当前位置:首页 > 【图】对话湘雅医院黄伟红:“ 医疗+AI+BD”的商业化困局,落地难题如何化解?_搜狐科技_搜狐网

【图】对话湘雅医院黄伟红:“ 医疗+AI+BD”的商业化困局,落地难题如何化解?_搜狐科技_搜狐网

时间:来源:AI掘金志

原标题:对话湘雅医院黄伟红:“ 医疗+AI+BD”的商业化困局,落地难题如何化解?_搜狐科技_搜狐网

原标题:对话湘雅医院黄伟红:“ 医疗+AI+BD”的商业化困局,落地难题如何化解?

如何让“医疗+AI+BD”产品落地并产生盈利一直是企业面临的困难。

AI+医疗产业化的前提是积累足够多的场景数据,从而形成有效的解决方案。

但国内的医疗大数据一直存在应用障碍,信息孤岛现象明显。核心数据——临床诊疗数据,分散在各家医院封闭的体系中,数据的使用权、归属权一直没有明晰,导致AI+BD的商业化运营一直是难题。

考虑到上述问题,企业也纷纷和学界携手,产学研联合成立的大数据和人工智能实验室也在不断铺陈。

基于此,雷锋网AI掘金志采访了中南大学湘雅医院移动医疗教育部-中国移动联合实验室副主任黄伟红教授,深入探讨“医疗+AI+BD”的产品落地。

研究方向来自于临床需求

中南大学湘雅医院"移动医疗"教育部-中国移动联合实验室是由教育部主管,中国移动通信集团公司战略支持,依托中南大学建设的重点行业科研创新、交叉学科人才培养与校企协同创新示范基地之一。

实验室成立的目的之一就是为了探索医疗信息这一交叉学科如何落地;医疗需求如何从医疗一线走向科研和技术前沿;合作成果如何实现转化创造效益。

黄伟红,教授,中南大学湘雅医院移动医疗教育部-中国移动联合实验室副主任,计算机专业博士、博士后,曾在英国大学任教十余年,从事移动医疗技术研究与应用。现为湖南省健康管理学会信息管理专业委员会主任委员、中国卫生信息学会医疗健康大数据评估与保障专委会常务委员。

日前,黄教授在接受雷锋网AI掘金志的采访时透露了实验室现在的工作方向:尝试利用新信息技术去解决现有医疗问题。

“我们最重要的工作是信息化与临床研究深度融合,协助临床人员整理需求,运用人工智能技术加以实现,尤其是研究型医院的专科化需求更具有前瞻性,这与传统信息系统着眼于解决日常管理流程的问题不同。”

但是他也表示,目前专科的智能化、数据挖掘做的还不够。“我希望,未来我们的技术可以更加通用化,让所有的医院都成为大数据体系和价值提升的一部分。”

黄教授透露,目前实验室不少研究方向的思路都来源于临床的实际需求,例如智能病史收集平台、门诊血透病人和住院病人的AKI(急性肾损伤)的智能指标监控预警系统、皮瓣护理智能监控以及多模态智能影像控制系统。 “因此,我们的这一系列工作都是为了让医生和护士的工作更加高效、更加有标准、更加有质量。如果这些智能化技术可以得到应用,将会对目前的医疗和流程带来革命性变化。”

黄教授认为,信息技术与医疗的深度融合将会为极大提升人们在医疗保健上的获得感,为各方面的条件都已经趋于成熟:

· 信息技术与数据处理技术的快速进步已经为医疗智能化提供了决策支持基础

· 可穿戴设备与物联网设备的进步为医疗智能化提供了更大的数据基础

· 云计算和区块链技术的进步为医疗智能化提供了算力和安全基础

· 互联网、大数据和智能诊疗等先进融合理念已经从各个层面深入人心

医疗大数据的落地难点

据了解,中南大学所属的湘雅医院、湘雅二医院、湘雅三医院、每年的门急诊量达1000多万人次,总病床数1.1万多张,每年大中型手术超过20万台次,年出院病人约36万人次,医疗体量庞大,产生的医疗数据也非常庞大。湘雅医疗大数据平台汇聚的三家医院数据涉及了医院的主体业务,有的业务数据时间跨度长达10年以上,不仅实现了历史数据离线汇聚,而且实现了增量数据的按天同步。

在大数据发挥作用之前,最先起步的是数据的融合贯通。虽然当前每个医疗机构都拥有自己的信息系统,但是融合贯通并不容易。医疗大数据为何落地难?黄教授总结为以下几点:

