图片来源@Unsplash
文|钛资本研究院
中国的医疗人工智能进入了价值验证的阶段,市场开始向医疗人工智能企业要结果。怎么得到这个结果,如何落地是摆在企业面前很关键的问题。可预见,该赛道都在重新做调整或洗牌。
讯飞医疗是科大讯飞孵化的独立子公司。过去三年,讯飞医疗在医疗人工智能领域的很多赛道进行了尝试,找到了一些值得深耕的方向,同时聚合了一些被验证为现在还不能作为商业化探索的方向,包括语音电子病历、医学影像、全科辅诊等。
目前讯飞医疗已经开始把重心从四面开花逐渐向基层医疗进行聚焦,讯飞医疗副总裁刘洋在钛资本新一代企业级科技投资人投研社第26期,分享了在这个过程中的一些思考。
基层医疗目前主要承担着两类工作,一类是基本诊疗服务,一类是基本公共卫生服务。
先看基本诊疗服务。根据国家发布的卫生统计公报,2018年中国整体的医疗费用上涨了10%,均次门诊费用、人均住院费用都在上涨,其中基层的均次门诊费(不管是社区还是乡镇)相比平均涨幅大幅偏高。目前基层在医疗费用的实际增长上,从门诊层面看有新的增长空间。
但有一个奇怪的现象。从2013年到2017年,虽然国家一直在大力推进分级诊疗,总诊疗人次也在逐年增长,但基层诊疗比例却在逐年下降。是什么原因造成的这种现象呢?
一是在过去的五年里,国家投入了大量的设备、人才和资金在县域公立医院的改革上,所以县级医院服务能力有比较强的增长,引流了乡村两级的诊疗;
二是在于实际就诊习惯,基层居民在乡镇卫生院或社区卫生服务中心看完病后,如果没有解决问题,大概率会到县医院或省医院进行就诊,这也一定程度上造成基层诊疗比例下降。
所以,虽然现在大力推进分级诊疗,但还不能真正做到把大量就诊留在基层解决。
再看与家庭医生相关的基本公共卫生服务。
近些年,国家慢性病人群的比例增长非常快,从2003年到2013年增长了几倍到十几倍,如此多的慢性病患者带来了大量的基本公共卫生服务工作。每年80亿的诊疗服务,加上全国有十几亿人家庭医生签约服务,是什么样的团队在支撑这样的工作呢?
从《2017年中国卫生和计划生育统计年鉴》可以看到,全国不到40%的执业医师和助理执业医师分布在基层,但承担了全国每年50%左右的基础诊疗服务。
如果细看基层医生的学历构成会发现,城市的情况略好些,例如社区卫生服务中心医生的本科及以上比率超过40%,但在农村就非常糟糕,略好的乡镇卫生院本科以上医生的比例也只有不到15%、村卫生室只有2%。整体而言,本科以上的医生只有不到16%扎根于基层,基层全科医生仅17.1万人,而这些人还承担了繁重的诊疗服务。
这使得基层医生面临着非常尴尬的情况:一方面是基层医生能力还不足,导致居民不能一直信任基层医生;
另一方面,基本公共卫生服务工作占据了基层医生的大量时间和精力,导致他们没有时间学习和提升。这形成了恶性循环,导致整个分级诊疗最终难以落实。
所以,从2009年医改以来,国家每年都会出台类似增强基层的政策,包括推行分级诊疗、家庭医生、医联体等等。也提了很多目标,包括签约率、基层诊疗占比,这两个指标目前都很难达到。基层诊疗占比希望到2017年实现65%以上,但现在还差约10%没有做到,县域就诊率要做到90%,也没有完全达到。
这些制度或指标现在难以达成的一个核心原因,就是基层提供诊疗服务的医生能力不够。
所以2018年下半年,出台了一个非常有意义的《关于乡镇卫生院和社区卫生服务中心的服务能力标准》,会给未来基层医疗服务体系的建设和规范带来深远影响。其中非常清楚地定义了乡、社区等基层医生应该具备的服务能力,诊疗层面、公共卫生层面以及基层医疗机构管理层面等多方面的能力。
此外,在2019年初出台了《关于乡镇卫生院和社区卫生服务中心能力评价的指标》以配合此标准的考评,这就具有了很强的操作性。
