精华内容
下载资源
问答
  • 临床辅助决策支持能力的构建与思考
  • 构建基于大数据的人工智能临床辅助决策系统方法与效果研究.pdf
  • 智能临床辅助决策关键技术和实践.pptx
  • 临床辅助决策系统在基层的应用.pptx
  • 临床辅助决策支持能力的构建与思考.pptx
  • 临床辅助决策支持能力的构建与思考.pdf
  • 基于深度神经网络的儿科临床辅助决策算法.pdf
  • 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...

    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。

    讯飞医疗副总裁刘洋,博士毕业于中国科学院大学,在医疗健康领域有多年经验。曾任东软集团战略咨询部资深咨询顾问、中国互联网信息中心高级战略顾问、东软熙康健康科技有限公司云医院事业部负责人。现在讯飞医疗,从事医疗人工智能相关的研究、探索以及商业模式的实践。

    基层医疗健康服务的现状

    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。

    基层医疗健康服务的机会

    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。

    基层辅诊的市场空间、技术壁垒

    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。

    做好坐十年冷板凳的准备

    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。我们的系统相对于传统的深度学习模型来对比,效果目前在测试集上比较好,我们也与沃森QA做了对比,应该说在所有的指标上都优于沃森QA,相关的介绍可以看一下2018年讯飞研究院和清华大学共同发表的一篇Nature conmunication论文。

    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。

    当每个基层医生在看病时后台都有一个人工智能系统默默辅助把关诊疗的准确性,给居民提供智能化、自动化的健康干预和健康指导,能真正把国家和社会一直提倡的基层医疗服务体系打造好,不管是哪个企业做成这件事,都会有客观的社会和经济收益。

    钛资本研究院观察

    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。

    展开全文
  • 进入医院经营概览也没,展示医院选定日期内住院人数、出院人数、收入情况、诊疗情况、开放床日情况。 欢迎各位下载,查看,了解
  • 全面梳理临床决策支持系统(CDSS)发展脉络, 解析CDSS的设计和实施框架, 带您俯瞰当前国内外CDSS的应用现状以及未来发展的生态全景
  • 2021年全球与中国临床决策支持系统行业市场规模及发展前景分析 本报告研究全球与中国市场临床决策支持系统的发展现状及未来发展趋势,分别从生产和消费的角度分析临床决策支持系统的主要生产地区、主要消费地区以及...

    2021年全球与中国临床决策支持系统行业市场规模及发展前景分析
    本报告研究全球与中国市场临床决策支持系统的发展现状及未来发展趋势,分别从生产和消费的角度分析临床决策支持系统的主要生产地区、主要消费地区以及主要的生产商。重点分析全球与中国市场的主要厂商产品特点、产品规格、不同规格产品的价格、产量、产值及全球和中国市场主要生产商的市场份额。
    主要生产商包括:
    Cerner Corporation (US)
    McKesson Corporation (US)
    Epic Systems Corporation (US)
    MEDITECH (US)
    Philips Healthcare (Netherlands)
    Wolters Kluwer Health (US)
    Hearst Health (US)
    Elsevier BV (Netherlands)
    International Business Machines (IBM) (US)
    Allscripts Healthcare Solutions, Inc (US)

    针对产品特性,本报告将其分为下面几类,主要分析这几类产品的价格、销量、市场份额及增长趋势。主要包括:
    硬件
    软件
    服务

    针对产品的主要应用领域,本报告提供主要领域的详细分析、每种领域的主要客户(买家)及每个领域的规模、市场份额及增长率。主要应用领域包括:
    医学诊断
    警告和提醒
    处方决策支持
    信息检索
    图像识别和解释
    治疗批评和计划
    其他

    本报告同时分析国外地区的生产与消费情况,主要地区包括北美、欧洲、日本、东南亚和印度等市场。对比国内与全球市场的现状及未来发展趋势。
     
    主要章节内容:
    第一章,分析临床决策支持系统行业特点、分类及应用,重点分析中国与全球市场发展现状对比、发展趋势对比,同时分析中国与全球市场的供需现在及未来趋势。
    第二章,分析全球市场及中国生产临床决策支持系统主要生产商的竞争态势,包括2019年和2020年的产量 、产值(万元)、市场份额及各厂商产品价格。同时分析行业集中度、竞争程度,以及国外先进企业与中国本土企业的SWOT分析。
    第三章,从生产的角度,分析全球主要地区临床决策支持系统产量 、产值(万元)、增长率、市场份额及未来发展趋势,主要包括美国、欧洲、日本、中国、东南亚及印度地区。
    第四章,从消费的角度,分析全球主要地区临床决策支持系统的消费量 、市场份额及增长率,分析全球主要市场的消费潜力。
    第五章,分析全球临床决策支持系统主要厂商,包括这些厂商的基本概况、生产基地分布、销售区域、竞争对手、市场地位,重点分析这些厂商的临床决策支持系统产能 、产量 、产值(万元)、价格、毛利率及市场占有率。
    第六章,分析不同类型临床决策支持系统的产量 、价格、产值(万元)、份额及未来产品或技术的发展趋势。同时分析全球市场的主要产品类型、中国市场的产品类型,以及不同类型产品的价格走势。
    第七章,本章重点分析临床决策支持系统上下游市场情况,上游市场分析临床决策支持系统主要原料供应现状及主要供应商,下游市场主要分析临床决策支持系统的主要应用领域,每个领域的消费量 ,未来增长潜力。
    第八章,本章分析中国市场临床决策支持系统的进出口贸易现状及趋势,重点分析中国临床决策支持系统产量、进口量、出口量 及表观消费量关系,以及未来国内市场发展的有利因素、不利因素等。
    第九章,重点分析临床决策支持系统在国内市场的地域分布情况,国内市场的集中度与竞争等。
    第十章,分析影响中国市场供需的主要因素,包括全球与中国整体外部环境、技术发展、进出口贸易、以及行业政策等。
    第十一章,分析未来行业的发展走势,产品功能、技术、特点发展趋势,未来的市场消费形态、消费者偏好变化,以及行业发展环境变化等。
    第十二章,分析中国与欧美日等地区的销售模式、销售渠道对比,同时探讨未来销售模式与渠道的发展趋势。
    第十三章,是本报告的总结部分,该章主要归纳分析本报告的总体内容、主要观点以及对未来发展的看法。
     
    正文目录
     
    第一章 行业概述及全球与中国市场发展现状
    1.1 临床决策支持系统行业简介
    1.1.1 临床决策支持系统行业界定及分类
    1.1.2 临床决策支持系统行业特征
    1.1.3不同种类临床决策支持系统价格走势(2021-2027年)

