智慧醫療将以建設智慧的醫療健康服務雲生态為願景目标，通過整體的統一醫療健康雲服務平台，融合彙聚醫療健康各方資源，為居民及患者提供全生命周期的、線上線下融合的、優質高效的醫療健康服務。
一、智慧醫療行業概況
1.1智慧醫療概念介紹
智慧醫療的概念：以創新技術為底座，以解決醫院、患者及亞健康人群、區域公共衛生、制藥企業這四方在醫療場景中的痛點為目的，根據醫療場景的特征的産品組合，以解決場景内的痛點。目前階段，智慧醫療産品提供方多以網際網路技術企業為主，部分硬體廠商為輔。
智慧醫療場景分為：智慧醫療診療場景、智慧醫院管理場景、智慧患者服務場景、智慧區域基層醫療場景、智慧制藥企業場景等等。其主要的智慧醫療産品包括：醫學影像篩查産品、臨床決策支援（CDSS）産品、智能審方産品、智能電子病曆産品、院内導航産品等等。總體而言智慧醫療相對概念較為寬泛，所涉及的應用場景和相關産品也具有豐富的種類，主題的思路仍是人工智能、物聯網、5G等網際網路技術和産品在醫療行業的相關應用。
圖1：智慧醫療的研究範圍
資料來源：億歐智庫
1.2智慧醫療政策介紹及發展曆程
近五年來，從中共中央、國務院到各部委，陸續出台了大量醫療産業的相關政策，強調了資訊化和新一代資訊技術對醫療産業的重要支撐作用，智慧醫療迎來政策密集期。
圖2：智慧醫療相關政策（1）
資料來源：華安證券研究所整理
圖3：智慧醫療相關政策（2）
資料來源：政府網站、安信國際
圖4：智慧醫療産業政策陸續出台
資料來源：華安證券研究所整理
從世界範圍内來看，1956年人工智能（AI）開始成為獨立的研究領域，20世紀前，中外對AI在醫療領域的研究集中在臨床知識庫上，但由于大多數臨床知識庫必須運作在LISP裝置上。而由于當時LISP裝置尚不能聯網且價格昂貴等原因，臨床知識庫并沒有廣泛地應用于臨床中。2000年-2015年期間，國外的研究重點為AI在臨床知識庫外的應用，如手術機器人應用落地、鼓勵發展電子病曆等。而中國仍以研究更多類疾病的臨床知識庫為主，發展相對緩慢。2015年-2017年，由于AI在圖像識别方面的準确率有大幅度提升，AI+影像得以快速發展。得益于在臨床知識庫的長期研究，CDSS産品走向成熟。2018年後，中國AI+醫療進入穩定發展階段，智慧病案等新産品相繼面世。
圖5：全球智慧醫療發展曆程
資料來源：艾瑞咨詢研究院
而中國由于相關的底層技術起步較晚，整體的智慧醫療的發展階段發展以時間和創新技術同醫療場景的結合程度劃分，共分為三個階段：
第一階段：創新技術+醫療初融合
此階段創新技術和醫療場景結合較少，尚未有成熟的産品出現。國家政策層面鼓勵開展創新技術應用試點，希望以此推動其在醫療領域達到規模化應用，融資方面較為早期，創業企業多以天使輪或A輪為主。主要是在2016年前，相關政策較少。
第二階段：創新技術+醫療産品誕生
此階段創新技術和醫療場景結合一般，但是智慧醫療迎來爆發，國家政策鼓勵各醫療機構引進多種創新技術，如人工智能技術、雲計算、大資料等，探索建立新的醫療體系，在此期間出現了成熟的智慧醫療産品。主要時間在2016-2019年之間，包括多個智慧醫療相關政策持續頒布。
第三階段：智慧醫療階段
此階段創新技術和醫療場景結合比較緊密，國家對于深度學習輔助決策醫療器械軟體給出指導，重點強調其資料安全性，算法泛化能力以及臨床使用風險，具有技術優勢的網際網路企業紛紛加入醫療行業。主要是從2019年至今，智慧醫療相關政策多以産品或具體醫療場景指導為主
二、智慧醫療市場環境分析
2.1 智慧醫療市場大環境
根據國家統計局公布，2021年底國家醫療開支為75593.6億人民币，在世界範圍内，中國是世界第二大醫療市場。過去數十年期間，中國大力投資醫療資訊化系統并産生了大量資料，但資料大多互相孤立地以非結構化形式儲存，通過數字手段加以有效連接配接、标準化以及分析資料後，人工智能應用将進一步實作資料的價值。
數字健康的定義方面，2019年世界衛生組織頒布《全球數字健康戰略(2020-2024)》，首次确定數字健康戰略的重要性，将“數字健康”定義為線上醫療服務、遠端醫療及流動醫療服務，并向世界推廣數字健康的理念。弗若斯特沙利文資料指出，數字健康指透過數字技術提供服務或産品以滿足個人的健康需求。中國數字健康市場主要包括：數字醫療服務市場；非處方藥電商市場；健康消費品電商市場；其他市場（資訊技術基礎設施、營銷服務及其他）而數字醫療服務是數字健康市場的重要組成部分，網際網路醫院為提供數字醫療服務的主要平台。2015 年，中國成立首家網際網路醫院－烏鎮網際網路醫院，開創了中國“網際網路+醫療健康”創新模式的先例，标志着數字醫療服務市場開始蓬勃發展。
市場規模方面，2019 年中國數字健康的市場規模為2181 億元，2030年預計增至42228億元，複合年增長率達到30.9%。數字遷移率預期由2019年的3.3%增至2030年的24.0%。根據弗若斯特沙利文的資料，中國 2019 年數字醫療服務市場的市場規模為 232 億元，2030 年預計增至7395 億元，複合年增長率為 37.0%。
圖6：中國數字健康市場規模及數字遷移率
資料來源：弗若斯特沙利文、安信證券研究中心
