺乏數據的企業，可與政府、醫療機構、藥企合作，推進相應的項目。AI公司在實踐方面，應注重對醫院數據的收集、清洗、標準化，提高數據質量，以期未來構建統一化的、全國性的基於真實數據的大數據平臺。
2.2.3醫療支付和監管方
除了政府財政和個人支出外，醫療的核心支付方為醫保局和商業保險公司，醫保局同時也是醫療服務和產品的監管方之一。此外，當下的醫療監管方還主要包括衛健委和藥監局(NMPA)。
對於監管方來說，保障醫療體系高質量低負擔運轉、提升國民健康水平是其制定公共衛生政策、規範醫療准入和質量標準、監督和管理醫療相關活動的核心原則。一方面，政府政策是推動醫療體系“價值醫療”趨勢的關鍵力量，也是大數據和AI在醫療體系應用的關鍵驅動因素。另一方面，有效的公共衛生政策也依賴於數據分析甚至AI輔助的支持，包括預防醫學、區域疾病在線監測和干預、人口健康管理、健康預期、壽命測算等。重慶、烏魯木齊、南京、寧波等地的疾病預防控制中心和衛生信息中心已經上線了相關的網絡平臺和系統。11
在醫療供求矛盾的大背景下，短期內醫療服務方和醫藥提供方難以有跨越式的變革，控制醫療成本、尋求最高價值的關鍵抓手在於醫保支付方。而AI將成為支付方撬動整個醫療生態圈的重要助力之一(參閱圖11)。AI將幫助實現醫保控費、智能風控、減少欺詐等行為，促進支付方與醫療服務提供方及藥品、器械提供方形成新的協同關係，最終目標是以醫療價值為導向，提升醫療服務、藥品以及器械的質量水平並節約支出。
2.2.3.1應用AI制定保險策略
當前醫療保險產品同質化程度高，針對不同特徵人群的產品較少，同時對客戶發生的變化反應較為遲緩，缺乏跟進客戶身體狀況的系統。例如雖然慢性病患者生活狀況、治療流程都相對穩定，但保險公司由於缺乏精準的醫療健康數據進行精算，難以設計覆蓋慢病群體的產品。利用AI，保險公司可以面向不同情況的客戶提供差異化的保險服務產品，為用戶提供更好的體驗，實現保險公平化。同時，基於對客戶身體情況的分析，可以幫助其獲得更及時有效的治療，提供更精準的服務。
基於大數據分析和機器學習，AI可以實現智能定價和精準營銷。前者利用大數據和人工智能在客戶投保階段審核客戶的信息，建立用戶畫像，並根據身體狀況，年齡，收入等指標對用戶分級歸類，給出最適合的產品解決方案以及最精準的保費定價。後者通過對用戶的數據分析，有針對性地定製產品與精準營銷策略，產生千人千面的互動效果以及產品推薦，將合適的產品推薦給合適的人群。
對保險行業來說，AI將在增加覆蓋面和降低風險兩方面提供助力，前者通過人群畫像和個性化定價，讓更多的用戶變成客戶。後者通過管控和審核理賠風險，降低不必要的支出。此外，當AI發現保險客戶出現潛在的疾病風險時，提前採取輔助手段進行健康管理指導，提醒客戶檢查。
平安、泰康、太平洋、眾安等保險公司都在積極探索AI在保險領域的應用。但當下，人群健康大數據平臺尚未建立，如何打破數據孤島，實現數據和能力的整合，將成為後續發展的關鍵問題。
2.2.3.2 AI藥事管理
過度醫療和醫藥濫用增加了國家基本醫保的損耗和商業健康險的虧損。為了降低醫療費用支出，醫療支付方非常願意也必須為控費尋求方案，包括干預就診醫療機構、影響用藥選擇、制定受保藥物清單、改變支付結算方式等。
人工智能可基於大量臨床數據和患者的個人用藥史來對醫生開具的處方進行審核，在對醫療服務進行監管的同時，為支付方實現控費目標。智能系統能夠完成實時醫療用藥監控、輔助提示、自動化審核、自動控費等功能，實現事前提醒、事中控制、事後審核，提高審單的效率和準確性。在審核以外，拓展切入指定藥品目錄、藥品與處方評價、輔助定價、招採准入、醫藥/器械流通銷售、支付方式優化、質量監控等方面。通過監控醫生診療和藥品使用環節，系統建立起對診療合理路徑和藥品使用規則的理解，為個人用戶提供健康管理服務。同時，智能系統能夠在過程中促進健康信息數據平臺和醫療評價體系的建設。
當前主要的參與者包括:(1)專門的醫療信息化企業，如海虹控股、快捷藥方公司(ESI)，在專業性上更強，可以和社會醫保以及多家商業保險公司合作;(2)保險公司，如平安醫保科技、美國聯合健康集團(UNH)，可以聯動“保險+PBM+醫療服務”。零售藥房、電商平臺、醫藥流通企業、藥企也是藥事管理的潛在參與者。例如復旦大學附屬華山醫院和醫利捷(上海)信息科技有限公司合作的基於定量藥理和人工智能的臨床個體化用藥輔助決策系統，基於神經網絡算法和貝葉斯模型的藥動學/藥效學(PK/PD)模型，可提高醫療質量、減少醫療差錯、保障用藥安全、實現精準用藥。
針對藥品的控費規劃需要醫院的處方、患者連續性的用藥數據以及對醫療專業知識的深刻理解，才能確保醫療數據分析和審核能力。然而當下，用藥以及健康數據分散在不同醫療機構和跨地區的醫保系統中，處方流轉也還在探索之中，發展相對受限。此外，強大的藥品議價權、成熟的供應鏈體系、完善的支付端保障是從控費系統服務方拓展到全環節服務提供方的重要能力基礎。隨著醫保局的成立，醫保將從被動方變為主動方，對於通過控費提升醫保支出效率的需求會增強。此外，商業保險飛速發展，控費系統能夠為其提供監控手段，成為議價和險種設計的有力支持。
2.2.3.3 AI自動審核
違規使用醫保、詐騙套取醫保的情況給醫保基金帶來了巨大的經濟損失，也嚴重損害了人們的利益和健康權益。人工審查存在出錯率高、環節複雜、費用高和耗時多等問題。智能稽查通過風險模型，建立事前、事中、事後的有效管控，能夠高效識別不合理單據。
AI應用可涵蓋社會醫保以及幾乎所有醫療商業險，包括疾病保險、重大疾病保險、住院保險、手術保險等，包括智能跟蹤和智能審查兩大功能。保險公司藉助跟蹤系統，將全程介入投保人“健康跟蹤——醫院就診——醫療護理“的全過程。通過高效、全面的健康管理降低成本，提升客戶體驗。保險公司也可應用智能審查，根據投保人提供的信息，通過數據挖掘與機器學習發現其中異常數據並做投保人欺詐分析。例如在醫保方面，海虹控股目前已在20個省/直轄市的百餘地市就公司醫保控費業務開展試點工作，對每一筆單據進行審核，稽查檢查治療與病例是否相符，推動合理用藥、合理檢查、合理治療。
2.3醫療AI技術能力說明
縱觀AI技術對各主體參與方的賦能應用，其核心能力分為計算智能、感知智能和認知智能三層。此外，醫療AI的發展依賴智能芯片、傳感器、網絡通信、邊緣計算等基礎設施，以及醫療健康行業理解、數字化運營等關鍵能力。12
2.3.1數據是醫療AI發展的基礎
數據將在很大程度上決定算法的訓練結果，然而獲取完整可用的數據絕非易事.