诸如在诊疗上要求有明确的标准体系,例如,对于A类的乡镇卫生院,诊疗能力达到A级,医生就要对基层常见的一百种疾病都做到诊治,而且对例数也有很多要求,比如某种疾病必须要完成50次以上的诊治才算是乡镇卫生院对这种疾病有诊治能力。
这不仅为基层医生的建设指明了方向,也给基层医生带来非常大的挑战。2019年国家也下达了一些医疗服务和保障能力提升的补助资金。可以看出,国家层面对提升基层能力已经感到非常急迫,所以未来一两年内还将有大量的资金和政策倾斜于基层医疗能力的建设。
下面从投资特征、需求特征、业务特征三个层面,大致分析一下过去十年,国家和社会资本对于基层建设或投资的变化。
各个阶段的划分其实并不是非常严格,在2010年之前,大部分的投入都是放在基建、基础设施、网络建设上面,典型的特点是政策驱动、国家财政支持,靠专项资金进行专项建设。这时候除了基本诊疗、标准工具,也存在一些远程医疗。
2010年后,随着“四梁八柱”政策的驱动,国家开始非常重视全国信息化的标准,尤其是卫生领域的信息化,那时出台了全民健康信息平台包括电子病历等等一系列的标准。
所以,这阶段很多地方的硬件建设、软件建设、运维都是按照标准进行,大部分都是以地方财政支持,优先规模化、能成片出效益的项目。这时候经过市场的拼杀,也涌现了一系列的公司。这阶段的业务主要集中在基本公共卫生服务、基本诊疗,以区域的HIS、LIS、PACS等为主,也开始做家庭医生签约、移动健康医疗的应用。
到了2015年后,经过七八年的洗牌,涌现出了一些新的机会和新的竞争对手,以前不做医疗或不做医疗信息化的公司也开始进入这个领域,比如互联网公司。
所以这阶段很多基层的项目是以投资驱动的,像腾讯、阿里都在布局互联网医院这样的项目,投资显得更多元化。很多项目因为互联网的引入,不再以项目建设为主,而是转为以服务运营。能看到一些个性化的互联网+医疗服务,很多做互联网医院的开始上线药品流转,提供线上的服务,有些公司开始花重金、重资本投线下的连锁基层医疗机构,这一轮的医疗人工智能大致也是从这时候开始火起来。
现在是一个更好的时代,因为现在做人工智能或互联网应用的基础要比前些年好很多,至少现在去任何一个地方都不用考虑有没有HIS、电子病历系统,能见到的客户都具备这样的基础条件,网络、存储也不再是问题。
当然,更好的是通过过去十年的建设,各级医疗机构、主管部门手里都积累了大量优质且种类繁多的医疗健康数据,这些给人工智能在该领域的应用带来了非常好的基础。
总的来说基层能力提升有三种方式:
一是传统的培训和指导。现在国家每年也在组织大量的人力做规培,还有相关的考试要求、学分制,也组织了一些专家到基层做指导,但时间效率低下,而且专家指导也不是优质资源使用的最优方式,所以不能作为常态;
二是远程。现在国内每个省都在建各种各样的互联网远程医疗,远程医疗更多侧重于医疗机构内部之间的服务形态,“互联网+”更强调C端发起的线上服务,都是可以提高基层医生服务效率的方式。但远程医疗能解决连接问题,对核心能力提升发挥的作用还是有限的;
三是靠工具。像CDSS(临床辅助决策),就是基于医生的一些标准化录入,通过规则辅助医生进行更好的诊断和治疗。还有基于语音助手的虚拟助手,比如基层医生在做基本公卫过程中会有大量与患者、签约居民的语言沟通,有大量简单机械重复的工作可以靠助手解决。
随着技术的发展,我们相信不论是过程还是形式都将有非常大的变化。未来最好的形式就是用人工智能等技术,给基层医生作为辅助,在短时间内把诊疗水平和服务效率提升到新的台阶上,从根本上解决分级诊疗落地的问题。
从2016年人工智能逐渐进入到医疗行业以来,业内做了非常多的尝试,但是前几年大部分目光聚焦在了医院。存在的问题是,不管是用深度学习还是用大数据技术,目前训练出来的系统,在短期内很难超越医院尤其是三甲医院医生的水平。