醫療大資料解決方案市場是指服務提供者提供大資料驅動并結合先進技術應用和醫學見解的解決方案的市場，以滿足醫療行業各個領域（包括醫院、監管機構、及政策制定者、生命科學公司及個人）的資訊化、數字化及及智能合成的需求。中國醫療大資料解決方案市場2019年的規模（根據健康醫療大資料解決方案服務供應商的銷量而計算）為人民币 105 億元，預計到 2024 年将增長至人民币 577 億元，CAGR 達 40.5%。醫療大資料解決方案整體滲透率（銷售收入/中國醫療資訊化投資總額,%）預計将從2019年的7.2%增長至2024年的16.2%。
圖7：2015 至 2024（估計）按投資額計算的中國醫藥行業的資訊化投資總額（人民币十億元）
而在整個醫療資訊化的服務終端，醫療SaaS市場則是規模高速增長的一個細分門類。根據艾瑞網資料，2020年中國醫療SaaS整體市場規模達37億元人民币，未來五年将保持30%以上的增速。醫療行業數字化轉型訴求以及較大的醫療服務需求，是推動醫療SaaS快速發展的關鍵。
中國擁有龐大的患者基群及慢性病患者群體。老齡化加劇，65歲及以上人口的比例預計将從2020年的13.5%上升至2030年的21.9%，預計達到3.181億人，人口結構的老齡化将對醫療服務體系造成一定沖擊。此外，随着環境污染、不規律的生活方式、過大的壓力負荷等，緻使中國慢性患者數量不斷增多。2021年，中國共有1.4億糖尿病患者，3.33億高血壓患者。慢病診治呈現時間長、醫療風險低、用藥頻繁的特征，定期複診、病情記錄等較為重要。
醫療SaaS不僅可以為院内搭建相對應的系統平台，用以長期跟蹤并記錄慢病患者的情況，還可為院外的零售藥店提供線上問診服務，用于解決患者高頻次購買處方藥而無醫生處方的問題。基于此，慢病管理是所有健康疾病中最适合使用數字化解決方案。此外，患者不僅要求高效的診斷和院内醫療服務，而且需要持續的院外管理。醫療SaaS通過為院内外機構提供慢病管了解決方案，在長時間内追蹤患者的健康狀況并記錄，滿足長期護理的需求。
圖8：2018-2025年中國醫療SaaS市場規模
資料來源：艾瑞網，36氪研究院
2.2 智慧醫療助力醫療産業
痛點1：基層醫療機構主導，城鄉醫療水準分布不均，智慧醫療助力醫療資源公平化。
2018年大陸共有醫療衛生機構994,681個，其中以基層醫療衛生機構（包括社群衛生服務中心（站）、鄉鎮衛生院、村衛生院、門診部（所））為主，約占總體的94.9%；而醫院（包括綜合醫院、中醫醫院、專科醫院）僅33,009個，約占總體的3.3%；另外專業公共衛生機構（疾病預防控制中心、專科疾病防治院（所/站）、婦幼保健院（所/站）、衛生監督所（中心））約占1.8%。僅占醫療衛生機構約3.3%的醫院，卻供應全國約76%的病床；據統計，2018年每千人口醫療衛生機構床位數平均為6.03張（日本13.7、德國8.0、美國2.8 ），床位供給相對不足，并且醫療每千人口醫療衛生機構床位數相比農村多4.56張，城鄉病床資源配置不均衡，東西部地區醫療資源配置不均衡。
我們認為，未來有望依托AI、網際網路醫療等智慧醫療的技術，改善醫療資源的不均衡，進而助力醫療公平化。
圖9：基層醫療機構占比較大
資料來源：：2020中國衛生健康統計年鑒
痛點2：醫保支付壓力逐漸增加，智慧醫療助力醫保控費。2020年參加全國基本醫療保險13.6億人，近五年參保率基本穩定在95%左右，醫保滲透率位于高位。與此同時，醫保支出逐年提升，占GDP比重提升，醫保支付壓力加大。在此背景下，國家大力推動按疾病診斷相關分組付費（DGR）和按病種大資料付費（DIP）的新型醫保支付制度。我們認為這一制度的背後，需要依靠完善的電子病曆體系和海量的醫療大資料支撐，有望帶動智慧醫療産業的快速發展。
圖10：醫保覆寫人數穩步提升
圖11：醫保支出及占GDP占比都有所上升
資料來源：國家統計局，國家醫保局
痛點3：過度醫療、過度耗材、資源配置不合理等醫療資源浪費現象嚴重，在醫療資源缺乏的前提下，大陸還存在較嚴重的醫療資源浪費現象，主要展現在過度治療、過度檢查和過度求醫三個方面。
圖12：大陸醫療資源浪費現象嚴重
痛點4：新冠疫情影響下，線上診療需求大幅提升。新冠肺炎疫情成為網際網路醫療發展的強力催化劑，國家全面推進網際網路診療以減少交叉感染風險。随着政策的落地和人們觀念的轉變，比起以前線下門診，線上問診、慢病管理等網際網路醫療需求大幅提升，有助于拉動智慧醫療産業發展。
2.3 智慧醫療供給需求端簡析
需求端：以醫院為首的需求端對于創新技術的認可程度越來越高
2014年至2018年，公立醫院對于資訊化建設的預算投入逐年增加，向外釋放了關于醫療資訊化的利好機會。伴随着智慧醫院等政策的推出，醫院對于電子病曆、臨床輔助決策、大資料建設與應用等資訊化系統越來越重視，且接受程度越來越高。
圖13：2019-2020年度中國醫院資訊化狀況調查-醫院資訊系統建設優先級排序
資料來源：CHIMA，經億歐整理繪制
供給端：随着對于智慧醫療需求的加劇，智慧醫療将成為企業新的增長點
醫療資訊化企業:随着中國醫療資訊化發展，面對大型醫院參與電子病曆評級和互聯互通，以及越來越多中小城市的醫院電子病曆建立或更新需求，将促使行業集中度提升，抓住機會擴張規模的醫療資訊化公司将擁有更大優勢。