2.3.2認知層能力不可或缺
人工智能包括感知智能(比如圖像識別、語音識別)和認知智能(主要是自然語言處理、知識圖譜)。當前，感知智能技術已經相當領先，尤其是在機器視覺的物體識別精準度方面，認知智能成為人工智能實現最困難的部分之一。
醫學自然語言處理:
自然語言處理(NLP)幫助計算機認知、理解、生成人類使用的自然語言，包括機器翻譯、閱讀理解、智能寫作、對話系統、基礎技術和語義計算等。當前，主要通過機器學習(包括深度學習)的方式，來模擬人體大腦思考的方式。自然語言處理對於病歷結構化、實現虛擬助理和輔助診斷、挖掘文獻和臨床等證據中藥物與疾病的關係等應用至關重要。
當前，國內絕大部分醫院的病歷以自然語言記錄，這些非結構化的病歷無法直接被機器使用，需要通過自然語言處理技術轉換為結構化信息，以便機器處理。難點在於三個方面，無法用統一的模型來表達多元病歷數據;無法快速、準確檢索到滿足研究需求的患者;無法高效的將原始數據轉化為研究所需的精細顆粒度結構化數據。因此需要一套完整的、多層級的數據治理方案，輔助醫療數據的高效利用。
針對以上問題，國內各AI廠商都進行了諸多探索，百度在此領域的實踐可以作為醫學自然語言處理髮展的典範，將醫療自然語言處理工作分為三個層次:
識別病歷文本中的多種實體，以及實體與屬性間的關係，為後續任務(如知識庫建設、檢索庫建庫)提供基礎特徵。
針對標註成本高和醫學文本表達一致性差的挑戰，研發了一套面向小樣本的學習引擎，整合語言模型預訓練和主動學習技術，僅對機器無法判斷的樣本進行定向篩選和標註，大幅降低人工智能標註數據的用量和標註成本。
針對患者多源數據問題，整合了患者多期多類單據結果，形成以患者為中心的結構化輸出，為輔助診斷、質控等模塊提供重要信息。
第三部分:醫療AI發展模式探索
3.1醫療AI需求及供給模式分析
醫療AI從產業發展的角度，可分為醫療AI的需求方及供給方，在需求與供給雙方的不斷融合過程中，形成了醫療AI獨特的發展模式，醫療AI的供給方需探索其可持續的發展模式。
醫療AI的需求以價值為導向，以實際業務需求為出發點。基於本白皮書對醫療體系發展“中局”及“終局”的分析，未來醫療體系將按照價值醫療的趨勢進行發展。注重療效、增強體驗、降低成本，將是醫療體系發展過程中最重要的價值需求。醫療服務提供方、醫療支付方和監管方、藥品及醫療器械提供方都在按照醫療體系整體發展的趨勢進行逐步改革發展。
當前，全行業都認可醫療AI發展的巨大潛力，各類醫療AI供給方紛紛涉足其中:包括IBM、Intel、微軟、蘋果、谷歌、百度、阿里巴巴、騰訊、京東等科技巨頭，聯合保險、平安、泰康等行業巨頭，東軟、東華軟件、衛寧健康、北大醫信等傳統醫療信息化企業，也包括新興的醫療數字化企業及創新企業和出版企業，各自依靠其自身資源稟賦進行醫療AI佈局。
3.2醫療AI需求及供給關係思考
通過對醫療健康生態圈各方在AI領域的研究與分析，醫療AI的需求方與供給方之間的相互反饋值得深思:
醫療AI需求方對供給方的反饋:非常期待各醫療AI供給方能夠參與到醫療體系的改革與發展中;目前醫療AI供給方缺乏對醫療行業深入的理解，產品及解決方案與醫療行業的期望仍有差距;過度強調其技術和產品先進性，忽視了患者、醫生護士的體驗;產品雖然優秀，但無法解決當前醫療體系中的痛點;醫療行業是一箇中長期投資行業，部分醫療AI供給方短視的投資策略無法持續。
醫療AI供給方對需求方的反饋:醫療AI行業具有非常大的發展潛力，但短期商業模式仍需進行探索;醫療行業的數字化水平發展比較低，但似乎醫療行業並沒有進行快速變革的驅動力;醫療行業數據很多，但高質量的數據有限;醫療行業歡迎醫療AI各參與方共同研發產品，但似乎研發出的產品推廣難度很大;醫療行業是需要長期投資的，投資者在醫療領域投資更需要關注長期趨勢。
3.3醫療AI需求方發展路徑建議
制定醫療AI 整體發展策略，使AI發展能夠契合醫療參與方自身業務發展方向。以人為本，提升患者療效、提高患者體驗、降低醫療成本是各醫療健康參與方改革和發展的目標，發展AI是促進各參與方進行改革和發展的有效手段。各方可根據國家發展政策規劃和技術發展趨勢，結合自身發展現狀，在整體業務和數字化發展策略的基礎上，規劃醫療AI發展舉措，包括髮展醫療AI的目標、作用、基礎、場景、團隊、發展路徑、合作模式等，從理念到行動達成知行統一。
高質量數據是AI發揮作用的基礎。雖然當前醫療健康行業數據量大、種類多，但數據質量非常低，極大地限制了數據能夠發揮的作用。長期積累的海量歷史數據如何發揮其作用、非結構化數據如何轉化為結構化數據、數據如何標準化、如何實現以人為本的數據全生命週期記錄、如何打通不同醫療參與方的數據，都是各醫療健康參與方需要長期關注並解決的問題。只有持續擁有高質量的數據，醫療AI才擁有真正發揮作用的基礎。
醫療專家與科技人才需要持續的互動與交流，增強雙方的理解和對話。雙方可共同在AI有潛力的領域進行探索，通過原型開發及反覆的解決方案迭代，在醫療專家的持續支持之下，形成成熟可推廣的解決方案;制定醫療AI人才選、用、育、留的方案，形成醫療AI人才培養體系。13
3.4醫療AI供給方發展路徑建議
醫療AI需求方和供給方之間存在如此多的鴻溝，如何使雙方共同可持續發展，是醫療AI各參與方共同面對的難題。醫療體系正在沿著價值醫療的趨勢向前發展，在此趨勢之下，醫療AI供給方將按照下圖的模式進行發展，協同醫療健康生態圈各方，實現以人為本的整合型醫療衛生服務體系。醫療人工智能的發展將從目前的由技術、工具驅動向以價值醫療為核心的端到端解決方案演進。14
基於以上對醫療AI供給方發展模式的分析，提出如下建議:
把握醫療體系改革脈搏、助力醫療體系共同發展。從醫療健康生態圈發展的價值鏈出發，醫療AI需求方和供給方形成利益共同體，共同推動醫療AI產業化發展，以人為本，提高人群健康水平，增強體驗，降低成本，創造價值。
掌握醫療AI核心技術、奠定發展基礎。在算法能力、感知能力、認知能力、平臺能力多方面逐漸形成自身核心技術優勢，實現從技術到應用的演進。
構建運營能力、實現共贏商業模式。業務運營及數字化運營能力是AI需求方迫切需要供給方提供的能力，只有通過運營才能使醫療AI解決方案發揮效用，實現AI產品落地。
共建合作伙伴網絡、提供端到端解決方案。面向醫療AI需求方，提供從產品、服務到運營的端到端解決方案，通過實現需求方的業務價值而形成可持續發展的商業模式。醫療AI供給方之間，供給方與需求方之間，在數據、專家領域形成多樣化合作，共同進行解決方案研發及商業模式探索。
（登陸未來智庫 「鏈接」 獲取本報告及更多卓越報告。）
在中國經濟增長放緩的背景下，人口老齡化、醫療健康消費升級正在推動醫療支出持續、顯著增長。醫療需求總量巨大，在結構上呈現出多樣化、多層次、個性化、動態化等特徵。雖然醫療供給總量在增加，但醫療資源分配不均衡、結構不合理。總體而言，供給與需求在總量上暫未達到平衡，在結構分佈上存在嚴重錯配。
針對上述問題，倡導價值醫療、優化資源配置，正在成為醫療行業發展趨勢。醫療衛生系統在向以人為本的整合型醫療衛生服務體系演進，力求實現“無處不在的醫療”、“全生命週期關懷”及“精準醫療”。醫療健康服務在逐步引入數字化技術，從滿足基礎功能需求向提升個性化、智能化診療服務體驗發展。其中，人工智能技術已在醫療行業進行諸多探索，未來將呈現巨大應用發展潛力。
當前，儘管醫療行業通過人工智能技術驅動服務提質增效的需求迫切。然而，醫療與人工智能依然需要不斷融合，以形成多樣的發展模式。醫療人工智能的發展必將從目前的技術、工具驅動向以價值醫療為核心的端到端解決方案演進，基於此核心觀點，白皮書對醫療AI各參與方提出了業務發展建議。
第一部分:醫療體系現狀及未來發展趨勢
中國醫療健康行業的核心痛點在於供給與需求不匹配。隨著人口老齡化加劇，醫療需求持續攀升、醫保支付壓力增大、醫療資源分配不均衡等問題短期內難以解決。在此背景下，以AI為主的新技術浪潮的興起，為醫療體系的改革以及健康發展注入了新的活力。在數字化趨勢及醫改政策引導下，醫療服務各參與方將推動醫療體系在中短期內實現醫療服務、支付、生產及流通體系的變革，並向“以人為本的整合型服務”的遠期發展目標演進。01
1.1宏觀發展趨勢及醫療需求的變化
衛生總費用增速當前已超GDP增速，未來隨著經濟增長進入新常態，GDP增速持續放緩，經濟增量支持的減少將給醫保基金支付帶來風險和壓力。2013- 2017年，中國衛生總費用的年均增速保持在11.5%-13.5%，預計2030-2035年間，增速仍將達7.5%。2017年，衛生總費用佔GDP的6.36%，2035年預期達到9%。同金磚國家或發展水平相當的中等收入國家(如印度、泰國、阿聯酋、馬來西亞)相比，我國衛生總費用佔GDP的比重已經較高，當下面臨較大的醫療負擔。發達國家如美國、英國、德國、日本2015年的衛生總費用佔比分別為16.8%、9.9%、11.2%、10.9%，同這些發達國家相比，我國的佔比還比較低，未來仍有較大的上行壓力(世界衛生統計，2018年)。
人口老齡化將是未來幾十年中國醫療健康需求總量持續攀升、集中爆發的直接原因。2018年，中國65歲以上人口已超1.6億，佔比達11.9%，是較早進入老齡社會的發展中國家之一。此外，老齡化速度增快，60歲以上人口占比到2050年或達35%。人口老齡化的影響之一是人群疾病譜結構將發生變化，例如慢病患病率將持續上升。我國已確診的慢病患病人數超3億，同時患病率以每年5.8% 的速度增長3。而根據全國衛生服務調查，65歲以上群體的慢性病患病率高達78.4%，是全部人口患病率的3.2倍，即老齡人口越多慢病人群基數越大。如今，慢病已成為健康的頭號威脅，佔到了中國77% 的健康生命年損失和85% 的死亡誘因，佔全部疾病負擔的60%以上。人口結構的變化帶來的第二個影響是診療以外的醫療健康需求的結構性增加，包括疾病預防和治療、健康監測和管理、養生和保健、臨終關懷等。以體檢為例，與美、日、德超70%的覆蓋率相比，我國的健康管理市場還有巨大的發展空間。伴隨著生活水平的提高，以及國家政策對家庭醫生、慢病防治、健康生活等方面的支持，越來越多的人群將主動參與健康管理。02