    1.2 临床决策支持系统产品主要分类
    1.2.1.硬件
    1.2.2.软件
    1.2.3.服务

    1.3 临床决策支持系统主要应用领域分析
    1.3.1.医学诊断
    1.3.2.警告和提醒
    1.3.3.处方决策支持
    1.3.4.信息检索
    1.3.5.图像识别和解释
    1.3.6.治疗批评和计划
    1.3.7.其他

    1.4 全球与中国市场发展现状对比
    1.4.1 全球市场发展现状及未来趋势(2021-2027年)
    1.4.2 中国生产发展现状及未来趋势(2021-2027年)

    1.5 全球临床决策支持系统供需现状及预测(2021-2027年)
    1.5.1 全球临床决策支持系统产能、产量、产能利用率及发展趋势(2021-2027年)
    1.5.2 全球临床决策支持系统产量、表观消费量及发展趋势(2021-2027年)
    1.5.3 全球临床决策支持系统产量、市场需求量及发展趋势(2021-2027年)

    1.6 中国临床决策支持系统供需现状及预测(2021-2027年)
    1.6.1 中国临床决策支持系统产能、产量、产能利用率及发展趋势(2021-2027年)
    1.6.2 中国临床决策支持系统产量、表观消费量及发展趋势(2021-2027年)
    1.6.3 中国临床决策支持系统产量、市场需求量及发展趋势(2021-2027年)

    1.7 临床决策支持系统中国及欧美日等行业政策分析
     
    第二章 全球与中国主要厂商临床决策支持系统产量、产值及竞争分析
    2.1 全球市场临床决策支持系统主要厂商2020和2021年产量、产值及市场份额
    2.1.1 全球市场临床决策支持系统主要厂商2020和2021年产量列表
    2.1.2 全球市场临床决策支持系统主要厂商2020和2021年产值列表
    2.1.3 全球市场临床决策支持系统主要厂商2020和2021年产品价格列表

    2.2 中国市场临床决策支持系统主要厂商2020和2021年产量、产值及市场份额
    2.2.1 中国市场临床决策支持系统主要厂商2020和2021年产量列表
    2.2.2 中国市场临床决策支持系统主要厂商2020和2021年产值列表

    2.3 临床决策支持系统厂商产地分布及商业化日期
    2.4 临床决策支持系统行业集中度、竞争程度分析
    2.4.1 临床决策支持系统行业集中度分析
    2.4.2 临床决策支持系统行业竞争程度分析
    2.5 临床决策支持系统全球领先企业SWOT分析
    2.6 临床决策支持系统中国企业SWOT分析
     
    第三章 从生产角度分析全球主要地区临床决策支持系统产量、产值、市场份额、增长率及发展趋势(2021-2027年)
    3.1 全球主要地区临床决策支持系统产量、产值及市场份额(2021-2027年)
    3.1.1 全球主要地区临床决策支持系统产量及市场份额(2021-2027年)
    3.1.2 全球主要地区临床决策支持系统产值及市场份额(2021-2027年)
    3.2 中国市场临床决策支持系统2021-2027年产量、产值及增长率
    3.3 美国市场临床决策支持系统2021-2027年产量、产值及增长率
    3.4 欧洲市场临床决策支持系统2021-2027年产量、产值及增长率
    3.5 日本市场临床决策支持系统2021-2027年产量、产值及增长率
    3.6 东南亚市场临床决策支持系统2021-2027年产量、产值及增长率
    3.7 印度市场临床决策支持系统2021-2027年产量、产值及增长率
     
    第四章 从消费角度分析全球主要地区临床决策支持系统消费量、市场份额及发展趋势(2021-2027年)
    4.1 全球主要地区临床决策支持系统消费量、市场份额及发展预测(2021-2027年)
    4.2 中国市场临床决策支持系统2021-2027年消费量、增长率及发展预测
    4.3 美国市场临床决策支持系统2021-2027年消费量、增长率及发展预测
    4.4 欧洲市场临床决策支持系统2021-2027年消费量、增长率及发展预测
    4.5 日本市场临床决策支持系统2021-2027年消费量、增长率及发展预测
    4.6 东南亚市场临床决策支持系统2021-2027年消费量、增长率及发展预测
    4.7 印度市场临床决策支持系统2021-2027年消费量增长率
     