但是在基层就不一样,尤其是乡村两级工作的基层医生,或像城乡结合部等基层里本科以下学历的医生,与他们的能力相比,AI目前是可行的,而且这个人群数量大概在百万以上,也具有很大的市场前景。
目前全国的基层执业医生约115万,有近76万人是在乡村工作,还有大量仅仅拿了村医证并没算在内。在全国的300多万的执业医生里,本科学历以下的有150万,其中有90多万是在基层工作。
所以从学历或工作地作为能力参考的话,粗略估计要服务的人数大概174万,而他们要承担全国80亿次诊疗的近40亿次,覆盖了7亿居民基本诊疗服务的,这是一个非常巨大的用户空间。
基层辅诊的市场空间是否值得投入呢?有两个基础数据值得关注:第一,国家每年投入在基层医生培训的经费,平均下来大概可以达到3-5万/人,尤其是针对贫困山区还有能力特别差的医生,假如把培训费折现成服务费,哪怕一人一万服务费的效果或收益都要高于一般意义的培训。
估算一下,全国每个县里至少有400个医生,全国有2800多个县、80%在中西部,所以约有2200个区县是有市场需求的。
按照前面的价格估算,当然这里也可参考目前市场里实际投标和一些项目里的资金,比如去年全国整体在AI辅诊领域投入大几千万,今年至少目前能看到的市场空间在是在几十亿。再往后,随着产品的迭代,未来产品价值增加,市场增加,所获取的市场空间会更多,总体来看基层辅诊未来将会发展成为一个每年将近百亿的市场。
短期来说,这是一件新生事物,很大一部分的资金来源是政府专项或定向资金。中期看,随着产品不断地完善,对于基层医疗能力的提升会越来越明显,基层医疗机构的收入也会增加,到那时可能会出现一些toB的业务,当然最终产品会面向C端提供一些健康服务,那样每年的市场将会达到千亿。
从产品的成熟度角度来看,大概可以分三个阶段:
第一阶段,更多是基于基层门诊电子病历和检验检查结果,通过深度学习建模的形式来提供辅助诊断,目前能看到的产品形态大部分也是这样;
第二阶段,可能也就不超过两年的时间,考虑数据模态的会更多,将跳出单纯文本的病历,更多考虑综合基层的影像、心电等等数据后,多模态数据辅诊的能力和效果会提高;
第三阶段,肯定会结合居民全生命周期的健康档案提供辅诊,产品也将从医疗机构内慢慢通过医生辐射到居民端,这是未来产品形态上的一些发展趋势。
这并不是一件非常容易的事情,目前很多客户认为人工智能已经到了一个非常成熟的阶段,经常会拿AlphaGo或AlphaZero的故事来讲,认为人工智能技术已经非常成熟,不管是辅诊还是语音识别、图片识别、人脸识别都是一个成熟的随时可以拿来用的组件。其实其中还有非常多的技术问题没有解决,还是有相当高的门槛。
首先是核心技术层面。目前来看,业界还没有一个深度学习的模型能够真正做到像合格的全科医生一样自己学习,并能做基于循证的推理,包括IBM的沃森、讯飞医疗都没有达到那样的理想状态,现在可行的是通过一些条件的限定,还有产品层面的改进,尽可能减少对核心技术的诉求。具体讲两个问题还没有得到很好的解决:
第一,从海量的语料库里自动化提取知识、建立可计算的知识工程,在全世界的研究界来看,都是一个还没有真正解决的挑战性问题。拿对话系统为例,目前所有的对话系统或者聊天机器人,都很难跳出“偏槽”技术框架。
所以很难做到开放场景下的真正的对答如流,做得好的基本上都是在一些限定领域的流程性对答。在医疗领域,医疗里的知识工程建设难度要远远高于聊天机器人,AlphaGo或Alphazero系统和这个比较起来不是一个数量级的难题;
第二,如何利用人类临床循证医学的逻辑来进行推理。对于计算机来说,理解医学问题和用人类医生级别的思维进行推理也是非常困难的。
用深度学习系统构建的辅助诊断模型,往往会给很多临床专家一种医学上不可解释的现象,所以目前来看还会受到一些临床专家的质疑,尤其是对于临床循证依据的表现或引用,并不能做到很好的自圆其说,这也是需要在技术层面不断攻关的。