此外，在醫療健康消費升級趨勢下，人們對醫療健康的效果、品質、體驗等提出了更高的要求，醫療健康服務將更加註重個性化、人性化。當人均可支配收入超過某個“臨界點”，醫療健康消費會加速發展。中國的人均可支配收入持續快速增長，將成為醫療健康消費加速發展的新力量。表現為，我國近年來的人均醫療消費支出快速提升，過去碎片化、溝通不足、質量和體驗有待提升的醫療服務愈來愈不能滿足人們的需求。此外，根據羅蘭貝格行業分析，集中於公立醫院特需和國際部、私立醫院等醫療機構的體檢、眼科、口腔、美容、輔助生殖等領域的高端醫療需求人數與服務規模在不斷增長，需求人群已有3,000-5,000萬、市場規模超千億。未來，優化就醫流程、增加便捷性、改善候診就診及病房條件、提升醫護人員服務意識、提供精準醫療將是大勢所趨。
1.2醫療供給的變化
支付壓力大將是中國醫療體系面臨的挑戰之一。拆解我國衛生費用總支出構成，政府衛生支出佔28.3%，社會衛生支出佔43.0%，個人衛生支出佔28.7%。而WHO推薦的可以防止因病致貧的自付費用佔衛生總費用比例為20%，且2016年政府衛生支出佔財政支出的比重已達7.1%(接近全球10.6%的平均數水平)，財政支出壓力較大。政府應積極採取措施，提高衛生支出效率。
醫保基金呈現出支出增幅大於收入增幅的態勢。2018年，職工基本醫療保險基金收入增長8.7%，支出增長11.5%，城鄉居民基本醫療保險基金收入增長27.1%，支出增長28.9%8。伴隨著老齡化的趨勢，長此以往醫保基金將面臨較大的可持續壓力。目前，雖然三大基本醫療保險已基本實現全面覆蓋，但資金使用效率亟待提升，支出效率提升、醫保控費成為關鍵方向。過去，醫保缺乏有效的控費目標和手段，只是被動支付而沒有控制能力，藥品、耗材、檢查佔醫院收入比利較高，亟待降低。不過，隨著2018年3月國家醫療保障局成立，宣告將由統一機構管理三大醫保，同時加強三醫聯動，通過醫保撬動醫藥、醫療的規範化。擁有價格管理和招標採購職能的醫保局，將由支付方變為購買方，有利於藥事管理(PBM)、按病種付費(DRGs)、異地就醫等醫改舉措的大步推進。
同時，醫療供給面臨核心醫師資源總量不足、資源分佈不均衡、資源配置不合理等問題。從總量上看，醫療資源供給增長落後於需求增長。醫生資源缺口問題在影像科、病理科以及全科醫生方面尤為嚴重。目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率僅為4.1%，病理科醫生缺口達到10萬。我國全科醫生數約25 萬人，
佔醫生總數的7.37%。這一數字還遠遠達不到建立真正的全科醫生制度體系的需求(德國、法國、日本佔比均在20%以上，美國在12%以上)。由於醫生的培養週期很長，資源短缺問題短期內無法解決。
從分佈上看，醫療資源集中於三級醫院和發達地區，基層醫院醫療水平低、醫師資源少。從配置上看，由於三級醫院長期超負荷運轉，承擔了過多基礎診療工作，導致核心醫療資源無法發揮最大價值。供需結構不匹配導致了醫院運營效率低、誤診率高、醫療體驗差等諸多問題。03
1.3新技術的發展
在新一波技術發展浪潮中，以AI、邊緣計算、大數據、物聯網、5G等一系列技術為代表的“技術簇”正在為各行各業帶來新的技術架構、新的商業模式和新的發展理念。技術發展催生的行業數字化正在推動各行各業創新發展。
以醫院信息化發展為例，當前正在歷經第三次發展浪潮。2000年左右，在以服務收費為核心目標的基礎信息化推動下，HIS系統逐步鋪開。2013年左右，在電子病歷評級和互聯互通需求拉動下，醫院內分散的信息系統孤島(包括HIS、HRP、EMR、PACS、RIS、NIS、LIS等)開始走向集成化。自2018年開始，智能化發展進程加快，新技術在助力醫療體系從“已知的已知known-knowns”向“已知的未知known-unknowns”及“未知的已知un-known-knowns”乃至“未知的未知unknown-unknowns”方面進行逐步探索，依託於人工智能、大數據、邊緣計算和5G等技術，湧現出諸如CDSS、AI影像、互聯網醫療等智慧化應用。例如，領先廠商通過人工智能、虛擬現實、機器人、5G等技術的結合，已經具備遠程專家高精度指導手術、對病灶區域進行輔助診斷的能力，越來越多的前沿技術開始應用於基因測序、細胞免疫療法、3D骨骼打印、實時機體檢測等領域。04
醫療行業數字化建設將逐漸從政策驅動向價值驅動演進。傳統為了滿足評級和政策檢查所建設的很多信息化系統，由於存在數據質量差、數據分散不互通等諸多問題，數字化效用難以有效發揮。但當下，在醫療支付體制改革的推動下，醫院在藥品控制、診療路徑控制、分級醫院體系構建等方面將進行主動改革，充分利用信息化手段提質增效，促進醫療服務體系變革發展。具體表現在:
智慧化:通過數字化技術解決複雜醫療臨床、科研及管理問題，或賦能醫生，提高診療能力。
線上化:從患者體驗出發，將部分業務線上化處理，增加醫患溝通渠道，便民利民。
數據驅動:採集、存儲、組織、整合、應用海量的人群健康數據，挖掘併發揮這些數據信息對於醫學研究、臨床實踐、醫保控費等醫療價值點的作用。
雲服務:基於互聯網技術，以雲服務的形式提供彈性的IT基礎設施，降低醫療機構建設成本、破除數據孤島、保障業務連續性。
1.4醫療體系發展趨勢
基於對宏觀經濟發展趨勢、醫療需求及供給以及新技術發展趨勢的分析，我們認為，醫療體系將在成本控制的基礎上 (緩解供給端支付壓力)，提高人群健康水平和患者體驗(滿足多樣化、多層次、個性化、動態化的需求)，實現以人為 本的整合型醫療衛生服務(合理分配供給資源，提供一致性醫療健康服務)，最終實現各國都在努力推進的醫療改革。 未來醫療體系發展的趨勢具體表現為:提高人群整體健康水平，實現人群健康管理;醫療生態圈各方有機配合，向人群提供整合式服務;以人為本，實現醫療、醫藥、醫保三醫融合;發展的“終局”將強調醫療價值。
醫療服務、醫療保障、藥品和醫療器械生產及流通體系都在不斷進行著深刻變革，演進過程將是一條符合國情、融合領先科技的路徑。因而，在走向“終局”之前，醫療體系將經歷一段從醫療“中局”向“終局”過渡的發展歷程。
醫療服務體系變革:
從關注診療向全生命週期健康管理進行轉換，包括預防、篩查、診斷、治療及康復，以通過醫聯體、醫共體等一體化服務提升全民健康水平，通過擴大早期預防和篩查的覆蓋減少老齡化趨勢下的診療壓力。
醫療資源和服務能力向基層下沉，增強基層醫療服務能力，由基層提供健康管理及慢病管理、體檢、疾病預防等基礎醫療服務，通過分級診療緩解資源匹配矛盾，改善患者醫療體驗。
供給端總量提升、注重提質增效，在公立醫院改革之餘，鼓勵民營資本參與、加強社會力量投入醫療健康服務。
醫療支付體系變革:
社會醫保明確管理目標、加強控費能力，提高醫療支付效率和投入產出效果，通過醫保帶動醫藥和醫療運營變革、理順激勵機制，逐步實現按價值付費。
商業保險發展提速，成為支付體系的關鍵力量，結合大數據和互聯互通能力提供保險創新模式，例如健康管理組織、藥品福利管理、單病種管理等。
醫藥生產及流通體系變革:
通過科技手段賦能，提供診療效果更好的醫藥產品，例如通過數據分析加速藥品研發及臨床試驗週期、基於真實世界數據進行藥品評價和上市後研究。
降低醫療成本，包括管理藥品及設備耗材的價格、變革流通和零售體系(如DTP藥房)。
1.5 AI在未來醫療體系中的價值
未來，醫療體系的參與方將整體為患者提供整合式服務，通過各方跨領域合作，優化醫療價值，形成一致的利益訴求。圍繞核心醫療生態體系，AI將發揮重要作用，通過提質增效、降本增益、模式創新，推動醫療體系各方的變革和提升。例如提升醫生水平和診療效率、大大降低優質醫療服務的價格、極大提升醫院運營能力、高效管理患者全生命週期醫療健康數據、為患者提供全場景主動式健康管理。
第二部分:面向未來的醫療健康生態體系及人工智能發展機會
2.1面向未來的醫療健康生態體系
醫療健康生態體系的核心目標是提升國民整體健康水平，將以服務量和盈利為目標轉向以患者健康為目標(Porter，2010)，以較低的成本獲得更好的健康結果、服務質量和病人安全(IOM，2010)。對於健康質量來說，包括技術和人性化兩方面(中國醫藥衛生體制改革聯合研究合作方，2016)，即診斷診療對改善健康結果的有益性以及醫療服務對患者的人性化關懷。因而，以人為本的整合型醫療衛生服務體系需要考慮以下三個關鍵因素:
人群健康:價值醫療關注的應該是醫療服務的健康成果和價值，而非服務數量。
患者體驗:醫生是在治療患者，而不是治療疾病。醫療服務應該同時考慮患者的服務體驗，以及對心理、生活、工作等全方面的影響。這也需要不同醫療機構進行整合，為患者提供一致性、一體化的高質量服務。
成本:醫療作為一種公共服務，在關注質量的同時也要考慮適當、公平和可負擔等因素，鑑於作為支付主體的財政和醫保資金都面臨壓力，需要思考如何管理醫療費用，以有限的成本獲得更高的質量。
2.1.1核心層
未來的醫療體制改革將更加重視以人為本，發展以數字化驅動的人群健康管理、一體化服務網絡和三醫融合的服務模式，使目標人群能在合適的時間、地點獲得有針對性、符合診療需求、不過度的醫療健康服務，實現無處不在的醫療、全生命週期關懷和精準醫療。06
從近中期來看，中國正在推動的分級診療也契合這一趨勢，核心舉措包括提升基層醫院的能力，在縣域內完成常見病、多發病診療，讓三級醫院專注提供急危重症和疑難複雜疾病的診療服務。建立雙向轉診制度，鼓勵基層檢查、上級診斷、遠程診斷等服務。同時加強基層醫療人群健康管理職能，重視疾病預防。
2.1.2主體層
醫療體系的主體參與者包括醫療服務提供方、藥品及醫療器械提供方、醫療支付和監管方。各參與方在改善人群健康、提升患者體驗、降低成本的共同目標下，圍繞核心業務流程，提供整合式服務，產生了不同表現形式的價值需求點。07
現階段，醫療健康大數據是割裂的，歸屬於不同的醫療健康參與者。未來醫療體系將形成打通的人群健康大數據平臺，形成對人群健康和醫療體系的“同一版本的真相”(one version of truth)，為AI發揮重要作用建立數據基礎。