網際網路企業:網際網路企業從資訊資訊和連接配接平台轉向直接參與到疾病治療的關鍵環節，以疾病預防為例，其能發揮巨大作用，進而直接減少醫保支出。這意味着網際網路醫療的價值也将進一步釋放，營收能力也将更有想象空間。
ICT企業:智慧醫療的部署正在加速建設現代化、精細化的醫院管理體系。ICT企業憑借深厚的技術積累和行業實踐經驗，持續探索智慧醫療技術與實踐前沿，推動智慧醫院與大健康産業的加速發展。
智慧醫療創業公司:在提升技術能力的同時，創業型智慧醫療企業在過去5年中一直在進行商業化探索。對比同B端供應商合作。此類企業逐漸将目光對準了醫院終端。在未來，對于此類企業的主要考驗在銷售管道的開拓。
随着對于智慧醫療需求的加劇，智慧醫療将成為企業新的增長點伴随着創新技術之間（如雲計算+AI，大資料+AI等）協同發展成熟，網際網路大廠基于自身優勢紛紛布局智慧醫療這一賽道。
除了大型網際網路企業，中小型企業也迎來了爆發。以人工智能企業為例，截至目前，共有4家人工智能醫學影像公司已遞交招股書，其中一家已上市，另有一家醫療大資料解決方案（使用人工智能技術）公司上市。除此之外，2021年Q3在醫療AI的融資數量已達到30次，遠遠高于2020年全年的19次。
圖14：2020vs.2021年醫療AI細分賽道融資數量
三、智慧醫療典型大方向應用場景
3.1 智慧醫療助力醫療産業
智慧醫療将以建設智慧的醫療健康服務雲生态為願景目标，通過整體的統一醫療健康雲服務平台，融合彙聚醫療健康各方資源，為居民及患者提供全生命周期的、線上線下融合的、優質高效的醫療健康服務。
以居民健康醫療大資料為核心，圍繞着居民健康管理，建構數智化驅動的醫療健康服務體系。利用物聯網、工業網際網路、大資料平台、資料銀行等技術平台，推動資料的采集、資料內建和交換共享，實作資料的互通互聯；将大資料與機器學習、深度學習等技術以及循證醫學、影像組學等學科相結合，圍繞着居民、醫生、醫療機構、藥企以及保險機構的全方面的醫療健康服務場景，提供基于資料的智能化的應用/服務，可以優化居民健康管理服務體驗、改善診療流程、提升醫療行為的效率等。資料互通可以優化各應用場景的體驗，各應用場景産生的資料又可以進一步豐富資料——形成完整的價值閉環。
由此，智慧醫療其主要應用場景可以分為以使用者為中心的、覆寫使用者全生命周期的醫療健康服務體系的健康管理中心、醫療服務中心和醫療業務中心；以及以資料為核心的、數智化驅動的醫療健康服務體系業務營運中心、區域醫療協同、養老服務中心。
3.2 健康管理中心
健康管理中心是圍繞着健康、亞健康及疾病人群建構健康管理的一種服務體系。運用資訊和醫療技術，在健康保健、醫療的科學基礎上，建立的一套完善、周密和個性化的服務程式；其目的在于通過維護健康、促進健康等方式幫助健康人群及亞健康人群建立有序的健康的生活方式，降低風險狀态，遠離疾病；而一旦出現臨床症狀，則通過就醫服務的安排，盡快恢複健康。
圖16：智能化健康管理業務流程
資料來源：華潤集團
和以基于雲平台建構醫療健康行業通用的智能化健康管理系統：利用物聯網及大資料平台将涉及居民健康的各種異構資料源進行整合，形成居民健康檔案；利用人工智能技術、移動化技術建構健康分析評估模型以及健康處方系統、跟蹤幹預系統以及智能客服、回報教育系統；最後，通過雲+管+端的分布式部署模式實作分級有序的健康管理系統。
圖17：網聯健康回報系統
3.3 醫療服務中心（網際網路醫院）
醫療服務中心是以改善患者體驗為目标，建構線上線下融合的一種智能化服務。針對患者的實際就醫需求，推動資訊技術與醫療服務深度融合，為患者提供覆寫診前、診中、診後的全流程、個性化、智能化服務。利用網際網路技術優化醫療服務流程和服務模式，包括智能導醫分診、候診提醒、診間結算、移動支付、院内導航、檢查檢驗結果推送、檢查檢驗結果互認、門急診病曆自助列印和查詢等線上服務，積極推進轉診服務、遠端醫療、藥品配送、患者管理等功能建設與應用，建構線上線下一體化服務，實作臨床診療與患者服務的有機銜接，提升服務的效率和品質，改善患者就醫體驗，提升滿意度。
圖18：醫療服務流程
通過多輪友好的智能問診了解患者病情；在患者口語化表達的主訴和标準的醫學術語之間，以專業醫學NLP技術來實作資訊轉化。應用權威教科書和海量文獻建構知識圖譜；結合醫生的專業特長，過往的診療經曆，刻畫出全面、詳細、實時的醫生畫像；應用多模結合互相校驗的機制采信最佳結果。讓患者用最簡單的方式表達不适，得出最正确的科室，找到最合适的醫生。并且提供基于移動端精準的院内導航服務，集導診、分診為一體，為醫院打造移動化、自助化、智能化的院内導航、移動導診服務體系，有效改善患者就診體驗。
圖19：利用智能客服提高服務品質和服務效率
網際網路醫院是實體醫院為依托，以複診和正常咨詢為主，集合問診、處方、支付與配藥于一體的一站式網際網路醫療中心；從診療範圍來看，網際網路醫院嚴禁首診，主要以慢性病和部分常見病複診為主；從組織形式來看，必須以實體醫院為主體，結合網際網路；服務覆寫檢查報告解讀、複診開方、康複指導等其他線下服務。網際網路醫院平台本質上是利用網際網路技術，開拓新的醫療服務模式，将患者服務的視角從院内擴充到全過程，将醫療服務半徑由周邊擴充到區域甚至更廣，将醫療服務地點由院内擴充到院内外；網際網路醫療技術上主要包含網際網路醫院平台及遠端診療平台。其有效運作的前提除了搭建基于網際網路的技術平台外，更重要的是業務設計和高效營運。