· 数据采集难:如何为医疗大数据采集有效的高质量的数据

· 数据处理难:如何为多源异构数据进行预处理和标准化

· 应用突破难:如何实现医生自觉参与的应用场景来驱动落地

· 商业模式难:如何实现可持续发展而非一味投入产出甚微

· 安全治理难:如何保证数据安全、隐私保护以及个人单位权益

国家卫计委统计信息中心副主任王才有曾经在不同的场合表示,“医疗数据做完了,也管不了社保的信息,即便管得了本地信息也管不了外地信息,但是患者是移动的。正是由于这种特点,需要通过平台来实现这种不同系统之间的信息共享和业务协同,简单理解就是一个多功能插座,无论什么样的插头,你往这儿一插,电就可以过来,这就是平台的主要作用。”

黄教授在采访中也表示,大家现在都已经不提大数据,因为这已经成为共识,实验室想要做的数据方面工作是进行数据接口的智能化。“不见得我在基层二级拍的片子到北京的顶级医院就能用,不同的影像云平台也无法实现互联互通,病人还是需要再口述一遍,我们可以做的就是利用人工智能的技术把类似于病史收集之类的工作前移,让医生在见到患者之前就已经了解患者的状况。”

他认为,医疗大数据应该是一种系统思维。“成功的医疗大数据应用不是指简单地使用一个新技术、新系统,而是要把一系列的技术、人员和流程都无缝衔接起来,包括数据获取、数据清洗、数据查询、数据分析、数据可视化等,最终走向真正的临床应用。”

如何让躺在医院的那些信息活起来,如何调动拥有这些信息的人的积极性,将是促动大数据融合的关键。“大数据的应用在医院中需要形成一种数据驱动的文化。只有数据有序流动起来了,数据才能够发挥最大的价值。”在可预见的未来,当个人的医疗和健康数据得到全生命周期的完整存储、自然展现和安全交换时,就是个人生命数据的价值得到体现并融合到落地应用中去的时候。

目前大数据平台和人工智能技术非常有意义的一点是在基层的临床医疗实践中发挥作用。他说到,以病理为例,湘雅医院每年要做数千例的远程病理。远程病理解决的是病理医师培养难和下级医院病理医生不足的痛点。而目前实验室与湘雅医院病理科正在推进的是术中快速病理和智能病理,这两大技术进步将使得术中病理读片和报告时间从48小时缩短到30分钟,最后到智能病理分析的数分钟,这样从分级诊疗和基层资源补充的角度,可以让基层医院享受到上级医院的宝贵资源。

企业不要“各自为政”

“医疗+AI”正在成为资本市场的新宠,虽然人工智能技术商用尚处于萌芽状态,但吸引了大量投资者的目光,医疗市场是人工智能规模最大以及增长最快的领域之一。国内有数据显示,2014到2016年每年新成立的人工智能医疗企业分别达到24、37和36家,与2013年4家相比发展迅猛。

尽管发展迅速,但“医疗+AI”还有不少问题需要引起重视,在解决这些问题的道路上,人工智能医疗企业还需要做好哪些事情?

对于AI企业的未来发展,黄教授认为一个公司不可能在多个场景里包打天下,选好并深耕垂直方向才是做好技术的第一步。

他认为,企业要多和医院的医生沟通,而且要保持开放合作的态度,不要各自为政,数据来源于临床一线的医生,因此企业必须要和医院和行业的主管单位形成积极的对话和交流,“算法不是大问题,内容才是问题的关键,例如基础临床数据的质量怎么保证,又比如说病理数据标注的正确与否,这才是医疗数据的价值基础。企业要关注自身在这方面的积累。”

政府在监管层面可以做好哪些工作?

“AI在医疗中的应用一定要比上一波移动医疗的风暴来得更加慎重,因为AI在辅助医疗环节中承担的责任要很明确,移动医疗时代没有介入诊疗环节,现在AI一旦介入诊疗的环节,我们就要非常严肃地去对待。”

黄教授的观点或许也是人工智能未来在医疗行业应用的最大问题:在临床诊疗过程中,人工智能如果真的能取代医生进行决策,万一0.1%概率的医疗差错出现,医疗责任主体又该如何确定?行业的发展又该如何解决监管的问题?

在关键的医疗伦理、权利归属等问题上,政府在监管层面该如何处理。黄教授认为,医疗+AI的发展,在政府监管和引导层面,按照优先级和重要性从高到低可以走这几个方向:

1、法律与责任

首先针对AI现阶段(至少十年内)的应用加以强制规范,理清智能诊疗的责任归属问题,医院、医生、厂家?这个问题可以开放性讨论,但是可以预计的是AI相关医疗信息化项目的准入门槛会更高,因为这是诊疗不是信息管理,所以厂家不应该完全撇清关系,而医生作为医疗行为的执行者,需要强制性地人工确认(比如说病理,万分之一的机器失误对个人来说却是百分百的痛苦),所以医院和医生还需像传统的体系那样承担相应的法律责任。而没有医生参与的智能诊疗行为,因为不好界定法律责任边界,厂家自然不愿意轻易承担,所以这方面的自由发展,国家不应鼓励。