2.1.3應用層
結合醫療生態體系價值點，AI技術將演化出豐富多彩的應用場景，滿足醫療服務、藥品和器械、支付和監管等不同參與方的需求，以促進實現“以人為本的整合型服務”。科技巨頭、行業巨頭、醫療信息化企業和AI技術企業紛紛涉足，突破創新層出不窮。詳見“2.2 基於醫療健康生態圈的醫療AI應用細分領域”
2.2基於醫療健康生態圈的醫療AI應用細分領域
AI在醫療行業的應用將以滿足核心人群和主體參與者的價值需求點為中心。08
2.2.1醫療服務提供方
醫療服務提供方包括各級綜合醫院、專科醫院、社區衛生服務中心、鄉鎮衛生院以及連鎖診所和近年興起的民營醫院等醫療衛生機構，他們是在診前、診中、診後整個流程為人群健康服務的主體。將以人為本的價值醫療作為最終發展方向，針對當前醫師資源不足、基層醫療服務能力較低等醫療現狀，與分級診療、按病種付費、醫聯體/醫共體、家庭醫生等改革舉措相結合，AI對於賦能醫院大有可為。未來，醫院的服務邊界將由線下拓展到線上線下一體化，醫療服務將由當前的疾病治療拓展到未來的主動式健康管理，助推各級醫院提供一致的、精準的、體驗良好的健康服務，真正實現無處不在、全生命週期的醫療服務體系。09
AI與醫療的結合能夠產出多方面價值，包括改善健康結果、提高服務質量、提升患者體驗、節約醫療成本、強化醫院運營管理等，在各個環節演化出豐富的應用場景(參閱圖9)。
2.2.1.1 AI醫學影像
人工智能將極大提升醫學影像用於疾病篩查和臨床診斷的能力。醫學影像已成為重要的臨床診斷方法，然而影像科和放療科醫生供給不足、工作量大，因而誤診/漏診率較高。受限於醫師讀片速度，診斷耗費時間長，以胸部CT閱片為例，傳統方法需半小時，AI只需要幾秒。AI可大批量、快速處理圖像數據，提供疾病篩查和輔助診斷功能，醫師只需對結果進行復核。
AI醫學影像是計算機視覺技術在醫療領域的重要應用，能大幅增強圖像分割、特徵提取、定量分析、對比分析等能力，可實現病灶識別與標註、病灶性質判斷、靶區自動勾畫、影像三維重建、影像分類和檢索等功能。具體應用領域包括眼底篩查、X線胸片閱片、腦區分割、腦疾病診斷、骨傷鑑定、骨齡分析、器官勾畫、病理切片分析、皮膚病輔助診斷等各類應用影像數據作為診療手段的疾病領域。
AI醫學影像是當前醫療人工智能最為成熟的應用場景。以眼科為例，目前基於眼底照的AI算法對於眼底疾病、視神經疾病的診斷已經接近人類醫師的水準。AI醫學影像若能結合診斷分級系統，正確引導不同疾病程度的患者到對應的醫療機構就診，則能夠有效解決篩查需求與現有眼科醫師數量嚴重不匹配的問題，極大地拓寬眼病篩查人群的覆蓋範圍。2018年，美國食品藥品監督管理局(FDA)已批准了世界上首款使用人工智能檢測糖尿病患者視網膜病變的二類醫療設備IDx-DR上市。
目前，國內外有上百家企業具備相關的產品或算法，包括:1)百度、Google等科技巨頭。科技巨頭資金雄厚、能長期佈局和投資，AI技術和人才實力有積累，並能結合雲平臺提供服務，最容易形成全疾病範圍、多區域覆蓋、平臺式的產品服務。2)推想科技、依圖醫療等AI創企。AI創企對市場反應靈活，部分廠商在某些影像領域佈局較早，通過與醫院進行科研合作、集成進醫院信息化廠商軟件等形式，形成了一定數據和算法壁壘。3)GE、Phillips、聯影等影像設備企業。影像設備企業可依靠現有的影像設備加入AI算法切入醫療機構，易在自有體系內形成一致性的標準和連接。
AI影像產品主要有軟件和軟硬件一體化兩種形態。AI算法可接入醫院信息系統或醫療設備，表現為篩查系統、分析軟件、檢測診斷平臺等，也可將算法軟件集成到專業設備中，拍片後直接生成分析報告，例如眼底篩查相關一體化解決方案。然而，市場上大部分產品同質化嚴重，集中在糖網、肺結節等領域。若只基於通用算法和開放數據集訓練，難以形成產品核心競爭力。領先者將是能實現數據精雕、滿足泛化適應需求和有針對性優化算法的企業。為增強算法的魯棒性、安全性、易用性，產品需要獲取高質量數據並對數據標註精雕細琢，還需對不同影像設備的影像數據有良好的適應性，以及在算法和技術層面針對小樣本、多模態、分佈式樣本進行優化。例如，至真智能篩查眼底相機，是集眼底照相和疾病篩查於一體的便攜式醫用相機，可以完成全自動標準眼底圖採集及雲端AI眼底圖像病灶分析，在河北省某社區衛生服務站，通過項目1個月的運行，已服務近四百人次，識別出四十餘例眼底病變高風險案例，體現出利用AI提升基層診療水平的能力。
從落地應用來看，AI醫學影像可在體檢中心、基層衛生機構、第三方醫學影像中心等醫療服務機構用於疾病篩查。一方面將有效提高篩查的精準度，大幅度減少誤診、漏診，對於醫生診斷能力不足的基層醫院而言，有助於形成基層初篩、上級診斷的分級診療形態，為患者提供一致的、高水平的整體診療服務。以百度旗下的人工智能醫療品牌靈醫智惠打造的眼底影像分析系統為例，聯合權威眼科專家構建AI眼底彩照標註企業標準，引入超過20家三級以上醫院中高年資臨床醫生對50萬例眼底數據的多重交叉標註，獲取了權威的醫療精標數據。已經具備糖尿病視網膜病變、青光眼、老年黃斑病變等三種主要致盲疾病的分析能力，準確率接近三甲醫院醫生能力。2018年，靈醫智惠攜手中山大學中山眼科中心開展“AI眼底影像分析系統科研合作項目”，將AI眼底影像分析能力植入廣東肇慶多個基層醫院，截至今年5月已經幫助557名基層群眾發現眼疾風險。
另一方面在院內輔助環節，AI能節約醫生的時間，將其從低附加值、重複性勞動中解放出來，提升診斷、放療、手術的效率。並且，結合雲平臺的支持，可系統性降低醫院成本、提高診療效果、改善就診體驗。AI可以提供一些參數的定量測量和對比，包括結合患者歷史數據進行縱向對比分析，以及與標準情況、其他患者數據進行橫向對比分析，輔助醫生結合臨床經驗進行判斷。在河南某縣人民醫院和北京醫準智能科技有限公司的合作中，肺結節智能輔助檢測系統被應用於肺癌早期篩查項目中，病灶檢出率高達99%，覆蓋各類型微小結節、小結節、結節及腫塊，並可針對每例病灶給出較高準確率的良惡性分析，極大提高了科室診斷效率及準確率。在項目期間，識別出高度疑似肺癌患者7 人，已經接受活檢或手術確診4人。
儘管產品形態和算法已經較為成熟，然而當前由於監管方面的困難，AI影像產品的商業化落地模式尚不清晰。在Vi- sion China人機大戰中，在AI輔助下的低年資眼科醫生的診斷準確率和效率與高年資眼科醫生相比已經不分伯仲。圖瑪深維、深睿醫療、雅森科技等公司的產品已獲得了二類醫療器械認證，其產品應用僅限用於病灶檢出、異常徵象識別，再由醫生確認病症，暫不可用於診斷領域。目前尚未有一款AI影像產品獲得三類器械認證，因此，不能開展自主診斷，侷限了其應用場景。預計首批三類器械證將在2020年左右發放，為醫學影像市場發展注入強心劑。
監管主要瓶頸在於AI不同於傳統的計算機輔助系統，其具有自學習和快速迭代的特性，推理過程也不完全透明，需要通過有效手段明確其是否能產生一致的、穩健的、可靠的結論。解決的思路包括:1)建立標準化數據集以驗證其有效性和魯棒性;2)提前明確算法未來在數據源、功能、結論變化的可能性和潛在方向;3)在臨床應用過程中建立合適的產品性能監測和註冊變更審批流程;4)針對不同的疾病情況(不同病症、不同嚴重程度)和算法功能(篩查、輔助診斷、治療)，採取相適應、有區別的器械分類標準、評價體系和審批監管標準。
在標準化數據集和監管標準制定方面，需要監管方、醫療機構和AI企業通力合作。由於我國各地醫療信息化水平不一，影像數據標準不一、質量參差不齊，數據合作推動艱難，數據質量有待提升。數據的標註質量也是重要影響因素。全面、方法和標準統一、過程受監管的標註，才能保證產出合格的高質量訓練集。針對以上問題，諸多AI廠商已經在積極參與中國及國際標準制定，以期共同推動標準的前進。例如，2019年年初，靈醫智惠作為牽頭單位，向世界衛生組織和國際電信聯盟成立的健康醫療人工智能焦點組(FG AI4H)遞交了眼底影像和臨床輔助決策系統等2項標準提案，獲得了組織方的高度認同。靈醫智惠攜手國內權威眼科專家共同制定國內首個AI眼底彩照標註企業標準，並且探索更大範圍的合作，推動其成為團體標準。
當然，AI監管放行只是一個發令槍，槍響之後行業從初生到蓬勃還有很長的路要走。首先，收費模式及收費來源尚不清晰，從收取軟件實施費到真正體現AI作用的檢查服務收費模式需要得到醫院、醫保、物價等多方面的共同認可。其次，醫生對AI產品的態度十分關鍵，需要時間來促成其對AI的信任。此外，當前AI主要為滿足醫技科室需求，從醫技科室走向臨床科室，仍然需要很長的路要走。在產品方面，一方面將突破更多的疾病領域、形成全病種複合系統，形成更精準的篩查和診斷，另一方面會結合更多的臨床實際情況，並針對小樣本進行算法優化、拓寬病情預測等應用。在推廣方面，AI醫學影像將通過區域影像中心、體檢中心、“基層篩查，上級診斷”等形式惠及基層。
2.2.1.2 AI輔助診斷
人工智能應用於輔助診斷(CDSS)是未來的發展方向。醫學的不斷髮展促進其專業劃分越來越細，這導致臨床醫生對自己專業範圍外的疾病領域知識掌握有限。然而，臨床真實環境中的疾病情況通常是多學科多領域的複雜情景，需要臨床醫生具備綜合診斷能力。並且，中國當前的醫療服務體系下，基層衛生機構的醫師資源不足、經驗不足、診療能力有待加強。人工智能對解決這些問題提供了極大的幫助，能提供綜合診斷能力，從而提高醫療質量。此外，電子病歷評級、互聯互通測評等政策也成為CDSS加速落地的重要推動力。
與早期的基於專家知識庫的系統不同，AI輔助診斷提供的是決策支持，而非簡單的信息支持。AI 不依賴於事先定義好的規則，能夠保證證據更新的時效性、快速智能地處理臨床數據和醫生反饋，拓寬查詢以外的應用場景。其思辨能力甚至能在一定程度上彌補臨床醫生醫學知識的侷限性，幫助其作出恰當診斷決策，改善臨床結果。