    第五章 全球与中国临床决策支持系统主要生产商分析
    5.1 A公司
    5.1.1 A公司基本信息介绍、生产基地、销售区域、竞争对手及市场地位
    5.1.2 A公司临床决策支持系统产品规格、参数、特点及价格
    5.1.2.1 A公司临床决策支持系统产品规格、参数及特点
    5.1.2.2 A公司临床决策支持系统产品规格及价格
    5.1.3 A公司临床决策支持系统产能、产量、产值、价格及毛利率(2016-2021年)
    5.1.4 A公司主营业务介绍
    5.2 B公司
    5.2.1 B公司基本信息介绍、生产基地、销售区域、竞争对手及市场地位
    5.2.2 B公司临床决策支持系统产品规格、参数、特点及价格
    5.2.2.1 B公司临床决策支持系统产品规格、参数及特点
    5.2.2.2 B公司临床决策支持系统产品规格及价格
    5.2.3 B公司临床决策支持系统产能、产量、产值、价格及毛利率(2016-2021年)
    5.2.4 B公司主营业务介绍
    5.3 C公司
    5.3.1 C公司基本信息介绍、生产基地、销售区域、竞争对手及市场地位
    5.3.2 C公司临床决策支持系统产品规格、参数、特点及价格
    5.3.2.1 C公司临床决策支持系统产品规格、参数及特点
    5.3.2.2 C公司临床决策支持系统产品规格及价格
    5.3.3 C公司临床决策支持系统产能、产量、产值、价格及毛利率(2016-2021年)
    5.3.4 C公司主营业务介绍
    5.4 D公司
    5.4.1 D公司基本信息介绍、生产基地、销售区域、竞争对手及市场地位
    5.4.2 D公司临床决策支持系统产品规格、参数、特点及价格
    5.4.2.1 D公司临床决策支持系统产品规格、参数及特点
    5.4.2.2 D公司临床决策支持系统产品规格及价格
    5.4.3 D公司临床决策支持系统产能、产量、产值、价格及毛利率(2016-2021年)
    5.4.4 D公司主营业务介绍
    5.5 E公司
    5.5.1 E公司基本信息介绍、生产基地、销售区域、竞争对手及市场地位
    5.5.2 E公司临床决策支持系统产品规格、参数、特点及价格
    5.5.2.1 E公司临床决策支持系统产品规格、参数及特点
    5.5.2.2 E公司临床决策支持系统产品规格及价格
    5.5.3 E公司临床决策支持系统产能、产量、产值、价格及毛利率(2016-2021年)
    5.5.4 E公司主营业务介绍
    5.6 F公司
    5.6.1 F公司基本信息介绍、生产基地、销售区域、竞争对手及市场地位
    5.6.2 F公司临床决策支持系统产品规格、参数、特点及价格
    5.6.2.1 F公司临床决策支持系统产品规格、参数及特点
    5.6.2.2 F公司临床决策支持系统产品规格及价格
    5.6.3 F公司临床决策支持系统产能、产量、产值、价格及毛利率(2016-2021年)
    5.6.4 F公司主营业务介绍
    5.7 G公司
    5.7.1 G公司基本信息介绍、生产基地、销售区域、竞争对手及市场地位
    5.7.2 G公司临床决策支持系统产品规格、参数、特点及价格
    5.7.2.1 G公司临床决策支持系统产品规格、参数及特点
    5.7.2.2 G公司临床决策支持系统产品规格及价格
    5.7.3 G公司临床决策支持系统产能、产量、产值、价格及毛利率(2016-2021年)
    5.7.4 G公司主营业务介绍
    5.8 H公司
    5.8.1 H基本信息介绍、生产基地、销售区域、竞争对手及市场地位
    5.8.2 H临床决策支持系统产品规格、参数、特点及价格
    5.8.2.1 H临床决策支持系统产品规格、参数及特点
    5.8.2.2 H临床决策支持系统产品规格及价格
    5.8.3 H临床决策支持系统产能、产量、产值、价格及毛利率(2016-2021年)
    5.8.4 H主营业务介绍
    5.9 I公司
    5.9.1 I基本信息介绍、生产基地、销售区域、竞争对手及市场地位
    5.9.2 I临床决策支持系统产品规格、参数、特点及价格
    5.9.2.1 I临床决策支持系统产品规格、参数及特点
    5.9.2.2 I临床决策支持系统产品规格及价格
    5.9.3 I临床决策支持系统产能、产量、产值、价格及毛利率(2016-2021年)
    5.9.4 I主营业务介绍
    5.10 J公司
    5.10.1 J基本信息介绍、生产基地、销售区域、竞争对手及市场地位
    5.10.2 J临床决策支持系统产品规格、参数、特点及价格
    5.10.2.1 J临床决策支持系统产品规格、参数及特点
    5.10.2.2 J临床决策支持系统产品规格及价格
    5.10.3 J临床决策支持系统产能、产量、产值、价格及毛利率(2016-2021年)
    5.10.4 J主营业务介绍
    5.11 K公司
    5.12 L公司
    5.13 M公司
     
    第六章 不同类型临床决策支持系统产量、价格、产值及市场份额 (2021-2027年)
    6.1 全球市场不同类型临床决策支持系统产量、产值及市场份额
    6.1.1 全球市场临床决策支持系统不同类型临床决策支持系统产量及市场份额(2021-2027年)
    6.1.2 全球市场不同类型临床决策支持系统产值、市场份额(2021-2027年)
    6.1.3 全球市场不同类型临床决策支持系统价格走势(2021-2027年)
    6.2 中国市场临床决策支持系统主要分类产量、产值及市场份额
    6.2.1 中国市场临床决策支持系统主要分类产量及市场份额及(2021-2027年)
    6.2.2 中国市场临床决策支持系统主要分类产值、市场份额(2021-2027年)
    6.2.3 中国市场临床决策支持系统主要分类价格走势(2021-2027年)
     
    第七章 临床决策支持系统上游原料及下游主要应用领域分析
    7.1 临床决策支持系统产业链分析
    7.2 临床决策支持系统产业上游供应分析
    7.2.1 上游原料供给状况
    7.2.2 原料供应商及联系方式
    7.3 全球市场临床决策支持系统下游主要应用领域消费量、市场份额及增长率(2021-2027年)
    7.4 中国市场临床决策支持系统主要应用领域消费量、市场份额及增长率(2021-2027年)
     
    第八章 中国市场临床决策支持系统产量、消费量、进出口分析及未来趋势(2021-2027年)
    8.1 中国市场临床决策支持系统产量、消费量、进出口分析及未来趋势(2021-2027年)
    8.2 中国市场临床决策支持系统进出口贸易趋势
    8.3 中国市场临床决策支持系统主要进口来源
    8.4 中国市场临床决策支持系统主要出口目的地
    8.5 中国市场未来发展的有利因素、不利因素分析
     
    第九章 中国市场临床决策支持系统主要地区分布
    9.1 中国临床决策支持系统生产地区分布
    9.2 中国临床决策支持系统消费地区分布
    9.3 中国临床决策支持系统市场集中度及发展趋势
     
    第十章 影响中国市场供需的主要因素分析
    10.1 临床决策支持系统技术及相关行业技术发展
    10.2 进出口贸易现状及趋势
    10.3 下游行业需求变化因素
    10.4 市场大环境影响因素
    10.4.1 中国及欧美日等整体经济发展现状
    10.4.2 国际贸易环境、政策等因素
     
    第十一章 未来行业、产品及技术发展趋势
    11.1 行业及市场环境发展趋势
    11.2 产品及技术发展趋势
    11.3 产品价格走势
    11.4 未来市场消费形态、消费者偏好
     
    第十二章 临床决策支持系统销售渠道分析及建议
    12.1 国内市场临床决策支持系统销售渠道
    12.1.1 当前的主要销售模式及销售渠道
    12.1.2 国内市场临床决策支持系统未来销售模式及销售渠道的趋势
    12.2 企业海外临床决策支持系统销售渠道
    12.2.1 欧美日等地区临床决策支持系统销售渠道
    12.2.2 欧美日等地区临床决策支持系统未来销售模式及销售渠道的趋势
    12.3 临床决策支持系统销售/营销策略建议
    12.3.1 临床决策支持系统产品市场定位及目标消费者分析
    12.3.2 营销模式及销售渠道
     
    第十三章 研究成果及结论

    主要数据渠道包含国家统计局、海关总署、相关行业协会、DWPI德温特世界专利索引数据库,国家工业信息安全发展研究中心,IPlytics,AAAI,彭博商业周刊,Factiva,OneSource,中国科学技术发展战略研究院,中国知网,CNABS中国专利文摘数据库,ICIS,胡佛等最具权威机构

    展开全文
  • 黄艳介绍,百度灵医已在基层筛查、临床辅助决策、让医疗数据“条理化”三大方面实现广泛应用,并取得阶段性成果。 以下为黄艳的现场演讲内容,雷锋网作了不改变原意的编辑及整理: 黄艳:各位尊敬的领导、...