2、质控与安全

未来近期的智能诊疗的辅助性质不会轻易改变,但是AI辅助系统如果想尝试“独立行医",则需要对其进行与传统体系一样的质控,甚至重新提出更高的要求(因为机器可以不受生理和学习容量的限制),达不到标准的不应给予准入(质控)。而对于AI辅助系统本身,由于其目的明确和责任清晰,应该可以鼓励大力提升实践水平,提高医生工作的质量和效率,这也是符合全民健康的大局的。至于说如何进行质控,可以参照现有体系分区进行(医药护技,还有感控、信息等等),具体的可以深入讨论。

关于安全,监管可以分几个维度进行,一是患者临床数据的安全存储和传输,AI应用很多要上云端的安全保障,基础数据安全如何保证,保护机制如何建立,这个需要讨论。二是AI功能模块的安全,是否经过国家统一的黑盒测试才获批进入临床诊疗体系,给医生做辅助的技术和算法可以千千万,但是提供辅助功能的模块本身要经得起多方考验。三是AI信息系统的安全,这就临床像信息系统的备份一样,要充分考虑到AI系统融入现在的医疗流程之后,可能造成的影响和一旦出现故障和问题时的预案。

3、评估与测试

这是技术决策支持的重要手段之一,国家授权相关的学术组织和团体,对AI辅助诊疗技术和系统产品进行统一归口测评,为监管和准入的科学决策提供支持,也为未来相关的标准化规范化工作打下基础,这也是我国医疗智能化领域可能领先于其它国家的重要途径,要提前布局。形成统一的基准(benchmark)和 规范之后,就会对业界和医院及科研机构都产生约束力,而晚了就会错失机会。这些工作都是为了更好地规范智能应用,让医疗健康数据和数据的处理及结果能够尽量地互联互通(这个问题现阶段似乎很难解决,或者说成本极高),为更便利高质高效的医疗和患者用户体验服务,也是信息化服务于"健康中国"战略的重要落地支撑抓手。

结语与展望

大数据和人工智能技术是未来数据医疗时代的核心技术,移动医疗教育部-中国移动联合实验室作为我国医院信息化行业内唯一的一家教育部重点实验室,需要担负起引领技术创新的责任,同时也期望能在主管部门和广大兄弟单位的支持下成为一个更具影响力的平台。在谈到未来的平台工作规划的时候,黄伟红教授表示,实验室将会扎根临床,将临床和健康的需求作为实验室的科研驱动力,为学界和业界搭建学术和创新交流平台。今年9月份时,实验室就和湖南省健康管理学会信息管理专业委员会联合主办了2017湖南智慧医疗创新大赛,获得了业界广泛关注和支持。未来在中国医院协会信息管理专业委员会(CHIMA)和中南大学的支持下,黄伟红教授想把这个创新大赛办得更大一点。

同时,实验室也希望成为业界的新技术的实验展示和交流平台,实验室以第三方的角色让不同的技术得到测试和检验。此外,黄伟红教授计划实验室未来会发布一些有公信力的技术报告,推动整个行业的健康成长。

最后,实验室还将加强面向基层医院和人员的培训和交流,让更多的人了解临床的信息化、临床的智能化。进而提升基层医院和医生的临床诊疗水平。国家要建立基层医疗体系,但是体系的建立与能力的培养,信息化都大有可为。如何给体系赋能?第一个,下乡;第二个,培训。”我们想通过这种方式将实验室打造成湖南以及周边地区的一个交流平台,通过交流活动、示范推广和技术帮扶,将新的技术和成熟的经验介绍给广大基层医生。

雷锋网AI掘金志团队招募全新启动!

职位:AI商业化方向采编

岗位职责:

1.采访企业首席数据官(CDO)和首席信息官(CIO)。

2.采编医疗、安防等传统行业的公司(甲方)应用人工智能与大数据的案例。

3.报道人工智能公司(乙方)与传统公司的技术与商业合作项目。

人工智能商业化落地进度远不及AI技术的革新,究其原因,AI技术供应商(乙方)不明确自己的技术可服务于谁,传统机构(甲方)不懂如何有效利用人工智能与大数据提升效率。

于是雷锋网先行,通过采编对甲、乙方参考价值巨大的人工智能商业合作项目与案例,面向企业CDO与CIO,从而服务“AI技术输出者”和“AI技术消费者”:助力AI公司寻找最有价值的潜在传统客户与商业化落地路径,帮助传统企业选择与开发适合自己的AI产品和技术方案,消除AI公司与传统企业之间的信息不对称,推动人工智能的商业化浪潮。

工作地点深圳、北京可选,简历投递至 wangyafeng@leiphone.com。返回搜狐,查看更多

责任编辑:

Copyright © 2009-2017 52yueyu.com 版权所有