AI輔助診斷一般的模式為“理解病症—評定醫學證據—選擇治療方案”三個步驟。利用自然語言處理、認知計算、自動推理、機器學習、信息檢索等技術，人工智能可以獲取患者病症，模擬醫生的診斷推理能力，為醫生疾病診斷與制定治療方案提供輔助。第一步，病症的獲取包括患者自述、醫生檢查、化驗結果分析等，系統會提取其中關鍵的特徵並結合患者的歷史健康信息，通過自然語言處理讀取和理解病歷。在過程中，AI可以基於分析要求患者或醫生提供某方面的病症補充，或提示需做的檢查、鑑別要點。第二步，AI 結合從文獻、診療標準、臨床指南和臨床經驗等數據積累中學習的知識，通過知識圖譜和推理假設將獲取的病症信息聯繫起來，形成可能的結論、置信度及證據，生成診斷結論和治療方案建議。第三步，在權衡療效、副作用、疾病轉移及其他因素之後，在當前階段由醫生最終形成診斷。
作為“醫療+AI”的一個典型應用場景，諸多廠商都在從不同的能力建設路徑和切入角度探索智能輔助診斷系統。1)科技企業(如百度)從建立醫療知識圖譜和認知計算能力方面切入，構建能夠讀懂數據、循證推理的診療助手，從數據到決策的技術架構相對完整。2)專業CDSS企業有一定的臨床知識積澱，如惠每引入來自梅奧的臨床指南和知識體系，再進行國內臨床驗證調整。3)醫療大數據企業(如醫渡雲、零氪科技)以參與數據結構化幫助醫院提升數據管理質量的方式切入，積累臨床訓練集形成大數據平臺和專病庫，從而夯實CDSS能力的基礎。4)傳統HIS廠商(如東華、東軟、衛寧)通過幫助醫院部署電子病歷評級產品，形成全科病歷數據能力基礎，切入合理用藥、質量管理等近似診斷功能系統。5)醫學專業出版行業通過轉型知識服務商，為醫院提供知識服務。傳統出版行業(如人衛社)對出版資源進行數字化、結構化形成知識庫，與CDSS產品進行對接，為用戶提供知識查詢、知識提示、相似病例提示等服務。同時，結構化的知識也是各CDSS構建知識圖譜的基礎。
在產品方面，服務於不同的目的和場景，CDSS有不同的形態和功能。在具體的醫療環節中，除了腫瘤、血液、骨科、神經科等各類疾病的輔助決策、診斷推薦系統外，在檢查項目推薦、臨床異常檢查、合理用藥、手術規劃、臨床質量管理、醫療知識檢索、相似病歷檢索等方面，CDSS也有所應用。早期，醫療機構參與信息化評級是CDSS落地的關鍵驅動因素，根據我國的《電子病歷系統功能應用水平分級評價方法及標準》，從第3級開始就要具備初級的醫療決策支持能力。現階段，解決診療過程的一致性和規範性問題是CDSS的重要應用價值，包括為響應國家提高基層醫生水平的號召而提供全科輔助、為規範臨床診療行為而開展單病種過程質量控制、針對病歷質量的評估和管理。在某些專業病種方面，產品能夠提供包括疾病分級、用藥、禁忌症提示等方面的診療建議。
對於基層醫院來說，缺乏高質量的全科診療能力是導致基層首診和分級診療制度難以建立的核心原因之一。AI輔助診斷能夠有效減少醫生的誤診、漏診情況，提高醫療質量和安全，控制費用成本。例如，靈醫智惠CDSS能夠覆蓋27個標準科室，具備超4000種疾病的推斷能力，作為基礎診療助手可以避免誤診、漏診，提供經典治療參考，在實踐過程中，通過醫學專家與計算機知識工程專家合作構建的專業的醫學本體，不僅包含傳統的實體、概念、屬性、關係的表示，還引入了規則、函數的超越三元組的知識表示，從而為醫學複雜形態的知識提供強大的表達及可計算能力。目前在13個省市落地數百家醫療機構，服務上萬名醫生。
對於三級醫院來說，AI更多承擔質量管理和輔助助手的角色。一方面AI不受到醫生主觀認知疏漏或偏見的影響，可推動診斷更規範合理。例如惠每在首都醫科大學宣武醫院上線了針對急性腦梗死的單病種質控系統，實現疾病診療過程質控以及質控數據的自動統計和明細查找。另一方面在專科疾病的治療方面，AI能夠提供有力支持。例如醫渡雲在與中國人民解放軍總醫院第五醫學中心的合作中，建立了肝膽腫瘤多維MDT大數據協作平臺，通過決策診療系統，可推薦最新文獻研究結果、相似病歷、備選方案、預期療效及優劣比較等信息，供醫生參考。
縱觀市場上的CDSS產品，受限於技術和數據兩方面約束，能夠建立核心知識圖譜能力的屈指可數。對於AI來說，能夠像臨床醫生一樣去消化醫學知識是極大的難點，需要通過算法針對臨床思路抽取成機器可以理解和執行的診療邏輯，這個過程需要對文獻類、實踐類、臨床類多種信息的綜合分析，這套邏輯(知識圖譜)也就是CDSS的核心價值所在。知識圖譜的構建離不開龐大數據的支撐，然而臨床上實際使用的術語、標準遠遠比文獻和指南中複雜，當前醫療數據結構化的比例較低，電子病歷的標準化、結構化、統一化、專業化也還在推進中，各家醫院的數據封閉、甚至不同科室內也難以聯通。數據基礎層面難以滿足臨床決策支持的需求，大大影響了CDSS落地的有效性。因此，需要通過自然語言處理技術實現病歷結構化，使機器準確完整地“讀懂”病歷，為建立核心知識圖譜提供結構化數據支撐。
從應用來看，CDSS需要契合臨床需求。IBM Watson 落地艱難的探索實踐表明，輔助診斷要跨越象牙塔和業務之間的鴻溝，需要大量的臨床實踐，掌握更多的細微線索以及真實世界數據。對於基層醫院和三級醫院來說，由於面臨的臨床診療痛點不同，也需要產品有不一樣的內容和功能模塊。對於不同的輔助對象(如醫生、護士、醫技)以及不同的場景環節(如寫病歷、開醫囑、手術前後、住院時)來說，具體系統功能模塊也應當有所不同。
因而，未來CDSS產品也應在這兩方面有所提升。首先，應構建精準而不冗餘、動態更新的知識圖譜。未來在統一的人群健康數據基礎上，完成數據清理、病歷的結構化，建立標準化術語集，形成有效知識圖譜，這些工作是CDSS發揮作用的基礎。同時，需高度重視真實世界的最新臨床實踐作為補充，保持醫學知識的不斷更新，促進產品持續優化。其次，針對不同的臨床需求，可提供全科版、專科版等不同版本的產品，全科版以標準化方案賦能基層全面提升診療水平或作為三級醫院質量控制、效率提升的助手，專科版針對特定疾病的能力提升支持專病管理。並且，系統需要結合臨床流程，確保不會對醫生的診療過程產生“打斷”和“干擾”的情況，技術公司需要聆聽臨床的需求和想法，更多采用提示、信息支持而非警示、強制執行的交互手段。同樣地，臨床醫生作為最終使用用戶，更多地參與到CDSS的規則、設計、開發、優化中將對產品發展大有裨益。
2.2.1.3 AI健康管理
健康管理應當是貫穿診前、診中、診後全生命週期的專業化精準服務，人工智能通過智能化手段有助於實現這一目標。傳統的醫療路徑為“患病後治病”，而在未來的醫療健康生態體系下，醫療對健康結果的達成將超越對於診療項目數量的關注，包括注重診前疾病預防，幫助人群在更長的階段內保持健康，並通過預防性篩查和重點關注高危人群提升國民健康水平，以成本更低但更有效的方式管理慢性病，為不同人群提供不同的健康方案。這一過程既需要應用實時收集的健康數據，也需要一定的醫療專業技能支持，以進行人群分群、建立患者畫像，並提供精確完整的建議。尤其在社區和家庭等場景下，由於醫護人員的供給遠遠無法滿足人們的健康需求，人工智能的出現將實現智能化疾病預防指導，實時進行疾病監測和評估，為用戶提供個性化行為干預，推動高效高質、低成本的康復護理和慢病管理，減少疾病風險、防患於未然，為患者、醫院、醫保降低費用。
當前，健康管理市場尚未形成成熟的模式和格局。應用AI的健康管理參與方包括妙健康、悅糖、奇雲諾德、心雲、藍熙健康、碳雲智能等科技企業，涉及營養學、身體健康管理、精神健康管理、基因檢測、家庭護理等多個方面，致力於通過精準醫學和大數據技術構建健康管理解決方案。平安好醫生、微醫、春雨醫生、阿里健康等主打線上掛號和醫藥電商的APP也紛紛上線健康教育、健康數據監測等服務增強用戶粘性。另外，IBM Watson、Microsoft Azure等公司從“AI+Cloud”的角度建立人口健康平臺，提供個人健康多種影響因子的整體視圖，支持醫生與患者共同決策。關聯的企業還包括可穿戴設備企業、第三方檢測公司、體檢機構、健康檔案系統等諸多參與者。從場景上看，主要切入點包括診前的健康監測、疾病篩查、健康評估、保健教育、健康干預(輕問診)，以及診後的跟蹤監測、常見病和慢病管理等。
對於診前健康管理來說，通過基因檢測、智能硬件等途徑，獲取基因、代謝和表型(性狀)等數據，引入人工智能技術對以上數據進行分析，進而可對用戶或患者進行個性化行為干預，為用戶提供飲食、起居等方面的健康生活建議，幫助用戶規避患病風險。例如妙健康“妙+”數據接入平臺，融合了300餘款國內外智能健康設備，接入包括智能硬件、體檢和用戶自評價數據並以此為依據計算“健康行為指數”，從而促進用戶形成健康習慣，並可拓展預約掛號、醫生諮詢等各項服務。
對於診後健康管理來說，依託AI構建智能管理平臺，通過持續的追蹤隨訪、監測和效能評定推算疾病復發和再患病風險，能延長醫療服務半徑，有效緩解醫院門診壓力，釋放優質醫療資源，為患者提供最新的合理治療方案，有助於在慢性病、腫瘤等需要長期隨訪和治療指導的領域，滿足患者的面診購藥、複診續方、康復指導等診後服務需求。在與中國疾病預防控制中心慢性非傳染性疾病預防控制中心的合作中，中關村國衛健康大數據研究院通過國衛健康雲智能化慢病管理平臺對心腦血管疾病高危人群(高血壓、糖尿病、高脂血症患者)進行風險評估和健康管理，提高知曉率、治療率、管理率和控制率。並在智能系統上提供患者簽約管理和隨訪功能，提升家庭醫生簽約服務質量。通過智能患教和問答，進一步幫助患者有針對性的瞭解疾病預防和管理知識，為患者帶來方便的同時大大減少醫生重複性勞動。
診中環節是串聯起診前和診後健康管理的關鍵節點。一方面，從人群中篩選出高患病風險人群和具有患病症狀的人群后，需要打通就診通道，接入醫療服務提供方進行準確的診斷和後續治療。另一方面，在分級診療的趨勢下，診中建議將引導康復護理等後續服務的去向。因而，一站式互聯網健康管理平臺是眾多參與廠商的發展趨勢。
當下，企業在AI健康管理方面的佈局尚在探索階段，存在數據缺乏一致性、關聯性，標準不統一等問題。目前日常健康類數據獨立存在於各智能硬件、手機App中，數據孤島和數據不規範情況顯著。健康智能終端缺少統一的行業標準，廠商間採集和分析的算法不同，結果存在差異，大量可穿戴設備採集的數據不能被醫療機構認可。診中數據(包括電子病歷、電子處方)分散在各醫療機構手中，診後隨訪數據缺乏。這些均制約了AI在健康管理方面的應用。