    雷锋网消息,4月1日,2019国际医学人工智能论坛暨ITU与WHO健康医疗人工智能焦点组会议在上海举办。在医学人工智能新技术创新环节,百度AI创新业务部高级总监、智慧医疗总经理黄艳发表了演讲。

    TB1f.MXPb2pK1RjSZFsXXaNlXXa.png

    百度灵医是百度旗下的AI医疗品牌。2018年4月,AI创新业务部成立,隶属于百度AIG事业群(人工智能事业群),同年6月开始做医疗影像。2018年11月1日,百度灵医品牌正式发布,百度CEO李彦宏在百度世界大会介绍了AI眼底筛查一体机,同时向贫困县发起500台的公益捐赠计划。

    作为百度医疗的负责人,黄艳在演讲中表示,在线上化、智慧化和云化这三大趋势的有力支撑下,医疗生态将从以医院为中心变成以患者为中心,从重视治疗转变为重视健康管理,整个医疗生态也将发生脱胎换骨式的升级。

    黄艳介绍,百度灵医已在基层筛查、临床辅助决策、让医疗数据“条理化”三大方面实现广泛应用,并取得阶段性成果。

    以下为黄艳的现场演讲内容,雷锋网作了不改变原意的编辑及整理:

    黄艳:各位尊敬的领导、各位嘉宾,大家中午好。我是来自于百度的黄艳,我负责百度的智慧医疗业务。今天我想和大家探讨的主题,是“AI赋能医疗新时代”。

    从全球来看,通过三组数据来看一看今天全球人类健康面临的巨大挑战。老龄化的问题,2017年全球60岁以上的老龄人口已经达到了10亿,占比超过了13%,距离“深度老龄化社会”仅一步之遥。老龄化其实还在不断的扩大,到2030年、我们预测60岁以上的老龄人口会达到14亿,占比会超过16%。

    从人均医疗资源的角度,美国每万人拥有的医生量是24.5名,而印度的这一数据是7.0名,远低于美国的数据。区域的医疗资源差异是非常巨大的,医疗负担非常重,医疗支出占美国人均收入支出占比17%,而在印度这个数据是每年75美金,只有美国的不到1%。

    TB1GXT6PmrqK1RjSZK9XXXyypXa.jpg

    如果我们再看看中国的数据,到2030年60岁以上的老年人口将占中国人口比例的1/4,将进入“超级老龄化时代”,这必将带来对于疾病的一些新的挑战。中国万人医生拥有数是14.9,远低于发达国家的水平。中国人均医疗支出占比11%,对于发展中国家来说医疗负担是非常重的。

    除了人均资源少、人均支出高之外,中国的医疗还面临着一个非常大的问题,就是医疗资源的结构性失衡的问题。刚刚很多专家也都指出:在中国三甲医院人满为患,但是基层人员却门可罗雀。我们从数据上来看,中国的三级医院数量占医院总数8%,但是却承担了四成诊疗和住院人次的重任。三级医院在超负荷运转,基层医疗资源没有得到充分发挥、被闲置。

    在这样的情况下,用技术来解决行业的问题变得尤为重要,当然这背后有很多的原因,从供给方的角度有药的原因,也有医生能力的原因。从需求端的角度,也有患者对于基层医院不信任的原因。所有的这些原因交织在一起,形成了一个非常矛盾的共生体。

    虽然我们说“人均资源不够、人均成本非常高”,但是其实我们也是看到现在很多的这些因素都在发生一些积极的变化,都在试图去改变这样的一个问题,试图去达到供需平衡。2018年中国政府相继出台了互联网医疗、电子病历评级、AI医疗准入标准等诸多政策,也在分级诊疗上不断的强化,这都给市场的良性发展带来非常好的政策基础。

    医院在医改的背景下,谋求转型、开放探索,一些大医院尝试“线上问诊”模式。我们也看到以“城市”为单位的互联网医院在逐步的出现。从患者的角度来说,患者的人均收入在不断提高,患者的健康管理意识也在不断的加强。所以从需求方的角度,这样的需求也在不断的得到释放。

    我们来看“技术”。互联网技术、人工智能技术、大数据技术都在不断的进入到医疗行业,给医疗行业的变化带来了技术的支撑。所以这些因素交织在一起,我们认为它指向了一个医疗的新生态。我们认为相比于现在的医疗生态,未来的医疗生态将会发生改变,未来的医疗生态会有两个非常重要的特征:

    第一个特征,是将会从以医院为中心转变为以患者为中心。第二个特点是会从重视治疗,转变成为重视健康管理。

    而这样的两个重要特征之后,是由三个重要的趋势所支撑的——线上化、智慧化、云化。

    首先,患者未来将能够非常便捷的在线上获得常见病的“线上问诊”服务。当他需要检查的时候,才需要到线下医院。这样线上线下一体化的就医体验,将会得到塑造。

    其次,AI将成为医生的助手,成为患者的助手,将成为医院的助手,它将能够帮助优化医疗资源的分配,提升医疗服务的质量和效率。

    第三,患者的全生命健康周期数据将会在“云端”进行打通,健康管理会变成一个非常重要的环节,变治疗为预防。这样AI的技术和大数据的技术,就能够为患者提供主动的健康管理服务。相比现在的这种被动服务,就会提升了一个层次。

    在这样的未来医疗新生态下,患者的需求会被重视,我们相信医疗行业的各个环节也会实现脱胎换骨的变化。毋庸置疑,在这样的变化中,人工智能所承载的智慧化将会承担非常重要的作用,它会对医疗行业的各个参与者、各个环节都带来全面的能力提升。