建構通用網際網路醫院平台，協助各醫療健康機構具備線上化的能力，實作線上和線下的有效融合共享，推動醫療業務的延展。
圖20：網際網路醫院平台架構
資料來源：華潤集團
3.4 醫療業務中心
醫療業務中心實際就是在醫院内部搭建網際網路醫院平台，推動實體醫院業務的“網際網路+”，以賦能醫生為目标，圍繞着電子病曆開展醫療業務及系統的優化更新：利用數字化平台對現有功能進行元件化重構；利用多模态靈活的電子病曆錄入，提升醫生病曆錄入的效率；利用動态更新的臨床路徑，提升醫療的标準化；采取大資料及人工智能技術，建構臨床輔助決策和品質控制系統，提升醫生診療的效率和品質。
圖21：醫院業務網際網路+
資料來源：華潤集團
臨床路徑管理為抓手，提高醫療品質、規範醫療行為
臨床路徑(Clinical Pathway，CP)，是針對某個診斷明确的疾病或者手術，以循證醫學為基礎，以預期的治療效果和成本控制為目的，所指定的有嚴格工作順序和準确時間要求的最佳程式化、标準化醫療檢查和處置流程。
臨床路徑的制定：以病種為核心，建立一套基于統計學原理自動制定臨床路徑的基本流程機制，突破傳統技術手段、無法大量快速制定臨床路徑的局限，通過大資料處理方法、快速處理醫囑資料，分析出臨床路徑的最佳設定方案，改變傳統人工方式、基于經驗判斷的制定臨床路徑的方法。
圖22：臨床路徑的執行
以國家診療規範為标準、以人工智能和大資料技術為支撐，融合循證醫學和經驗醫學，通過與其他醫療資訊系統進行資料互聯互通采集診療所需的資料，通過資料核心層的智能推理引擎，實作快速、準确的智能綜合分析與判斷，為醫師、護士等供智能問診政策、體格檢查、輔助檢查推薦、參考診斷依據政策以及治療建議的輔助服務。
圖23：輔助決策系統流程
資料來源：華潤集團
總體而言，醫療業務中心緻力于實作醫療品質的全過程管理，基于臨床醫療知識庫引擎，實作從“終末品質”向“環節品質”轉變，由“事後提醒”向“即時回報”轉變，由“事務管理”向“智能管理”轉變，由“經驗管理”向“标準化管理”轉變，由“單一化管理”向“全方位精細化管理”轉變。
圖24：醫療業務中心
3.5 業務營運中心
業務營運中心：DRGs、RPA、RFID
基于DRGs的醫療服務監測分析及績效考核的一種體系。
DRGS（診斷相關分組），是指根據年齡、疾病診斷、合并症、并發症、治療方式、病症嚴重程度及轉歸等因素，運用統計控制理論的原理将患者分入若幹診斷組進行管理的體系。DRGs綜合考慮了疾病的嚴重度和複雜性，同時考慮醫療服務數量和醫療資源的消耗強度，被認為是一種“以病人為中心”的病曆組合系統。DRGs納入工作量效能積分績效管理，将相關名額納入内部績效考核與配置設定，可以展現向臨床一線、工作風險高、技術難度大的臨床科室及重要崗位傾斜，充分展現“優勞多得、優績優酬”。
圖25：DRGs體系
DRGs醫療服務監測與分析系統劃分了四個角色，分别是院長、醫務處、醫保辦、臨床科室，根據角色需求設定對應的系統功能。
通過RPA實作醫院重複規範流程的自動化，RPA主要适用的場景特征為：規則與邏輯明确、跨系統資料內建、資料搜集、檢索、彙總、日常重複性工作
圖26：RPA實施的預期價值
以下是RPA實施具體場景說明：
采購管理：供應商準入及監督（實作供應商準入自動化監控及供應商定期評估檢查自動化；公司關聯分析；皮包公司檢測；動态供應商風險監控），采購價動态監控（實作動态采購價格監控，為醫院采購提供及時、覆寫全國的參考依據，并比對醫院曆史采購資料）
藥品管理：藥品使用監控（對藥品耗用情況按照科室、醫生等次元進行同比、環比分析全面進行藥品監控，降低藥占比；促進合理用藥），藥品價格監控（通過爬蟲技術爬取外部公示招标采購價，打造實時藥品價格庫，作為藥品價格監控參照标準）
耗材管理：高價值耗材管理（定期對高價值醫療耗材的使用、收費情況進行有效的核對，監控高價值耗材的使用），醫療耗材監控（在衛健委降低耗占比的要求下，協助醫院對耗材的使用進行全面監控，降低耗材耗用，控制成本）
财務管理：收款對賬（定期與支付方進行自動核對，社保/商保結算單、病人資訊、電子處方、病案首頁等），付款稽核（付款前資料準備；合同、訂單、付款申請比對及資訊核對；付款分錄生成）
獨立監督：審計線索發掘（對不同子產品資料進行分析，獲利用審計機器人開展特定領域的分析，通過分析結果識别高風險領域及審計線索），審計執行（通過機器人進行樣本的抽樣、資料的對比、分析，形成分析差異報告，供審計組執行進一步審計程式。）
RFID實作醫療資産的全方位、智慧化管理
基于RFID等物聯網技術，将醫療資産資訊傳輸至平台資料中心，進而實作醫院對醫療資産的使用情況、生命周期、智能盤點、裝置位置、安全維護等多方位跟蹤管理。平台的建立，将實作醫院的資産管理的現代化、科學化、精準化，解決不必要的人力資源和成本浪費，更加科學、準确、有效的管理。
圖27：醫院固定資産
3.6 區域醫療協同
區域醫療協同：建構遠端醫療平台，有效推動區域醫療協同建構雲化遠端醫療雲平台,實作對遠端會診、雙向轉診、遠端預約、視訊會議、遠端專科診斷、遠端教育、遠端數字資源共享等業務的支撐，推動H2H2C的醫療服務模式。
圖28：（大H）2（小H）2（C）服務