未來，依託於覆蓋診前、診中、診後全過程並覆蓋基因、生理、環境等全方位的人口健康數據平臺，AI健康管理將在幫助人群預防疾病的同時也能輔助醫生診療、控制醫保費用。尤其在慢病管理方面，醫院內部與外部一體化的智能慢病管理平臺，將充分發揮輔助作用，使患者在家庭中即能得到可靠治療。互聯網家庭健康管理將顯著受益於AI 技術的發展，成為接入院內診療環節的入口，以及承接院內環節的虛擬醫療平臺，實現在線問診、家庭護理、社區醫院、個性化管理等諸多服務內容。
2.2.1.4 AI虛擬助理
AI的應用極大提高了診前效率，改善了患者體驗。預問診、分導診、掛號等場景往往需要大量重複和簡單的人力工作，而AI虛擬助理採用智能機器人、人臉識別、語音識別、遠場識別等技術，結合自然語言處理和知識圖譜等認知層能力，可以根據患者的情況描述和診療需求進行分析，完成診療前分導診、預問診、診療引導等工作，大幅提高效率。同時虛擬助理也可以與人群健康管理理念結合、承擔健康管理助理的工作。
當前，有大量的參與者進入AI虛擬助理領域，尤其是分導診、掛號環節，包括百度、騰訊等互聯網科技巨頭，以及科大訊飛、依圖醫療等AI科技企業。在產品形態方面，既有依託於APP、網頁和小程序等軟件形態的智能平臺，也有部分企業將其和硬件產品相結合，形成醫療助理機器人、導診導醫機器人。在智能分導診以外，產品通常配合專家查詢、醫生匹配、預約掛號、繳費支付、院內導航、診前病史採集、報告查詢、診後隨訪、複診提醒、健康宣教等功能，為患者提供便利化服務。
儘管市場上產品同質化現象較為嚴重，但部分企業憑藉自身的核心AI能力，形成了一定差異化優勢。在院前分導診環節，靈醫智惠AI智能診前助手產品，結合醫療知識圖譜，改善智能問診提問輪次，提供更精準的醫患匹配，優化掛號服務體驗，目前已在北大國際醫院、健康之路等數家醫院/平臺進行應用;在院中環節，左手醫生的預問診系統，可以實現在患者見到醫生之前，由預問診系統先採集好患者情況，通過問答式交互，生成“一訴五史”
的標準病例。方便醫生快速瞭解患者病情。可提升醫患溝通效率，降低50%的問診時間。提升醫生的服務能力，並節省醫生輸入病歷的時間;在院後環節，左手醫生為患者提供離院後的用藥指導和用藥管理以及用藥信息採集，填補了患者離院後用藥管理的空白，做到了帶藥離院患者用藥管理100%全覆蓋。
患者向AI提問時可能會遺漏關鍵信息，使AI問診分析變得困難。而且目前分導診產品對所需要的醫學知識圖譜仍掌握不足，語音識別在醫療場景下的識別率也有待提升。虛擬助理產品當前主要集中於分導診環節，未來可發展更多樣化的產品形態，同時可以參與構建覆蓋診前、診中、診後的集成健康管理平臺，提供更多的醫療助理服務。
2.2.1.5 AI精準醫療
基因檢測在精準醫療中發揮著重要作用。傳統基因檢測中，基因組數量龐大，人工實驗費時費力且耗費成本巨大、檢測準確率低。對於精準醫療來說，包括預測疾病風險和制定個性化的診療方案在內，都迫切需要大量的計算資源及數據的深度挖掘。AI基於強大的計算能力，能快速完成海量數據的分析，挖掘並更新突變位點和疾病的潛在聯繫，強化人們對基因的解讀能力，因而提供更快速、更精確的疾病預測和分析結果，實現患病風險預測、輔助診斷、制定靶向治療方案、診後復發預測等功能。
生命科學企業(如華大基因、貝瑞和康)，依靠多年的技術積累已在基因檢測方面形成很高的技術壁壘，當前正在探索AI在基因測序領域的應用，同時擴展健康管理服務。AI科技企業(如碳雲智能)也在其分析平臺中納入基因數據，提供測序服務，從而更好地洞察某些特定的疾病狀況。
精準醫療將覆蓋診療全過程。在診前為患者提供疾病風險預警、進行行為干預。在診中治療環節，可根據患者的基因序列等個人生理信息輔助個性化治療方案的制定，打造全新的醫療服務範式。在診後通過監測患者的康復情況，及時預測疾病復發、併發症的產生。
2.2.1.6 教學和科研AI平臺
輔助醫學教學平臺通過人工智能、虛擬現實等技術，構造虛擬病人、虛擬空間，模擬患者溝通、手術解剖等醫療場景，輔助醫學教學。一方面，提供逼真的練習場景，幫助醫生縮短訓練時間、提升教學效果，另一方面，打通了從海量數據中提取精準定量診療關鍵信息的層層壁壘，使得診療經驗得到積累與傳承，提高了醫療服務的精準化水平。
例如，人衛社利用新技術進行傳統出版和新媒體出版融合，提升教學、培訓服務能力。包括研發數字教材、融合教材、教學助手等產品，結合AR、VR等新興技術，通過整合高質量教學資源、精準的教學評價系統以及全面的教學數據採集與分析系統，輔助教師開展多種形式的課堂教學，提供數據分析用以指導教學改革，提升教學質量。此外，阿里健康正與浙大附二院、中國醫藥衛生事業發展基金會三方嘗試在阿里ET醫療大腦的醫師培訓教學系統中，將各種臨床病例數據脫敏轉變成三維“ 虛擬病人”，通過人機語音交互，模擬場景治病、在線討論、綜合評分，實現醫護人員臨床診療能力的在線培養、考核、評估、監督。
AI技術為醫生提供了一個高效方便、簡單易用的醫學研究平臺，可以快速收集處理數據、運用算法高效分析數據。目前有兩大問題制約著醫生的科研工作，一是醫生的臨床工作佔用了大量時間，缺乏時間開展科研，二是缺乏充足規範的數據和強大的數據處理能力。醫學研究AI平臺能夠整合超強算力、高融合網絡、儀器設備、算法模型、醫療數據等資源，打造醫學研究服務方案，方便醫生將深度學習、影像組學以及自然語言處理等前沿AI技術應用到臨床科研實踐中，提供數據收集、存儲、統計、挖掘、分析，以及基因和生物信息分析等服務。
對於醫院來說，AI等新技術可以為科研人員在數據、AI分析工具等很多方面提供便利。例如依圖醫療和四川大學華西醫院合作建設的肺癌臨床科研智能病種庫，可幫助醫生在系統內進行數據預分析，縮短科研預處理時間，以及一鍵導出回顧性實驗課題數據並對接專業分析軟件完成分析，輔助科研論文撰寫。對於AI技術企業來說，輔助醫學研究平臺是獲取醫院數據訓練集的一種方式，也有助於通過和醫院合作科研的形式拓展AI應用落地。包括BAT在內的科技企業、醫渡雲等醫療大數據企業、推想科技等AI應用企業、傳統醫療信息化廠商、基因測序等生命科學企業都在積極參與平臺的建設。未來的發展方向，醫學研究平臺需要和臨床緊密結合、相互支持，不斷運用臨床實踐檢驗、反饋和更新科研結果和平臺設計。
2.2.1.7 智慧醫院管理
人工智能可以通過實時數據追蹤、分析、預測來優化醫院管理。管理內容包括電子病歷管理、質量管理(如用藥質量、臨床路徑、醫技檢查質量)、績效管理(如DRGs績效)、精細化運營(節能管理、智慧病房、藥品閉環管理)等。我國各地方醫院缺乏統一規範的智能管理系統，而基於人工的系統管理容易產生誤差大、成本高、耗時長、過程繁瑣等問題。利用人工智能開展醫院管理可以在技術層面上做到更加精準，減少人力成本，簡化運營方式，提高透明度，給患者帶來更好的醫療體驗，給醫生帶來更便捷的工作環境。
目前大部分醫院仍處於數字化的初級階段，AI應用於醫院管理的條件尚未完全成熟。AI技術的應用需要大量、標準、結構化的數據集，目前醫院在信息化發展、院內數據互聯互通、數據質量等方面尚不能滿足AI應用的條件，而且大部分醫院未形成一致性的臨床規範和標準，也為智慧醫院管理增加難度。未來，醫院應持續推進數字化進程，建立一致性的、互聯互通的數據基礎，實施標準化的管理原則，在高度數字化的基礎上，將AI等先進技術應用於醫院管理中，從而提升醫院管理質量和效率。
2.2.2藥品及醫療器械提供方
藥品及醫療器械提供方是醫療產品及關聯服務的提供方，主要包括藥品和醫療器械兩大類。對於他們來說，在醫保控費、取消藥品加成等改革舉措下，傳統的研發、生產、銷售模式將面臨壓力。如何提升內部效率、降本增益、真正掌握終端人群需求從而轉化服務，成為藥品及醫療器械提供方需要思考的問題。而以患者為中心，更快、更好地提供符合健康需求的產品是其實現自身經營目標的必由之路。
為此，AI應用能夠帶來縮短研發週期、降低研發成本、提高研發成功率、加速臨床進程、提質增效、邁向精準醫學等多方面價值。
2.2.2.1 AI藥物研發
新藥研發成本極高、週期極長。業界一直流傳著“雙
10”的說法，即新藥的開發需要10年的時間和10億美元的資金投入。然而，實際上所需的投資遠不止於此，據美國塔弗茨藥物開發研究中心最新研究，每種新藥的研發需要28.7億美元的投資10。而且藥物研發的失敗率很高，平均研製的5,000種藥物中，只有5種能夠進入動物實驗階段，而這其中又只有1種藥物能夠進入臨床試驗階段11。AI技術的發展可助力研發人員更高效的鎖定解決方案，大大縮短研發週期，並降低總體成本。
藥物研發階段，人工智能的主要應用包括靶點篩選、藥物挖掘、藥物優化三部分。在靶點篩選階段，人工智能可以通過挖掘海量文獻(包括論文、專利、臨床試驗結果)進行生物化學預測，進而發現新靶點，也可以通過交叉研究和匹配市面上已曝光的藥物和人體上的1萬多個靶點，以發現新的有效的結合點。相較於靶點發現，人工智能在藥物挖掘方面的應用更為成熟，例如利用虛擬篩選技術，在計算機中模擬實體篩選過程，建立合理的藥效團模型與化合物數據庫進行匹配，通過分子模擬手段計算化合物庫中的小分子與靶標結合的能力，提高篩選的速度和成功率，減少在構建大規模的化合物庫、提取或培養靶酶或者靶細胞等方面的成本投入。在藥物優化階段，AI可通過對千萬級的分子監控，預測它們的活性、毒性和不良反應等，完成候選化合物的挑選和開發，快速全面改進先導物的分子缺陷。在藥物晶型預測方面，AI可以挖掘一個分子藥物的所有可能晶型，具有巨大的專利價值。此外，計算機視覺通過分析化合物的細胞圖像數據也在表型篩選中發揮作用。