其次,是数据层面。目前大量的辅助诊断系统,不管是影像辅诊还是基于病历自然文本,靠自然语言理解技术或是一些深度学习技术构建系统,在训练时的数据集都是从三甲医院或二级以上医院获取的,所以数据的标准化还有数据质量是能够得到保证的。
但在基层应用时,会发现大量的不合规数据或质量低下的数据。例如,质控不合格的影像,还有就是基层病历里往往既没有写主述、现病史、有的甚至没有写诊断,直接把处方开出来了。这样的数据即使电子化后,机器也无法处理,核心诊疗过程信息缺失严重。
所以在基层应用辅助诊断,在数据层面也有两个要解决的问题:
第一,如何让医生愿意并且尽可能写标准合规的电子病历,这不仅仅要靠技术解决,可能也要靠产品还有一些管理手段来解决;
第二,用三甲医院数据训练的深度学习模型如何在基层应用,比如影像辅助诊断模型,到基层用时你会发现绝大部分乡镇卫生院没有CT,大部分都是DR设备,二期基层拍的片子可能存在相当比例不合规,获取到的片子里有相当多含有异物或体位不正的问题,这都给系统带来非常大的应用挑战。
如果在一开始设计系统时没有考虑基层应用的鲁棒性,直接带来的问题是医生觉得系统不好用,或根本没用,这对于AI医疗从业者来讲,都不知道应该找谁哭,但这是基层无法回避的现实问题。
假如数据解决了,技术也解决了,下面面临的问题就是选择怎样的技术做辅诊。在辅助诊断或者临床决策系统里,早期的临床辅助决策大部分是基于专家系统或知识库的专家系统来做的,这跟现在在做的基于人工智能或基于深度学习的辅助系统到底有什么区别呢?
简单讲就是,一种是基于“规则”的,一种是基于“概率”的。这两种方式在基层应用的过程中,各有优劣,但是至少讯飞目前认为基于深度学习的系统,从易用的角度来讲可能会更好一些。
第一,基层医生所需要的病种模型是全科而非专科,因为传统知识库模型,尤其是从三甲医院打磨出来的专家系统,大部分都是专科或少数几个科室的,而且大部分疾病都是疑难杂症,这样的系统在基层应用时具有非常大的局限,很难把基层所面临的很多问题都覆盖到。
而对于机器学习来讲,可以一开始就按照全病种进行训练的,所以比较容易在短时间内构建出一种多病种的辅诊能力,当然辅诊的核心效果,包括合理率或合规率还需要不断训练优化。但是从时间角度,这样的方式可能更加优于传统的单病种专家系统的简单叠加;
第二,知识库系统一般来讲都要配合一个结构化的电子病历进行操作,因为很多的决策点都是基于一些特征指标或是特定的数值进行下一步推算。
但在基层医疗机构里,很多医生在写病历时,因为都是一些基层的常见病、多发病,并不会用非常强结构化的电子病历,所以在录入一些SOAP时,都是以自然文本描述的非结构化数据,基于深度学习自然语言理解的AI系统会更加有优势;
第三,对于数据质量要求不算特别高,尤其是有些关键信息缺失的数据,深度学习系统的稳健性会更好一些。因为是基于大量的数据训练出来的系统,所以对一些有信息缺失的病历也有一些处理和相应的处理方法,包括现在在做的,对于缺失的数据会自动提示医生是哪一方面的数据缺失或是哪些关键信息的错误,让医生及时补充完善,以保证后续应用;
第四,主要是未来的发展与成本层面。当然如果有足够的专家,不计成本,基于传统知识库的系统一定是最好的,对于AI或者基于深度学习系统而言,可以一定程度上脱离专家的持续投入,在后续的不断应用过程中,通过诊疗过程数据的积累,不断优化和调整系统,所以从长时间的成本和效率,深度学习的方法更加具有优势。
讯飞医疗人工智能辅诊系统从2016年开始筹备,在2017年参加了国家执业医师的考试测试,考了456分,目前也是全球唯一一个通过国家执业医师考试笔试测试的AI系统,超过了全国96.3%的人类考生。
对于知识点的题不用讲肯定是满分,系统在知识理解、多知识应用和推理层面的病历题方面表现得非常好,在一些人文、伦理题方面的表现还一般。