其功能主要包括：（離線、互動）遠端會診、雙向轉診、遠端預約（專家預約、檢查預約、檢驗預約）、視訊會議、遠端專科診斷（影像、病理、心電、動态心電、動态血壓、手術\超聲\内鏡、監護）、遠端教育、遠端數字資源共享。
區域醫療協同：技術驅動區域醫療資源的高效協同利用資訊技術，将區域内的醫療資源（包括醫生資源、醫械資源、醫療資料、醫療知識等）互相連接配接，實作在醫療機構之間資源共享協同，将分級診療模式及雙向轉診的制度落到實處，在提升各個醫院的醫療水準以及服務品質的同時，從根本上解決患者看病難以及看病貴的問題。
圖29:區域醫療協同
區域醫療協同：遠端醫療平台架構依托物聯網技術、雲計算、4G/5G、遙感/遙測/遙控、移動網際網路、AR\VR等技術，圍繞電子病曆建構的雲遠端醫療平台，包括遠端醫療應用、遠端醫療營運以及客戶服務端等三大功能。
圖30：遠端醫療
遠端醫療平台同時也包括：遠端教育、遠端學術交流、遠端手術、遠端診療。
區域醫療協同：雲PACS提供線下線上無縫融合的醫療影像共享服務建構雲化遠端醫療雲平台,實作對遠端會診、雙向轉診、遠端預約、視訊會議、遠端專科診斷、遠端教育、遠端數字資源共享等業務的支撐，推動H2H2C的醫療服務模式。
圖31：影像診斷流程
區域醫療協同：人工智能賦能醫療服務的品質和效率
随着計算機技術和醫學影像技術的不斷進步，醫學影像已逐漸由輔助檢查手段發展成為現代醫學最重要的臨床診斷和鑒别診斷方法。然而醫學影像領域存在諸多問題，包括供給不平衡，誤診漏診率高，影像醫生讀片熟讀慢等。人工智能與醫學影像的結合，能夠有針對性的解決傳統醫學影像領域存在的問題。
3.7 養老服務中心
養老服務中心：建構“系統+服務+老人+終端”的智慧養老服務模式
運用物聯網、網際網路、移動網際網路技術、智能呼叫、雲技術、GPS定位技術等先進的資訊技術，建構智慧養老雲服務平台，涵蓋了機構養老、居家養老、社群日間照料等多種養老形式，建立 “系統+服務+老人+終端”的智慧養老服務模式。平台通過跨終端的資料互聯及同步，連通各部門及角色，形成一個完整的智慧管理閉環，實作老人與子女、服務機構、醫護人員的資訊互動，對老人的身體狀态，安全情況和日常活動進行有效監控，及時滿足老人在生活、健康、安全、娛樂等各方面的需求。
四、AI賦能智慧醫療典型小領域應用場景
4.1 CT影像識别
AI+CT影像識别應用領域廣闊。AI+CT影像的主要産品形态包括：影像分析與診斷軟體、CT影像三維重建系統、靶區自動勾畫及自适應放療系統。通過智能CT影像識别，能夠完成病例篩查、智能分析診斷、輔助臨床診療決策等工作。從應用的場景來看，主要包括胸部、四肢關節等部位，乳腺、心肺、冠狀動脈、骨骼等器官組織，應用領域廣闊。
圖32：國家藥品監督管理局準許注冊的AI+CT影像識别産品（三類）
資料來源：華安證券
中國影像分析資料增長較快，放射科醫生面臨短缺，AI+CT影像識别技術發展潛力巨大。目前中國CT行業影像資料爆炸增長，2019年市場規模達到24.7億元，CAGR約30%。另一方面，目前大陸放射科醫師僅有8萬多名，每年承擔的診斷工作量卻達到了14.4億張影像，結合中國醫學影像資料每年30%的增速，與之相對應的放射科醫師的年增長速率卻隻有4%，兩者之間存在巨大缺口，AI+CT影像識别有望彌補這一缺口，發展潛力巨大。
圖33：放射科醫師與CT影像數量增長預測
圖34：中國CT檢查行業市場規模（億元）
4.2 CDSS輔助臨床診斷決策
臨床決策支援系統（Clinical Decision Support System, CDSS），一般是指基于人工智能深度學習算法的方式，對臨床醫療決策提供輔助支援的計算機系統。CDSS将醫學相關的指南文獻、專家共識以及電子病曆資料進行輸入，經過大資料分析以及基于人工智能的神經網絡運算，輸出臨床診斷方面的模型，進而輔助醫生提供相關病例的臨床診斷。
CDSS輔助臨床診斷決策的主要功能包括：輔助診斷、治療方案推薦、相似病曆推薦、醫囑質控。
A智慧醫療政策持續利好，未來CDSS發展前景佳：根據蛋殼研究院釋出資料顯示，2019年涉及CDSS産品或服務的項目招投标達到42項，随着智慧醫療政策的利好，未來涉及CDSS項目将會持續增加。
圖35：2015-2019年CDSS項目招投标情況
4.3 視網膜影像識别助力慢病診療
視網膜影像在臨床中應用廣泛。視網膜是人體中唯一一個能以非侵入方式直接觀測血管和神經細胞的部位。可通過觀察眼底血管及神經細胞的變化等表征，檢測、診斷及評估慢性病的風險，具體包括：眼部疾病：糖尿病視網膜病變、病理性近視、視網膜靜脈阻塞、青光眼及年齡相關性黃斑變性；其他慢性病：高血壓、糖尿病、ICVD、帕金森氏病及貧血症。全球已有多款人工智能視網膜影像識别醫療裝置産品完成注冊。
圖36：人工智能視網膜影像識别産品/軟體
人工智能視網膜醫學影像識别技術市場潛力巨大。
醫療健康場景：相比傳統視網膜影像方法，人工智能視網膜影像識别技術具有高診斷效率和高診斷準确性的優勢，能夠幫助醫生縮短圖像分析時間，有效地降低醫療成本減緩醫療資源的不均衡。
大健康場景：人工智能視網膜醫學影像識别技術可為大健康客戶提供定制化産品及服務，滿足客戶健康風險評估及管理需求。