大型藥企及藥物研究機構以項目的方式與AI技術公司(如Atomwise、BenevolentAI、晶泰科技)進行合作，加快藥物研發進程。以英國初創公司BenevolentAI為例，該公司研發了JACS(Judgment Augmented Cognition System，增強判斷認知系統)平臺，集成了大量的科學論文、專利、臨床試驗信息化信息，協助藥物研發人員在藥物研發過程中確定正確的調製機制、篩選出最合適的靶點並預測患者的反應。BenevolentAI已與全球多家大型藥企達成合作，如在2019年4月宣佈與阿斯利康開始長期合作，將利用AI和機器學習數據來研發慢性腎病(CKD)和特發性肺纖維化(IPF)的新療法。雙方的研發人員把阿斯利康的基因組學、化學和臨床數據與BenevolentAI的靶標發現平臺相結合，通過機器學習系統地分析數據來識別關聯關係，以瞭解這些複雜疾病的潛在機制，以便更快的確定藥物靶點。輝瑞與晶泰科技、藥明康德與Insilico Medicine也有在新藥研發方面的合作。
當前在藥物發掘過程中AI應用面臨的主要問題是高質量數據的缺乏，大部分數據來源於文獻和實驗，數據量不大且結構化難度高，將大大影響篩選的結果。此外，AI企業需要對藥物設計邏輯和醫藥知識的理解也是制約其作用發揮的痛點。在近期應用方面，考慮到絕大多數國內藥企在現階段主要專注於仿製藥的開發，如能有成熟的AI技術協助，找到與原研藥相似的化學結構並優化設計，實現近似或更好的診療效果，則能夠在加速國內藥品上市的同時，幫助藥企控制研發成本。
2.2.2.2 AI輔助臨床策略制定
識別並招募合適的患者來配合臨床試驗是研發過程中的難題之一。以美國的藥物臨床試驗流程為例，三個階段共需要招募約1,120-3,380位志願者，其中第三階段需要1,000-3,000位已被診斷為特定疾病的患者，且需要對其進行持續約三年的跟蹤。這一過程中，未能招募足夠的參與者、患者中途退出、意外和嚴重的藥品副作用以及錯誤的數據收集方法等問題都可能導致臨床試驗失敗。根據拜耳的統計，90%的臨床試驗未能在目標時間內招募到合適的志願者，導致藥物研發時間拖長。AI技術可以幫助藥企更精確地發現、篩選、匹配合適的志願者，並幫助簡化患者註冊流程，同時收集及分析患者數據。
目前，涉足該領域的主要為初創型企業，包括國外的Mendel.ai、Trials.ai，以及國內的醫療健康大數據企業醫渡雲、零氪科技。Mendel.ai可幫助藥企實現20%-50%的潛在志願者的識別數量提升，同時可將潛在意願者的認證標準流程大幅減少到9分鐘，而現在平均的乳腺癌志願者認證時間為19天，肺癌可達263天。
該應用的落地基礎是擁有跨醫院的患者電子病歷信息，建立起患者同意共享數據的大數據平臺。當下的核心痛點並非AI技術本身，而是數據的可得性和數據標準化質量。藥企對於該場景的未來應用抱有極大的期待，AI應用企業應當積極與藥企以及醫院合作，獲取患者的數據並進行持續跟蹤，應用AI技術替代人工進行數據收集、整理、清洗，提升數據收集效率與數據質量。
2.2.2.3應用AI的真實世界研究
真實世界證據主要指從日常醫療實踐過程有關信息中提取的數據，包括個人健康管理方面的數據，可以作為臨床試驗證據之外的補充證據。真實世界研究目的更加多樣，可圍繞著病因、診斷、治療、預後及臨床預測等相關的研究問題展開，也可進行藥物上市後的效果跟蹤觀察、安全性監測、藥物重定向、識別審批提速的機會。真實世界數據能夠反映真實的臨床實踐情況，有助於促進精準醫學進程。人工智能在真實世界研究中的應用主要包括數據收集、數據庫構建和數據分析。
真實世界研究需要大量脫敏的、結構化、有代表性的數據，而一直以來我國收集的醫療臨床
大數據尚無法滿足需求。在此方面，零氪科技、醫渡雲等醫療大數據公司有先天的優勢。例如零氪科技協助某醫療機構開展了回顧性真實世界研究，來判斷不同的驅動基因突變與常規抗腫瘤藥物敏感指標的關係，有助於腫瘤治療的藥物方案選擇。現階段缺乏數據的企業，可與政府、醫療機構、藥企合作，推進相應的項目。AI公司在實踐方面，應注重對醫院數據的收集、清洗、標準化，提高數據質量，以期未來構建統一化的、全國性的基於真實數據的大數據平臺。
2.2.3醫療支付和監管方
除了政府財政和個人支出外，醫療的核心支付方為醫保局和商業保險公司，醫保局同時也是醫療服務和產品的監管方之一。此外，當下的醫療監管方還主要包括衛健委和藥監局(NMPA)。
對於監管方來說，保障醫療體系高質量低負擔運轉、提升國民健康水平是其制定公共衛生政策、規範醫療准入和質量標準、監督和管理醫療相關活動的核心原則。一方面，政府政策是推動醫療體系“價值醫療”趨勢的關鍵力量，也是大數據和AI在醫療體系應用的關鍵驅動因素。另一方面，有效的公共衛生政策也依賴於數據分析甚至AI輔助的支持，包括預防醫學、區域疾病在線監測和干預、人口健康管理、健康預期、壽命測算等。重慶、烏魯木齊、南京、寧波等地的疾病預防控制中心和衛生信息中心已經上線了相關的網絡平臺和系統。11
在醫療供求矛盾的大背景下，短期內醫療服務方和醫藥提供方難以有跨越式的變革，控制醫療成本、尋求最高價值的關鍵抓手在於醫保支付方。而AI將成為支付方撬動整個醫療生態圈的重要助力之一(參閱圖11)。AI將幫助實現醫保控費、智能風控、減少欺詐等行為，促進支付方與醫療服務提供方及藥品、器械提供方形成新的協同關係，最終目標是以醫療價值為導向，提升醫療服務、藥品以及器械的質量水平並節約支出。
2.2.3.1應用AI制定保險策略
當前醫療保險產品同質化程度高，針對不同特徵人群的產品較少，同時對客戶發生的變化反應較為遲緩，缺乏跟進客戶身體狀況的系統。例如雖然慢性病患者生活狀況、治療流程都相對穩定，但保險公司由於缺乏精準的醫療健康數據進行精算，難以設計覆蓋慢病群體的產品。利用AI，保險公司可以面向不同情況的客戶提供差異化的保險服務產品，為用戶提供更好的體驗，實現保險公平化。同時，基於對客戶身體情況的分析，可以幫助其獲得更及時有效的治療，提供更精準的服務。
基於大數據分析和機器學習，AI可以實現智能定價和精準營銷。前者利用大數據和人工智能在客戶投保階段審核客戶的信息，建立用戶畫像，並根據身體狀況，年齡，收入等指標對用戶分級歸類，給出最適合的產品解決方案以及最精準的保費定價。後者通過對用戶的數據分析，有針對性地定製產品與精準營銷策略，產生千人千面的互動效果以及產品推薦，將合適的產品推薦給合適的人群。
對保險行業來說，AI將在增加覆蓋面和降低風險兩方面提供助力，前者通過人群畫像和個性化定價，讓更多的用戶變成客戶。後者通過管控和審核理賠風險，降低不必要的支出。此外，當AI發現保險客戶出現潛在的疾病風險時，提前採取輔助手段進行健康管理指導，提醒客戶檢查。
平安、泰康、太平洋、眾安等保險公司都在積極探索AI在保險領域的應用。但當下，人群健康大數據平臺尚未建立，如何打破數據孤島，實現數據和能力的整合，將成為後續發展的關鍵問題。
2.2.3.2 AI藥事管理
過度醫療和醫藥濫用增加了國家基本醫保的損耗和商業健康險的虧損。為了降低醫療費用支出，醫療支付方非常願意也必須為控費尋求方案，包括干預就診醫療機構、影響用藥選擇、制定受保藥物清單、改變支付結算方式等。
人工智能可基於大量臨床數據和患者的個人用藥史來對醫生開具的處方進行審核，在對醫療服務進行監管的同時，為支付方實現控費目標。智能系統能夠完成實時醫療用藥監控、輔助提示、自動化審核、自動控費等功能，實現事前提醒、事中控制、事後審核，提高審單的效率和準確性。在審核以外，拓展切入指定藥品目錄、藥品與處方評價、輔助定價、招採准入、醫藥/器械流通銷售、支付方式優化、質量監控等方面。通過監控醫生診療和藥品使用環節，系統建立起對診療合理路徑和藥品使用規則的理解，為個人用戶提供健康管理服務。同時，智能系統能夠在過程中促進健康信息數據平臺和醫療評價體系的建設。
當前主要的參與者包括:(1)專門的醫療信息化企業，如海虹控股、快捷藥方公司(ESI)，在專業性上更強，可以和社會醫保以及多家商業保險公司合作;(2)保險公司，如平安醫保科技、美國聯合健康集團(UNH)，可以聯動“保險+PBM+醫療服務”。零售藥房、電商平臺、醫藥流通企業、藥企也是藥事管理的潛在參與者。例如復旦大學附屬華山醫院和醫利捷(上海)信息科技有限公司合作的基於定量藥理和人工智能的臨床個體化用藥輔助決策系統，基於神經網絡算法和貝葉斯模型的藥動學/藥效學(PK/PD)模型，可提高醫療質量、減少醫療差錯、保障用藥安全、實現精準用藥。
針對藥品的控費規劃需要醫院的處方、患者連續性的用藥數據以及對醫療專業知識的深刻理解，才能確保醫療數據分析和審核能力。然而當下，用藥以及健康數據分散在不同醫療機構和跨地區的醫保系統中，處方流轉也還在探索之中，發展相對受限。此外，強大的藥品議價權、成熟的供應鏈體系、完善的支付端保障是從控費系統服務方拓展到全環節服務提供方的重要能力基礎。隨著醫保局的成立，醫保將從被動方變為主動方，對於通過控費提升醫保支出效率的需求會增強。此外，商業保險飛速發展，控費系統能夠為其提供監控手段，成為議價和險種設計的有力支持。
2.2.3.3 AI自動審核
違規使用醫保、詐騙套取醫保的情況給醫保基金帶來了巨大的經濟損失，也嚴重損害了人們的利益和健康權益。人工審查存在出錯率高、環節複雜、費用高和耗時多等問題。智能稽查通過風險模型，建立事前、事中、事後的有效管控，能夠高效識別不合理單據。
AI應用可涵蓋社會醫保以及幾乎所有醫療商業險，包括疾病保險、重大疾病保險、住院保險、手術保險等，包括智能跟蹤和智能審查兩大功能。保險公司藉助跟蹤系統，將全程介入投保人“健康跟蹤——醫院就診——醫療護理“的全過程。通過高效、全面的健康管理降低成本，提升客戶體驗。保險公司也可應用智能審查，根據投保人提供的信息，通過數據挖掘與機器學習發現其中異常數據並做投保人欺詐分析。例如在醫保方面，海虹控股目前已在20個省/直轄市的百餘地市就公司醫保控費業務開展試點工作，對每一筆單據進行審核，稽查檢查治療與病例是否相符，推動合理用藥、合理檢查、合理治療。
2.3醫療AI技術能力說明
縱觀AI技術對各主體參與方的賦能應用，其核心能力分為計算智能、感知智能和認知智能三層。此外，醫療AI的發展依賴智能芯片、傳感器、網絡通信、邊緣計算等基礎設施，以及醫療健康行業理解、數字化運營等關鍵能力。12
2.3.1數據是醫療AI發展的基礎
數據將在很大程度上決定算法的訓練結果，然而獲取完整可用的數據絕非易事.