    对于患者而言,我们通过可穿戴设备等数据采集的方式,能够让AI精准的去预测、去描绘一个患者的健康画像,从而成为患者的贴身医疗助理。

    对于医生而言,我们可以帮助医生进行全方面的辅助,包括:诊前的智能分导诊、智能筛查,手术中的机器人等。整个医疗行业的优质资源缺乏的问题可以得到极大的缓解。

    对于政府而言,我们可以从流行病的监测、预测方面,帮助政府去降低疾病防控的成本。

    对于医院而言,AI可以帮助去提升医院的运转效率。

    对于药企、对于保险而言,AI能够提供的能力提升也是多方位的。

    我们坚信AI医疗一定会到来,但是由于医疗行业本身具有极高的严谨性和专业性,所以在这个过程中一定会对AI的研发和AI的落地带来非常大的挑战。

    这里“挑战”一方面是来自于数据,包括:数据的体量、数据的质量、数据的标准化、数据的结构化,数据的安全隐私怎么得到保护。

    另一方面的挑战,来自于算法。算法怎么样能够进行医疗行业的适配化,算法需要有非常高的准确性和鲁棒性,算法需要可被解释。这和AI在其它行业的应用中,通过黑盒的算法给出一个不可解释的结果是并不一样的,因为这并不遵循医疗行业循证这样的一个理念。

    所以我们说AI的研发和落地,其实要做到并不是很难,有很多种方法可以去做到,但是如果要做好却困难重重。所有的这些挑战和困难,都指向了对于很强大的AI技术积累的需求。而百度作为全球领先的人工智能技术公司,我们在人工智能技术的研发方面,有着最长时间的积淀,有着最完整的技术栈,这也为我们为AI医疗可靠落地提供了坚实的保障。

    百度在医疗行业的几个实践:

    一、基层筛查:疾病防控从“治疗”到“预防”

    国家在疾病的预防上投入了非常多的资源,比如:糖网的防筛工程。如果我们以眼底筛查为例,研究表明40岁以上的人群是眼底疾病高发人群。这些人群需要定期的进行眼底的拍照和筛查,极早的进行防控,致盲率就可以大大降低。

    中国有6.6亿眼底疾病风险疾病人群,但是只有3.6万专业眼科医生,这里面能够识别眼底照片的医生数量更少。如果这个数据放在基层,它会表现的更为严峻。全球数据也并不乐观,全球有26.5亿眼疾风险人员,仅有21万专业眼科医生。

    我们打造了“AI眼底筛查一体机”,用AI方式学习权威眼科专家标注的“眼底影像数据”。目前我们已经可以针对糖尿病视网膜病变、青光眼等多种进行筛查功能,将这样的能力植入到“眼底像机”设备,准确率可以达到94%。当患者进行眼底拍照后,我们的系统10秒钟就能够输出一个筛查报告,我们通过这个报告的形式呈现出来AI是为什么做出这样的一个判断,让我们的报告结果是可解释的。

    百度的CEO李彦宏先生在2018年11月“百度世界大会”上宣布了“500台AI眼底筛查一体机”公益捐赠计划,希望在中国最偏远、贫穷的地方,这些患者也能够接受到好的医疗服务。

    二、临床辅助决策

    由于能力和经验的限制,中国基层医生在实践的过程中有误诊和漏诊的风险。我们打造这样一款产品的目的,实际上也是为了让基层的医生在他们的工作过程中拥有随时可以调用、专业而且准确的医疗助手。在这款产品背后,有着非常强大的技术框架支持。我们从学习权威的书籍、药典、三甲医院的病例数据等,向上层夯实知识图谱基础。在这里处理了上亿级别的异构数据和知识图谱关联关系,覆盖了千万量级的医学实体。

    再往上一层,通过深度学习、多层贝叶斯网络的决策支持基础,打造决策支持能力,并且通过产品化的方式对外去输出。现在我们的产品已经可以去支持辅助诊断、辅助诊疗方案、临床指控、相似病例等多种功能,这些功能还在不断的被完善,让它能够被临床医生更容易、更方便的使用。

    (图-这是医疗知识图谱小角落,支气管哮喘是小领域疾病。我们通过一个自动化的平台,来对医疗的实体进行自动的挖掘、自动的验证和自动的归一。同时我们通过条件、概率等关系属性的挖掘技术,让我们的知识构建的方法、知识构建的结果能够精准而不冗余。)

    目前我们的这个产品已经覆盖了27个科室,超过了4000种疾病。在常见疾病方面TOP3疾病推荐准确率达到了95%,同时通过循证算法使得这个结果可解释,让医生在使用的时候有据可依。这样的一个产品是进入到了医生平时工作的流程中,医生使用起来非常便捷,可以获得实时的决策辅助。我们打造这样的产品不是取代医生和患者之间的沟通交流,只是让我们的基层医生能够站在巨人的肩膀上面随时的学习和掌握优秀的诊疗经验,从而来完成基层医疗的重任。

    三、对于医疗数据结构化,让医疗数据变得“有条理”

    屏幕左方是真实的病例数据,在这样的病例数据、文本里面,很多有效信息散落在病例各个角落,我们通过技术手段对于这样的病例进行三层次的自动化梳理、自动化理解、自动化抽取。

    首先,时间的维度。比如:我们这里可以识别出来九个月之前可以识别出来2019年3月3号这样的时间标签,这就代表了疾病的一个发展过程。     

    其次是医学实体的识别和归一。这里的包括:症状、体症检查等。我们可以识别出来“肺部哮鸣音、哮喘”,并且可以规划成标准的名方法——支气管哮喘。

    最后是对医学实体属性的处理。在这块病例里面,我们会看到它描述到病人入院的时候出现了严重气短的情况,我们识别出来“气短”症状程度属性是严重。另一个例子,在这个病例里面描述了患者无发热、无咯血,我们对这个识别出来属性是阴性。这样梳理,让病例变得真正可结构化、真正可计算,而这背后是百度强大的自然语言处理和知识图谱技术所支撑的。

    医疗数据结构化之后,这些医疗数据将能为医疗行业的各个领域带来非常重要的作用。对于医院临床来说,它能被临床辅助决策提供大量的数据支持。对于医生科研来说,能够让医生用更大量的数据展开科研合作。对于政府而言,能够帮助政府去进行公共卫生的一些辅助决策。对于新研种研发的支撑,可以由大数据协助。药企药品研发各个环节,大数据也能够起到多方位作用,降低药品研发成本、加快药品上市速度。只有这样我们认为医疗数据采能够真正的去发挥其燃料价值,盘活整个行业生态,让这个行业能够更快速的发展。

    我们相信这一个个的实践,未来都会成长为参天大树。但是在传统的医疗和新兴人工智能结合的过程中,这是两个世界的结合、这是两种理念的结合,这是传统和创新的结合。这种结合过程中,本身就是非常艰难的。医疗又是一个关乎民生的行业,使得这样的结合变得更加困难。比如:AI应该如何去定位?AI应该如何去进入到临床医生的工作环节,让医生可以去信赖它,AI的结果如何做到可解释,医疗的数据如何可以安全的访问和存储。所有的这些困难都需要一一被克服,我们才能够去创造一个医疗和AI相结合的美好未来。