圖36：人工智能視網膜醫學影像市場規模 （2019年至2030年（預計）
五、智慧醫療行業痛點與展望
5.1 線上醫療
行業痛點：
- 醫療需求可觀但線上醫療的市場認可度低，企業缺乏清晰的盈利模式。
從目前國内就醫現狀來看，供小于求的市場結構是形成看病難、看病貴的直接因素，而醫療需求相對而言是剛性需求，加之以政府對醫療經濟體系的調控和監管，市場需求不會因為資源的緊缺和價格的改變而有太大的變動，在慢性病減齡化的趨勢下，剛性需求規模和結構也逐漸膨脹，醫療需求隻增不減，醫療需求的持續增長也是衍生線上醫療行業的動力。
然而醫療行業資源導向性的特點為初創企業和跨界企業建立高壁壘，安全性和真實性是醫療行業消費者關注的重要因素，而這兩個特征恰恰也是網際網路行業的短闆。線上醫療起步于免費的診療咨詢，在免費咨詢階段，消費者出于好奇或獲利心态接觸線上醫療 APP，但消費者對線上問診平台并未給予足夠的信任，線上醫療APP并未成為實體醫院的替代品，是以轉為收費模式的線上醫療企業很難在診療服務業務方面開拓更大市場，重點收費項目隻能依靠挂号業務和醫院資訊系統服務等方面，很多網際網路醫療企業仍然沒有找到合理的盈利模式。
（2）資料共享障礙一定程度上限制了線上醫療行業發展深度。
中國醫療體系每個個體的資料呈現分散化特點，資料之間難以形成有效的共享流通機制。迫于醫療資料長期以來非開放性、難标準化特點，一方面醫生無法獲得患者以往就診的全面資料進行深度診斷，另一方面線上醫療企業獲得的資料碎片化現象嚴重導緻所謂的大資料分析隻能停留在表面。是以就診的基礎則需要首診資料和以往病史的研究分析，如何在業務範圍内與醫院資訊系統打通共享部分資料、統一疾病标準是線上醫療面臨的重要課題。
（3）線上就醫報帳困難，醫保支付問題直接影響消費行為
線上醫療行業熱度大于消費、就醫患者屈指可數的原因一方面在于消費信任問題，另一方面報帳問題也讓衆多消費者望而卻步。銀川能吸引大量的線上醫療企業在當地開展網際網路醫院業務與當地政府政策息息相關。
未來展望：
線上醫療行業将重新洗牌、回歸醫療本質，應盡快推動行業标準規範和健康檔案資料庫的建立，出台線上醫療領域的醫保報帳政策。現階段醫療行業最主要的沖突即是供求失衡問題，線上醫療行業未來需就市場需求落地模式，停留在概念熱炒、資本驅動的模式終究無法長久。以市場需求為導向的業務模式會給企業注入源源不斷的活力，也是醫療機構對外合作的基礎。
目前線上醫療行業業務模式大多類似且多注重挂号、咨詢類業務，未來企業應該找準市場定位，尋找不同類型人群的需求差異，融合線上醫療産業上下遊優勢提供精準服務，解決客戶在醫療方面的真正需求。而這一模式的改進離不開行業标準規範的支援。基于統一的行業規範，設定機構及其業務最低标準和等級水準，厘清不同機構責任制度，保障患者安全和隐私權益，企業開展業務将有規則可循，是行業健康發展的基礎，也是客戶認可企業的依據。實作個人健康資料的可查詢和資料結構标準化，實作醫療機構之間資訊共享進而推動社會資本在線上診療的投資。
5.2 AI 醫學影像
行業痛點：
（1）資料基礎薄弱，應用範圍和效果有限。
AI 在醫療領域的應用離不開資料的支援，目前國内在醫療資料方面存在一系列問題：第一，醫院數字化水準發展程度不一，偏遠地區或基層醫院 IT 系統建設落後，資料存儲量較少，很多基層醫院網絡不通，或是隻有傳統的 ADSL 非對稱式網絡，基礎裝置也比較落後，導緻資料存儲出現障礙，同時醫生手寫或其他線下記錄的方式錄入患者資料難以被計算機識别和分析，由此資料缺乏共享和再利用管道。
（2）AI與醫學跨界人才匮乏，行業發展程序緩慢。
人工智能正在從實驗室走向醫學臨床應用，處于産業大突破前的技術沖刺和應用摸索時期。在這個階段，能夠推動技術突破和創造性應用的高端人才對産業發展起着至關重要的作用。理想的人才應該同時在醫學、計算機和數學三個方面都有深厚的知識積累，并有足夠的研發能力。
醫療AI的發展，與人才數量和品質息息相關。具體來看，醫療AI需要兩個方面的人才，分别是醫學人才和AI人才，最需要的是既懂醫學又懂AI的跨界人才。應用及平台開發者不僅要研究人工智能算法，更要對醫療專業知識有深入了解，人工智能+醫療的複合背景人才是企業的核心競争力。
但是，高品質的醫學人才和AI人才都非常稀缺，具備兩方面能力的綜合型人才更是鳳毛菱角。一方面，醫生往往知識結構比較單一，極少具有跨學科學習背景，在資料處理、工科經驗、系統開發等方面很不足，具有AI研發能力的醫生非常少。另一方面，AI算法人才本身就很少，并且他們普遍缺乏IT系統的工程開發和實施經驗，醫學知識也很匮乏。目前整個醫療AI行業都面臨嚴重的人才短缺問題，尤其是同時具備醫學、計算機、數學研發能力的交叉型人才非常稀缺，這嚴重阻礙了醫療AI行業的發展，拖慢了行業發展速度。
（3）行業缺乏政策和法律标準，相關群體責任劃分不明确。
根據國家食品藥品監督管理總局（CFDA）釋出的新版《醫療器械分類目錄》，若診斷軟體通過算法提供診斷建議，僅有輔助診斷功能，不直接給出診斷結論，則申報二類醫療器械，如果對病變部位進行自動識别，并提供明确診斷提示，則按照第三類醫療器械管理。第二類器械有臨床試驗豁免目錄，診斷軟體申報是否能夠享受豁免，CFDA還沒有做出具體的規範。各個醫療AI公司要打通醫院采購這條路，就必須獲得CFDA認證。而要走通CFDA的認證的流程，不僅有諸多的審批環節，還有漫長的臨床試驗，這需要持續的資源投入，對于初創的醫療AI企業而言是顯而易見的負擔，影響其商業化程序。另一方面，醫療AI企業也面臨潛在的法律風險。關于AI還沒有明确的法律界定，更沒有形成完備的法律體系。