讯飞医疗当然并不仅停留在AI参加考试层面,在实际应用领域,我们在2018年就基于医考相关技术,打造了AI基层全科辅诊系统-“智医助理”,目前已经在安徽省5个区县做了区域示范应用,在这个过程中我们也一直在探索商业模式。
目前那5个区县现在大概覆盖了1000多家的基层医疗机构,有约4000多名的乡村两级的医生在使用系统,覆盖率是100%。
系统在其中做了非常多的引导性工作,帮助基层医生尽可能完善病历数据,因为如果数据不完整,AI很难发挥效益;所以通过语音、自然语言理解核心技术公关和产品层面的优化,不断地帮助基层医生尽可能把病历书写的简单、高效,同时保证病历的质量,目前累计完成了190多万次的辅诊意见。
把基于深度学习的人工智能辅助诊断系统应用于乡村两极的能力提升是一个非常好的路径,而且是前些年投资界还有业界都没有太关注的一个领域。目前看这个赛道玩家还不多,但现在也慢慢地受到卫生主管部门的重视,不管是在近期的政策,还是资金的拨付层面上都得到了验证。
但在人工智能医疗这条赛道上,要做好坐十年冷板凳的准备。因为AI辅诊已经非常接近于医疗服务的本质,也就是说已经接近于临床服务层面。
所以从某种意义上讲,非常像新药研发或药械研发,这里需要投入大量的人力、资金和时间进行积累,在这个过程中,会尝试不同的数据集、建模方法、深度学习模型,看哪种方式最优。
这过程将非常漫长,且目前来看在产品内核研发的效能提升上已经进入了一个无人区状态,就是从学术界找不到能借鉴的前例,大部分都需要自己主动进行探索需要不懈的坚持。
就像2003年科大讯飞想使用机器代替人进行普通话考试评分,所有的考试专家都嗤之以鼻。当时觉得怎么可能呢?
机器怎么可能比人类判别的准。大概是2003年开始立项,两年后在安徽省试点,2008年全国推广,到现在做到了每年600万人次的测试。
这件事坚持了将近15年,但也真正实现了收获。AI辅诊尤其在基层也类似,不能指望是一个两三年就能赚大钱的业务,但是我们坚信经过积累,随着产品核心能力的准确度和易用性的提升,未来可以期待。
2019年7月,互联网健康医疗产业联盟研究编制发布了《5G 时代智慧医疗白皮书》,指出:随着5G正式商用的到来以及与大数据、互联网+、人工智能、区块链等前沿技术的充分整合和运用,5G 医疗健康越来越呈现出强大的影响力和生命力,对推进深化医药卫生体制改革、加快“健康中国”建设和推动医疗健康产业发展,起到重要的支撑作用。
虽然我国的5G医疗健康还在起步阶段,但已经在远程会诊、远程超声、远程手术、应急救 援、远程示教、远程监护、智慧导诊、移动医护、智慧院区管理、AI 辅助诊断等众多场景,得到了广泛应用。
人工智能医疗健康在5G时代将取得较大的进步,特别是根据《“健康中国2030”规划纲要》,中国2020年实现每千人口医生数2.5人,2030 年实现每千人口护士数4.7人;此外,人们对于健康的观点已经从“治疗为主”转为“预防为主”。这些都为人工智能发挥其规模化技术价值、带来医疗健康服务的普及,奠定了市场基础。
科技企业把人工智能应用于医疗健康,这首先是一个商业行为,必然在追求为人民带来普惠医疗健康服务的同时还要实现商业价值。基层诊疗是经过了讯飞医疗的摸索后,找到的可以规模化商业化的人工智能医疗健康应用场景。虽然看起来在基础诊疗中普及人工智能还需要一定的时间和大量的工作,但或许并不需要十年之久。
一方面,5G的启动为基层诊疗中的人工智能应用铺平了“高速路”;另一方面,前不久互联网医疗刚被纳入医保支付范畴,这为大量企业进入,打开了商业之门。
有理由相信,2020年将是互联网医疗健康以及人工智能医疗健康的商业化启动之年,人民日益追求的健康快乐生活将是最大的社会需求。关注和切入人工智能医疗健康创业,当下正是一个好的时机。
【钛媒体作者介绍:钛资本是专注于企业级科技的投资银行和管理咨询服务平台。微信公号:tmtcapital】
联系客服