    我们相信闭关自守绝不是AI时代的精神。从百度的角度来说,我们希望以非常开放的态度和行业的各个合作伙伴们一起共建AI的基础,在AI医疗新生态,在整体的AI医疗新生态来临过程中,需要所有的行业参与者一起参与、一起创造。“生命健康、人人平等”,这是我们一直所追求的。我们希望世界上的每一个个体,都能够有机会去获得充足的医疗保障和医疗资源。这是技术可以、也应该给这个世界和这个行业带来的。AI医疗,让这个梦想变得可以畅想。

    爱无国界,AI无国界、医疗无国界。百度希望借助我们的医疗行业的一些实践,把它带到世界、带到全球,为人类健康共同体作出贡献。谢谢大家!雷锋网雷锋网(公众号:雷锋网)

    展开全文
  • 基于深度学习的临床智能辅助决策系统.pdf
  • 再将临床知识表达模型通过规则映射技术转换为计算机推理诊断所用的规则,形成知识库,并以此为基础开发了覆盖完整头痛诊断流程的原发性头痛辅助决策系统。临床评估显示,该系统可正确地识别出91.3%的偏头痛、87.2%的...
  • 朗通医疗:基于深度学习的临床智能辅助决策系统.pptx
  • ;e7d195523061f1c0cef09ac28eaae964ec9988a5cce77c8b8C1E4685C6E6B40CD7615480512384A61EE159C6FE0045D14B61E85D0A95589D558B81FFC809322ACC20DC2254D928200A3EA0841B8B1814961BE795024DFDEF45878460D5EEC04B3DB4C24
  • 为应对深度学习技术带来的监管挑战,并为相应医疗器械软件注册申报提供专业建议,我中心组织制定了深度学习辅助决策医疗器械软件审评要点(以下简称审评要点,详见附件)。  审评要点基于深度学习技术特点,结合...
  • Spring诊断 辅助医疗决策系统-电子病历模块
  • 本文基于临床实际中医病历数据,提出基于名老中医临床诊疗效验案例,基于案例推理的中医临床诊疗决策支持系统,用来辅助经验不足的临床医师做出临床决策,以提高临床疗效。该系统从中医临床数据仓库中筛选加工形成...
  • BAT-医疗知识图谱相关产品分析介绍

    千次阅读 2019-07-15 21:05:29
    面对各类单点的人工智能能力(图像,语音,临床辅助决策等),通过“统一人工智能和数据集成平台”,医疗机构可以实现一站式智能应用对接,提供可视化应用管理,安全数据对接,统一数据脱敏,和异构数据集成等能力。...

    为什么写

    之前一直把精力放在知识图谱本身的设计与实现上,并未侧重对行业落地产品与市场需求分析。近日,反思许久,也算有所感悟,究其原因是确定不下要从哪个行业、或市场入手,举旗不定。

    关于知识图谱落地行业,电商、金融、公安、医疗是信息化比较早的行业,可作为前期切入领域,之前有进行相关分析,这里不再赘述,详情请访问历史文章。

    同时,也想把知识图谱行业产品分析作为一个系列来做,这次就先说医疗行业,为什么是医疗?因为上周被大佬从战略层面、以及医疗行业本身进行了升维打击,可以说是碾压,惨不忍睹,以后有机会再细说,下面进入正题。

    从国家战略以及省市区规划报告层面,事关国计民生的医疗行业,一直是AI发展所关注的重点。目前,中国医疗资源结构性失衡,三甲医院专家云集、人满为患,基层医院专家难寻、门可罗雀;并且常年来,约占医院总数8%的三级医院,承担了约40%的诊疗和住院患者的重任。社会老龄化加速,医疗资源有限,我国医疗健康的具体情况可参见,规划发展与信息化司发布的《2018年我国卫生健康事业发展统计公报》。

    在互联网领域,BAT等巨头一直热衷走平台战略路线,并且一直是科技与行业发展的引领者。医疗AI方面,BAT也早已布局,纷纷推出产品,例如:百度灵医、阿里“Doctor You”与“ET医疗大脑” 、腾讯觅影。下面就来具体分析下以上产品,加深对医疗AI落地方向,与医疗行业需求的了解。分析BAT的产品,是因为尊重其对行业发展与引领的影响力。

    下面主要介绍并简单分析百度灵医、阿里“Doctor You”与“ET医疗大脑” 、腾讯觅影与知识图谱相关的产品,主要参照各自产品官网介绍,如有错误或不当之处,欢迎交流指正。

    百度“灵医”

    百度“灵医”,主要切入方向为临床辅助决策、医疗大数据治理与智能诊前助手

    百度灵医产品架构图

    临床辅助决策面向医生,根据针对场景与疾病的不同又拆分为3个版本,分别为标准版、基层版、专病版

    标准版面向大型医院需求进行定制,针对辅助诊断、治疗方案推荐、相似病历推荐、医嘱质控、病历内涵质控、医学知识查询等目标进行功能设计,同时满足国家对电子病历系统功能应用水平分级评价、医疗健康信息互联互通标准成熟度测评等相关要求设计产品细节,嵌入医生工作流,提升临床效率。

    《电子病历系统功能应用水平分级评价方法及标准(试行)》

    辅助诊断界面

    治疗方案推荐界面

    相似病历推荐界面

    医嘱质控界面

    从以上产品截图可以看出,百度灵医临床辅助决策系统侧重建设电子病历,有利于NLP进行病历分析、语义分析,方便信息抽取去推荐。结合搜索引擎技术进行知识检索、病历检索;利用症语义向量相关性及疾病诊断模型进行疑似疾病判断、治疗方案推荐、相似病历推荐等等。

    由输入框信息自动对医嘱进行风险分析及把控,基于传统规则、NLP、推理模型对病历全面分析,保证结果的准确度,同时利用知识图谱基础能力,对医疗知识精准、快速查询。

    以结构化电子病历为产品重点,应以覆盖各层级评级要求为基本要求,学习过往专家案例诊疗案例为学习基础,同时针对患者个人情况,生成满足患者自身体质要求的治疗方案,并且可以满足现有医院系统,可顺利接入客户现有系统,以满足无缝接入,无论是API/BS/CS等都应该开发,并且设计开发系统之前应充分考虑开品的评价标准,前期设计方案或选用模型,应尽量以此标准为依据选取方案,避免走偏。