當醫療AI産品進行大面積普及後，一旦發生醫療事故，責任認定将是一個棘手的問題。對于AI系統，人們抱有很高的期望，比如診斷準确率要達到100%，不能出現任何的失誤。即使是資深的醫療專家，也不可能達到零失誤的水準，對于AI系統如此嚴苛的要求并不合理。是以，AI醫療影像的發展需要從政策和法律層面給予嚴格的标準，在限定範圍規範市場的同時也為企業的發展指明方向。
未來展望：
雲+AI成為主要模式，應重點發揮并深化人工智能在影像領域的輔助作用。雲計算、大資料與AI是一脈相承的，存在着密切的關系。醫院資訊系統與雲系統的對接可以實作醫院内部不同科室之間、不同醫院之間甚至是跨省醫療機構之間的資料共享，大量實時的醫療資料在“雲端”彙聚，為AI系統的訓練提供資料基礎。雲端資料中心，承擔起AI模型訓練的任務。醫療資料将從各個醫院實時傳輸到雲端，大大加快新病種AI模型開發和原有模型優化的進度。當研發出新病種AI模型，或者原有病種模型有重大更新時，隻需要在雲端進行系統更新，最新的醫療AI服務可以同時觸達所有部署應用端的醫院。
分級診療政策的推進促進醫聯體和區域影像中心等第三方醫療機構的普及。借助于醫療雲平台，上下級醫院之間能實作資料互通，進而為轉診奠定基礎。一般的疾病可以在基層醫療機構治療，患嚴重疾病的患者轉診到大醫院，并能及時将患者資訊同步到該醫院。基礎醫療機構的醫學影像可以上傳到上級醫療機構或者區域影像中心，讓影像中心醫生在AI系統的輔助下進行高效閱片。
5.3 數字人
行業痛點：
資訊的非标準化和傳統醫學的模糊診療理念使得數字人程序遲緩。無論是采集病人體征資訊，症狀資訊，還是病人主訴資訊，都是模拟資訊（analog）,這就使得數字化這些資訊的難度增大。是以，人們以各自定義模拟資訊與數字之間的關系來解決這個問題。行業沒有标準化的方法來數字化臨床病曆資訊，這同樣是人工智能面對模拟臨床資訊的困境。病人對于數字化資訊期待較多，這是因為數字化浪潮在過去十幾年中，已經在各行各業普及開來。人們的生活已經越來越被數字包圍。但是，醫療機構對于數字化程序推進較慢，再加上診療規範的約定，醫療行業監管的嚴謹性也制約了數字化技術在醫療行業的應用。
了解人體本來就是很模糊的，特别是針對疾病狀态，是以以模拟資訊作為模糊狀态的展現形式自醫學起始就一直為世人接受。西方醫學由于将數學，實體，化學，生物學等基礎學科融合起來解決問題，有較好的數字化基礎。中國的傳統醫學就大不一樣了。中醫的模糊概念遠勝于西醫，這就使得中醫數字化更加困難。甚至人們已經熟悉了中醫的模糊診療方法，一旦數字化地進行解釋，反倒讓人們難以接受。諸如寒熱概念就無法用溫度高低來解釋，表裡概念也無法用實體丈量法來說明。盡管如此，數字化的采集人體資料，将人的全部資訊整理分析形成完整的數字人，依然是被期待的。線上醫療、人工智能醫療服務、藥物研發、機器人的應用無不對數字人有巨大的依賴。可以這樣認為，數字人的發展将推動整個大健康産業的進步。是以解決數字人發展所面臨的瓶頸迫在眉睫。
未來展望：
建設系統化的數字人備份資訊是智慧醫療的發展基礎。數字化浪潮正在推動各個行業的發展，醫療行業的數字化将以數字人為基礎得以快速發展。可以預料，數字人備份将會伴随每一個人。有了數字人的備份，通過雲端的存儲和計算，一個人在尋求治療疾病的時候，數字人對于這個診療将是必備的基礎。有了數字人備份，網際網路醫療将成為巨大的應用場所，人人都可以通過雲端的數字交流将人體健康資訊和診療建議結合起來，便捷地擷取診斷和治療結果。
數字人将使精準醫學和個性化診療成為普遍的應用領域。數字的精準度将遠遠超過模拟資訊，讓診斷更精準，治療更加個性化。數字人是人工智能在醫學中應用的基礎架構。人工智能在機器學習甚至語言标注過程中都要依賴數字的資訊。人工智能化的醫學實踐将造就智能醫生。智能醫生需要數字人的進入作為診療對象或者輔助。智能醫生将為大健康産業的解決一系列的問題：醫生短缺、醫術參差不齊、醫療資訊非标準化、診療精準度等。智能機器人需要數字人作為對話的對象。智能決策體系需要大資料分析，是以數字人将是大資料的基礎單元。是以打造數字人，建設系統化的數字人備份是智慧醫療的必要元素。
5.4 虛拟助手
行業痛點：
語義關聯和标準化術語影響虛拟助手判斷的準确性。語句标準化問題不論是對于患者還是醫生都是顯著存在的。每個醫生都有自己的病曆書寫習慣，各自在疾病的表述方式方面有略微差别，有的簡寫，有的寫英文，有的寫疾病大類，有的寫具體症狀；而患者對自己的身體狀況和所患疾病隻認識哪裡不舒服或疼痛，對于病症的表述有時候并不準确甚至會出現錯誤，且難以自主想到關聯的生活習慣以及一些看似無關的病症以至于會忽略關鍵資訊，而事實上同一種病症往往會産生不同部位的并發症狀。
來自醫生非标準化表達影響電子病曆錄入的準确性和病曆庫的結構化，來自患者的非标準化表述和資訊缺失情況直接影響疾病判斷結果。為減少這類情況的發生，很多公司開發的虛拟助手采用選擇的方式與應用對象進行溝通，但從另一個角度來講這種溝通方式需要大量的題庫儲備，應用範圍有限。