2.3.2認知層能力不可或缺
人工智能包括感知智能(比如圖像識別、語音識別)和認知智能(主要是自然語言處理、知識圖譜)。當前，感知智能技術已經相當領先，尤其是在機器視覺的物體識別精準度方面，認知智能成為人工智能實現最困難的部分之一。
醫學自然語言處理:
自然語言處理(NLP)幫助計算機認知、理解、生成人類使用的自然語言，包括機器翻譯、閱讀理解、智能寫作、對話系統、基礎技術和語義計算等。當前，主要通過機器學習(包括深度學習)的方式，來模擬人體大腦思考的方式。自然語言處理對於病歷結構化、實現虛擬助理和輔助診斷、挖掘文獻和臨床等證據中藥物與疾病的關係等應用至關重要。
當前，國內絕大部分醫院的病歷以自然語言記錄，這些非結構化的病歷無法直接被機器使用，需要通過自然語言處理技術轉換為結構化信息，以便機器處理。難點在於三個方面，無法用統一的模型來表達多元病歷數據;無法快速、準確檢索到滿足研究需求的患者;無法高效的將原始數據轉化為研究所需的精細顆粒度結構化數據。因此需要一套完整的、多層級的數據治理方案，輔助醫療數據的高效利用。
針對以上問題，國內各AI廠商都進行了諸多探索，百度在此領域的實踐可以作為醫學自然語言處理髮展的典範，將醫療自然語言處理工作分為三個層次:
識別病歷文本中的多種實體，以及實體與屬性間的關係，為後續任務(如知識庫建設、檢索庫建庫)提供基礎特徵。
針對標註成本高和醫學文本表達一致性差的挑戰，研發了一套面向小樣本的學習引擎，整合語言模型預訓練和主動學習技術，僅對機器無法判斷的樣本進行定向篩選和標註，大幅降低人工智能標註數據的用量和標註成本。
針對患者多源數據問題，整合了患者多期多類單據結果，形成以患者為中心的結構化輸出，為輔助診斷、質控等模塊提供重要信息。
第三部分:醫療AI發展模式探索
3.1醫療AI需求及供給模式分析
醫療AI從產業發展的角度，可分為醫療AI的需求方及供給方，在需求與供給雙方的不斷融合過程中，形成了醫療AI獨特的發展模式，醫療AI的供給方需探索其可持續的發展模式。
醫療AI的需求以價值為導向，以實際業務需求為出發點。基於本白皮書對醫療體系發展“中局”及“終局”的分析，未來醫療體系將按照價值醫療的趨勢進行發展。注重療效、增強體驗、降低成本，將是醫療體系發展過程中最重要的價值需求。醫療服務提供方、醫療支付方和監管方、藥品及醫療器械提供方都在按照醫療體系整體發展的趨勢進行逐步改革發展。
當前，全行業都認可醫療AI發展的巨大潛力，各類醫療AI供給方紛紛涉足其中:包括IBM、Intel、微軟、蘋果、谷歌、百度、阿里巴巴、騰訊、京東等科技巨頭，聯合保險、平安、泰康等行業巨頭，東軟、東華軟件、衛寧健康、北大醫信等傳統醫療信息化企業，也包括新興的醫療數字化企業及創新企業和出版企業，各自依靠其自身資源稟賦進行醫療AI佈局。
3.2醫療AI需求及供給關係思考
通過對醫療健康生態圈各方在AI領域的研究與分析，醫療AI的需求方與供給方之間的相互反饋值得深思:
醫療AI需求方對供給方的反饋:非常期待各醫療AI供給方能夠參與到醫療體系的改革與發展中;目前醫療AI供給方缺乏對醫療行業深入的理解，產品及解決方案與醫療行業的期望仍有差距;過度強調其技術和產品先進性，忽視了患者、醫生護士的體驗;產品雖然優秀，但無法解決當前醫療體系中的痛點;醫療行業是一箇中長期投資行業，部分醫療AI供給方短視的投資策略無法持續。
醫療AI供給方對需求方的反饋:醫療AI行業具有非常大的發展潛力，但短期商業模式仍需進行探索;醫療行業的數字化水平發展比較低，但似乎醫療行業並沒有進行快速變革的驅動力;醫療行業數據很多，但高質量的數據有限;醫療行業歡迎醫療AI各參與方共同研發產品，但似乎研發出的產品推廣難度很大;醫療行業是需要長期投資的，投資者在醫療領域投資更需要關注長期趨勢。
3.3醫療AI需求方發展路徑建議
制定醫療AI 整體發展策略，使AI發展能夠契合醫療參與方自身業務發展方向。以人為本，提升患者療效、提高患者體驗、降低醫療成本是各醫療健康參與方改革和發展的目標，發展AI是促進各參與方進行改革和發展的有效手段。各方可根據國家發展政策規劃和技術發展趨勢，結合自身發展現狀，在整體業務和數字化發展策略的基礎上，規劃醫療AI發展舉措，包括髮展醫療AI的目標、作用、基礎、場景、團隊、發展路徑、合作模式等，從理念到行動達成知行統一。
高質量數據是AI發揮作用的基礎。雖然當前醫療健康行業數據量大、種類多，但數據質量非常低，極大地限制了數據能夠發揮的作用。長期積累的海量歷史數據如何發揮其作用、非結構化數據如何轉化為結構化數據、數據如何標準化、如何實現以人為本的數據全生命週期記錄、如何打通不同醫療參與方的數據，都是各醫療健康參與方需要長期關注並解決的問題。只有持續擁有高質量的數據，醫療AI才擁有真正發揮作用的基礎。
醫療專家與科技人才需要持續的互動與交流，增強雙方的理解和對話。雙方可共同在AI有潛力的領域進行探索，通過原型開發及反覆的解決方案迭代，在醫療專家的持續支持之下，形成成熟可推廣的解決方案;制定醫療AI人才選、用、育、留的方案，形成醫療AI人才培養體系。13
3.4醫療AI供給方發展路徑建議
醫療AI需求方和供給方之間存在如此多的鴻溝，如何使雙方共同可持續發展，是醫療AI各參與方共同面對的難題。醫療體系正在沿著價值醫療的趨勢向前發展，在此趨勢之下，醫療AI供給方將按照下圖的模式進行發展，協同醫療健康生態圈各方，實現以人為本的整合型醫療衛生服務體系。醫療人工智能的發展將從目前的由技術、工具驅動向以價值醫療為核心的端到端解決方案演進。14
基於以上對醫療AI供給方發展模式的分析，提出如下建議:
把握醫療體系改革脈搏、助力醫療體系共同發展。從醫療健康生態圈發展的價值鏈出發，醫療AI需求方和供給方形成利益共同體，共同推動醫療AI產業化發展，以人為本，提高人群健康水平，增強體驗，降低成本，創造價值。
掌握醫療AI核心技術、奠定發展基礎。在算法能力、感知能力、認知能力、平臺能力多方面逐漸形成自身核心技術優勢，實現從技術到應用的演進。
構建運營能力、實現共贏商業模式。業務運營及數字化運營能力是AI需求方迫切需要供給方提供的能力，只有通過運營才能使醫療AI解決方案發揮效用，實現AI產品落地。
共建合作伙伴網絡、提供端到端解決方案。面向醫療AI需求方，提供從產品、服務到運營的端到端解決方案，通過實現需求方的業務價值而形成可持續發展的商業模式。醫療AI供給方之間，供給方與需求方之間，在數據、專家領域形成多樣化合作，共同進行解決方案研發及商業模式探索。
（報告來源：羅蘭貝格等）
登陸未來智庫www.vzkoo.com獲取本報告及更多卓越報告。
立即體驗請點擊：「鏈接」