    在设计开发系统前,充分了解所面向用户对精准度的要求,毕竟功能可以少,但如果对精准度失望,对企业的损失是将不可估量。所有质检、审查功能要做到国家标准全覆盖,精准度与语义理解度需绝对强化,提高系统风控能力。基于以上理解,还是要再说一句,功能可以少,但是需要精,因为不知道哪个功能,将会满足某个用户的痛点需求,以此思维模式让产品成为用户需求满足的第一选择。

    基层版根据《“健康中国2030”规划纲要》要求医疗单位实现分级诊疗,构建“基层首诊,双向转诊,急慢分治,上下联动”的医疗体系,推动分级诊疗落地、加强基层医疗水平建设,减轻三甲医院的医疗压力。因此对基层版在标准版的基础上增加了智能问诊、病例自动生成功能等,满足基层医生实际使用习惯,提升基层医疗机构的诊疗能力。

    百度灵医功能覆盖就医流程图

    智能问诊界面

    问诊与辅助决策不同,不在于有多么高的精度,但病种覆盖需要尽量全面,之前也提到行业知识图谱的设计从广度优先出发比从深度优先出发更具有优势,所有的知识来源应尽量选择具有说服力和权威的资料,严格把控知识质量,系统的设计遵循便捷性、与轻量性,考虑到用户本身IT理解力,系统更需要便捷的可操作性。

    专病版面向医生在专病诊疗方面提升效率,降低疏漏可能性,也为解决专病诊治的行业性难题。

    • 病情评估数据获取复杂,导致医生在繁忙的临床诊疗中,容易漏掉信息或无法及时处理信息,无法保障评估的实时、准确;
    • 医学指南与实际诊疗要求的不一致,导致临床决策缺乏参考。

    针对当下医生在专病诊治上的挑战,实现单病种质控,有效防止疏漏提升效率;并与三甲医院合作共建辅助决策模型,优化临床决策。

    医疗大数据治理是为推动医疗AI的基础性工作,也是实现病历结构化的第一步,针对结构化病历的分析,使得病历数据可以更方便地再利用,成为教学、科研、管理决策的重要资料。


    结构化良好的病历数据,可支持大规模病历的自动抽取、分析,构建知识图谱,从而进行高效、精确的辅助决策。然而数据的利用存在两重困难:

    • 数据分散,形态多样:院内数据分散于不同系统,结构化与非结构化数据并存,缺乏统一规范的形式。
    • 自由文本,难以利用:文本信息方便表达概念以及事件等,是临床治疗过程的主要记录形式,但不利于机器的理解和进一步分析。

    所以进行医疗大数据处理是进行医疗AI化的基础性工作,也是必要工作。

    智能诊前助手通过基于知识图谱的多轮友好问答实现问诊,了解患者病情,将患者和医生精准匹配,致力于提高医院线上服务水平、降低分诊压力,改善患者诊前体验。这块可参考左手医生,交互还是较友好。

    阿里“Doctor You”与“ET医疗大脑”

    Doctor You :临床诊疗辅助决策

    临床医学科研辅助平台


    中国医学会误诊资料显示,中国临床医疗误诊率为27.8%,在临床科研数据中心,使用搜索引擎技术为医生提供快速、准确,多种组合方式的病历搜索功能。通过数据仓库、数据挖掘等方法,用海量临床科研数据来评价治疗效果,发现诊疗规律,提炼最佳治疗路径,提高医疗科研的能力和水平。

    • 以人为核心的病历矩阵。
    • 以疾病为核心的临床科研数据矩阵。
    • 多源异构的医疗数据处理。
    • 大数据科研辅助分析引擎。

    针对单病的辅助诊疗系统,面对重大疾病进行检测肿瘤基因、遗传基因与传染病等精准医疗手段,联合多方能力,接入系统以建立聚合诊断系统,对相关疾病进行风险预测。

    临床医师能力训练平台


    为建立优秀的医师培训体系是卫生事业改革和发展的一项重要任务。鉴于此,开发沉浸式医师培训系统,提升医师培训的质量与效率。新打造的医师培训系统将从过往脱敏病例(使不能从病例中推断患者个人信息)中挖掘疾病的临床路径并自动构建虚拟病人,医师用户可在模拟场景中对虚拟病人进行诊疗,并从中获取医学知识,规范诊疗操作,提高临床思维。

    • 沉浸式医师培训系统,自动构建虚拟病人。
    • 医师用户可在模拟场景中对虚拟病人进行诊疗。
    • 获取医学知识,规范诊疗操作,提高临床思维。
    糖尿病诊断与用药分析系统

    ET医疗大脑:解决医疗行业的核心问题

    医疗质量管理

    对临床数据和医院运营数据的分析,结合各级部门对医疗质量标准的管理,综合运用自然语义分析、智能算法能力,对病历/病案质量,临床路径标准等进行自动监测和分析。降低因各类“错误书写”和“信息缺失”造成的医疗事故,提高医疗服务质量,实时对医疗机构的服务质量进行提示和统计管理。

    精细化运营分析

    利用智能分析算法,对医疗机构和区域医疗的运营核心指标(包括收入、利润、门急诊/住院、抗菌药管理等700余个重点关心的指标)、上级主管部门考察的重点指标(根据主管部门要求设置,并在云端定期更新)进行跟踪分析,跟踪预测指标走势,第一时间发现异常情况,并对核心指标的影响因素进行分析,找到影响核心指标的关键因素和科室,为制定管理策略提供参考。

    人工智能能力接入

    面对各类单点的人工智能能力(图像,语音,临床辅助决策等),通过“统一人工智能和数据集成平台”,医疗机构可以实现一站式智能应用对接,提供可视化应用管理,安全数据对接,统一数据脱敏,和异构数据集成等能力。医疗机构和客户可以因此安心对接人工智能算法。

    智能资源调度

    “床位不够用”;“CT排队时间长”;“儿科急诊排队长” 等等问题每天在各类机构出现,利用历史数据和城市级别的其他数据可以智能分析和预测机构面临的医疗需求,有效优化资源的使用,让合适的患者获得合适的医疗服务。

    从“Doctor You”与“ET医疗大脑”产品性质来说,“Doctor You”侧重医疗本身以及疾病的诊断与治疗,适用于科研者和医生,而“ET医疗大脑”侧重从医疗资源的调度以及宏观调控,适用于管理者。

    腾讯“觅影”

    觅影的AI辅诊包括3款产品:智能导诊、病案管理、诊疗风险监控

    智能导诊技术为患者提供移动端的智能导诊服务,引导患者顺利就医,缓解医院导诊咨询的压力。智能导诊技术面向医院信息化服务商、各大医院免费开放,支持文字、语音的人机交互方式。