資料擷取難度大，缺乏合理化使用标準。近年來市場上的網際網路醫療企業層出不窮，與醫院之間的合作也越來越多。總體來看，醫院對外合作較為保守，這與其本身業務性質和機關屬性有關，醫療資料事關生命安全和病人隐私，醫院在資料的合作需要確定患者的資料安全和隐私。目前來說 AI 醫學影像企業與醫院合作較多，其對應疾病較為單一，而虛拟助手涉及到大量的疾病類型和知識存儲，其發展和應用需要一定的時間和資料積累，市場應用度相對來說較弱，直覺效應不明顯，企業在擷取資料方面遇到一定的阻力。此外，資料使用的倫理問題等待标準的出台。目前有關部門對于醫療資料的可使用範圍、合理用途、使用對象、使用期限等方面均未出台細緻的規定，這也使醫院與企業之間的合作成果收效甚微。
未來展望：
虛拟助手的發展需注重建立完整的知識圖譜，發揮預判和咨詢作用。未來虛拟助手在醫療領域的應用不應當隻是充當聊天機器人的角色，而需要基于醫學本身為使用者解決真正的需求。醫療行業專業屬性較強，要想實作與使用者的深度交流和協助，就需要建立全面的醫療資料知識庫，這也是虛拟助手發展的基礎。對于虛拟助手的定位不能太高，否則容易引發醫患沖突；也不能太低，否則作用不大失去了存在的意義。
虛拟助手應該成為輔助醫生和患者的工具，在醫生診斷之前對患者的基本情況進行一定的評估，提前預知可能出現的疑難雜症并準備，合理規劃看病時間，避免出現一個出診時間段内前期單個患者看病時間過長、後期時間過短的狀況。對于患者而言，虛拟助手需要發揮其健康管理、醫學知識咨詢、症狀初診的作用，為患者進行健康知識普及、指導就診科室、提醒就診前準備和注意事項。
5.5 AI健康管理
行業痛點：
健康管理支付尚未形成清晰體系，企業盈利模式待完善。目前保險公司對客戶的健康管理服務、企業對員工的健康管理服務大多停留在體檢方面，且并不常見，除此之外的健康管理服務大多是個人付費。人工智能在健康管理領域的介入不可避免地要涉及到付費問題，如果隻是單純地個人付費，那對于企業來說其盈利前景并不樂觀。至少在目前國内消費水準日漸上升的形勢和公衆健康意識薄弱的情況下，toC 端付費模式下消費者對于健康管理難以快速明顯地看到成效，市場接受度有限。AI 健康管理企業盈利模式目前還有待完善：toC 或是 toB 模式更為成熟?toB 模式下重點面向對象是政府還是保險公司或是一般企業？合作對象是否超脫于政府、患者、醫院和保險機構之外？這些都是AI 健康管理企業市場化發展需要考慮的重要問題。
未來展望：
未來 AI 健康管理應該根據個體情況制定個性化标準，關聯相關産業實作業務更新。傳統意義上的身體名額健康水準是在大資料的基礎上根據一定的機率得出，但事實上每個人的生活習慣、環境條件、基因組成、遺傳病史等都不一樣，以普遍統一的标準去衡量所有人的健康水準是不完全準确的。未來 AI 健康管理的應該是基于人體的基因、遺傳、生活方式等因素制定個性化的健康管理方案并實時監測和預警。一方面可以與醫療機構對接，及時應對一些臨時突發狀況，對于需要急救的患者以最快的速度将其送至附近的醫院；同時，以 AI 技術為核心的健康管理企業可以此開展跨行業合作實作不同智能化應用場景的合理化資料積累和關聯支援，比如在智能家居、智能終端裝置等領域的戰略合作打通個人基礎資料和生活習慣資料，智能穿戴裝置的合作融合健康資料制定更合理化的健康方案。
5.6 AI藥物研發
行業痛點：
人工智能“黑匣子”特征影響研發者對于 AI 藥物研發的認可，性能監控問題是焦點。傳統意義上的藥物研發需要理清靶點發現、化合物篩選等過程的産生機理，保證研發過程的邏輯嚴密性。人工智能參與下的藥物研發是難以解釋的，且需要大量的資料積累，這也是目前人工智能在藥物研發暫無成熟産品落地的關鍵因素。未來對于 AI 藥物研發的監管和進入準則是否會與傳統的人工藥物研發有很大差別還是未知數，藥物發現的基礎在于對疾病的準确認識和了解，人工智能是否能準确了解疾病并得出合理的研發方案需要大資料的支援和算法的成熟。新技術下的藥物研發以怎樣的形式和背書進入市場、如何保證藥物的安全性和有效性都是值得深思的問題，也是真正落地前需要确認的問題。
未來展望：
人工智能在藥物研發方面的應用目前還處于導入期，未來小型藥企和國内藥企有望獲得削弱外企長期壟斷的程度，生态系統各角色協同發展是關鍵管道。如果說人工智能在其他領域的應用是為了減少醫生負擔、提高患者滿意度，AI 藥物研發的最終目的則是提高生産力。藥物研發的複雜性和長期性也使得目前人工智能公司在該領域的涉足較少、進展較慢。相對于大型外企來說，小型企業靈活性更強，受到的内部牽制力和市場關注度較弱，更有利于其開展個性化創新。
外企規模大、審批機制繁瑣，同時受到市場嚴格的監督，在新技術下的轉型更新程序較為緩慢。以人工智能技術為核心的新興藥物研發方式也給了國内藥企彎道超車的機會。但要想實作 AI 藥物研發的快速發展還需要醫療生态系統内部和新興資訊技術公司各個成員角色的協同互助，例如共享資料建立科學的知識圖譜和病曆資料庫，資料類型如基因組學資料、生物組學資料、蛋白質組學資料等；或是技術公司與藥企聯合開發藥物研發模型等，新技術下未知性和挑戰很多，形成合作聯盟才能更快地實作共赢。
來源：三澤研究院，侵權必删！