    觅影在医疗领域积累的医学知识图谱、诊断模型、病情理解、名医专家库等AI辅诊基础能力,切入医院的疾病预测、辅助决策、数据分析等应用场景,提供一站式的开放技术。

    疾病预测领域的分诊导诊这一细分场景,可以根据医院需求定制,为患者提供智能导诊服务,缓解医院导诊咨询压力。

    觅影产品架构图

    智能导诊功能:

    • 对医学文献、病历、问答等医疗数据的学习,进行症状推理。
    • 问答聊天机器人,支持文字、语音双输入,问询即出结果。
    • 全病种预测范围覆盖全科室、常见疾病,基本满足导诊需求。
    • 定制化接入根据医院科室划分、职能划分和医生资源分布情况,提供定制化接入。

    智能导诊功能,问询即出导诊结果,患者通过医院公众号、小程序等接入端,简要描述症状或疾病,导诊助手会追问引导其补充症状,从而精准匹配科室,为其推荐专业方向最相符的医生,实现线上导诊挂号一步到位。


    病案智能管理通过深度学习技术,提取海量病案特征信息,助力医院的数据标准化和医疗数据管理,为医院科研提速。

    目前国内医院的病案,依赖病案室人力或数据公司进行整理。科室的医学科研,提取病案特征信息也是通过人工完成。 需要投入大量人力与资金,准确率不能得到保障。通过深度学习技术,实现病案智能化管理,自动提取病案特征信息,为科研提速。


    通过AI辅助诊疗,对医院数据做标准化处理,助力医院完成工作量巨大而且推行困难的数据治理工作。同时基于人工智能技术和产品实力,根据需求,针对数据做定制化改造优化,输出符合要求的标准化数据。

    病历结构化:基于自然语言理解技术和人工智能技术,充分理解病历,高效、准确地按照需求提取出病历特征,并作结构化输出。提升科研效率,节省笔数据整理需要消耗的费用。

    诊断风险控制:通过诊断风险监控系统,提升诊断准确率,降低误诊风险。将医学诊疗信息以轻便的方式共享给医生。从高层面出发,全面管理并控制医生团队的诊疗水平,构建科学、精准和友好的诊疗风险监控。

    辅助医生临床诊断:AI辅助诊疗在诊疗风险监控的同时,及时、准确的给到医生诊断建议和治疗方案建议。提升诊疗效率。方便医生日常诊断与鉴别诊断的工作。

    诊疗风险监控基于深度学习模型建模,辅助降低医生诊疗风险,让专家的知识经验便捷共享。通过AI诊断分析模型,提升诊断准确率。

    辅诊背景由于诊断的不确定性,门诊诊断有误诊风险。诊断风险监控通过AI辅助医生诊疗,给出精准建议,辅助医生进行鉴别排除。降低高危疾病漏诊风险。升医院门诊的诊断准确率,降低诊断风险。

    结束语

    传统的医疗辅助系统,是基于医学指南、医生的经验固化成的计算机系统,系统自我学习能力差,缺乏自我修正和提升能力。而医疗AI有望打破这一困境,结合人工数据标注,实现自我迭代学习,让机器从普通与典型病案数据中总结治疗与用药经验,结合治疗的实际情况及患者后续随访的数据,不断修正和提升。

    以上对BAT医疗AI产品的介绍与了解可看出,现阶段的医疗AI,针对其所面向人群与产品目标大致可以分为以下3种:

    • 面向医生:提供临床建议与辅助决策。
    • 面向管理者:优化资源配置与医疗服务监管。
    • 面向消费者:提供个性化健康指导与就医建议。

    现阶段AI医疗商业化条件不成熟,落地需科研与捐赠“双管齐下”。根据《2019中国人工智能医疗白皮书》显示,国内尚未有商业化落地产品,且国家相关产品审批标准尚未建立,客户对产品效果半信半疑,产品落地依然走科研合作与捐赠路线,以此验证市场并打磨产品。

    ChangeLog

    • Created on 19.07.14
    展开全文
  • 深度学习辅助决策医疗器械软件审评要点及相关说明 https://www.cmde.org.cn/CL0030/19342.html 近年来随着新一代人工智能技术的快速发展,采用深度学习技术的医疗器械软件日益增多。为应对深度学习技术带来的...
  • 临床决策支持系统(clinical decision support system,CDSS)是指通过合适的时机智能性地过滤或表示信息和知识,为临床工作者、患者、或个体提供更好的个体护理和健康的技术或...整理等手段以辅助医生进行更换的决策
  • 基于移动医疗的患者决策辅助临床应用的影响因素.rar
  • 基于移动医疗的患者决策辅助临床应用的影响因素.pdf
  • 医师收集有关患者医疗程序,治疗,保险范围和其他临床数据的大量信息。 这些信息对于制定具有类似特征的患者的诊断或治疗计划至关重要。 已经开发了基于案例的推理(CBR)系统,以解决有效组织和检索重要患者信息的...
  • 公开保密级别 公开 基于大数据的医疗辅助决策分析平台 建设方案初稿 邦道信息技术有限责任公司 2016.2 TOC \o "1-4" \h \z \u 1.声明 4 2.背景 4 2.1.政策依据 4 2.2.数据特点 5 2.3.实现目标 6 3.系统介绍 7 3.1....
  • 数据挖掘技术在临床决策中的应用 研究 摘要介绍数据挖掘技术的概念 工作原理在阐述医学数据特点的基础上 探讨数据挖掘技术在临床决策中的应用过 程并以糖尿病为例提出基于数据挖掘的 辅助临床决策支持系统设想以利于...
  • 从医学影像辅助诊疗、基因测序,到商业健康险,三大医疗业务闭环逐步成型,AI辅助决策价值凸显。 医疗,贴近民生,也靠近财富。受居民收入水平、国家政策风向、新技术赋能等多重因素影响,中国医疗产业在特定时间段...
  • 基于人工智能的临床决策支持系统研究 中山大学中山医学院 周毅 博士/副教授/研究员 zhouyi@ 二 0 一 九 年 六 月 二十一 日 01 人工智能概述 目录 CONTENTS 02 医学发展背景 03 临床辅助决策支持系统CDSS 04 CDSS...
  • 从20世纪70年代起,信息技术被逐步系统化地应用于...信息化架构下的高效与广泛,可更好的实现患者临床医疗信息的收集和处理,帮助医生积累和挖掘临床知识,提供有效的临床咨询、辅助诊疗及临床决策等,因此近年来,中

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,234
精华内容 893
关键字:

临床辅助决策