人工智能在医疗行业应用的三大场景，信任如何建立

看病难，再难也都要往大医院跑

今年初，一篇《流感下的北京中年》刷爆朋友圈，也道出了当前国人生病后面临的种种无奈。作者的岳父不慎得了流感，最初没当大事选择了就近治疗，结果病情日益严重。等辗转来到大医院，医生发现感染已深入肺部、并且难以确定病毒类型。尽管经过了ICU一系列治疗，仍然无力回天，患者最终撒手人寰。看似简单的流感，不到一个月时间就夺了人的性命、乃至毁了一个家庭的幸福生活。

这样的过程和结局让人唏嘘、更让人共鸣：看病太难了。

当然，这个“难”不是指医疗机构少。从总数看，目前我国各级医疗机构共有99.3万个，比美国的78.5万个还多；从平均覆盖人口数看，我国平均每个医疗机构覆盖1400人，与日本的1155人基本相当。

“看病难”的真正原因，在于医疗机构分布极度不平衡。

拥有优质医疗资源的高等级医院数量有限，且主要集中在经济发达的大城市；而中、低等级的医疗机构虽然数量庞大、但医疗资源和能力不足。国人生了病，往往不信任周边的低等级医疗机构，再难也都情愿往大医院跑。对大部分人而言，大医院意味着“有保障”和“少折腾”。

就拿去年年末的流感高发季来说，一方面是各地儿童医院纷纷爆满，排队候诊需要好几个、甚至十几个小时；另一方面是很多社区医院依旧冷清，看病就医的人极为有限。

这种病人都往大医院跑的“虹吸效应”，背后反映的其实是医疗服务体系设计和管理的问题。计划经济时代我国建立起的三级医疗服务体系，越来越不能与日益丰富的市场经济环境相匹配。

分析其原因，一从需求角度出发，随着国人收入的增加、交通日益便利等，病患有更强的意愿和能力寻找优质的医疗资源，为了求好医越来越不计成本，通过传统的医疗服务等级差异定价进行市场协调的手段日益失灵。

二从供给角度出发，现实中对基层和高级医疗机构的二元补偿机制，导致并强化了医疗资源配置的“倒三角”结构。对高级、大型医疗机构采取的是财政差额补偿和医保按服务项目付费的方式，治疗病人的数量与收入直接相关，使得这些机构对病人的态度是“多多益善”；而对基层医疗机构采取的则是收支两条线和基本药物制度，治疗病人的数量多少基本不影响收入，导致这些机构对病人态度消极，甚至出现“不愿治”、“情愿放”等情况。

分级诊疗，光靠行政手段很难落地

“分级诊疗”被认为是解决目前“看病难”问题的最佳方案。所谓“分级诊疗”，就是按照疾病的轻重缓急及治疗的难易程度进行分级，不同级别的医疗机构承担不同疾病的治疗。这种模式源自西方且目前也正在西方各国被普及，其主要特点是“全科医生”和“专科医生”的划分与分工协同。

全科医生大多深入居民社区，私营各种社区诊所等基层医疗机构，负责百姓各类日常疾病问题的处理，并决定病人是否有必要送往专科医院；专科医生一般在各类专科医院坐诊，负责收治全科医生转送的病人，对其重大疾病进行治疗。在这种模式下，大量的全科医生处理了百姓80%的医疗问题，同时专科医生资源可以专注于20%的重大疾病救治，使得医疗资源与病患需求能够实现较为有效的匹配。

实际上我国早已开始分级诊疗的努力和尝试。国务院办公厅2015年9月就已印发了《关于推进分级诊疗制度建设的指导意见》，希望通过指导和推动分级诊疗体系的建立，实现各级病患需求和医疗资源之间更有效的匹配。随后各省市也进行了各项尝试，以探索分级诊疗建设落地的方法。

有行政强制类，如青海基于医保强制首诊和转诊的措施；有经济激励类，如青岛正确首诊可降低起付线、提高报销比例；还有引入私营类，如上海基于社区医院的家庭医生机制等。

虽然这些尝试起到了一定的探索作用，但效果还比较局部和有限。我们通过对比2015-2017三年间，不同等级医疗机构的平均诊疗人数发现，高等级医院（如三级甲等）仍源源不断地吸引着资源和患者，居民就医流向非但没有分散反而更加集中。

为什么分级诊疗这么难落地？

因为光依靠行政手段，不管是强制、还是激励，都无法解决分级诊疗面临的核心问题：优质医疗资源有限。分级诊疗的有效实施，特别需要大量的有能力、可信赖的全科医生，来覆盖和满足大部分人日常医疗的需求。

而这个体系的有效建立，不仅需要对医生进行全面培养，还需要医生与病患间建立稳定且信任的关系，这就需要大量的时间和成本投入，很难一蹴而就。西方国家如英国，通过近七十年、三代人的努力，才构建了今天的全民医疗服务体系。

好医生不够？人工智能补上的三大场景

既然好医生不够是核心问题，那么如何又快又好地建立起好医生队伍，就成为医疗行业发展的根本。而人工智能技术，恰好非常适合优化和加速这个过程。

医疗行业是一个存在大量数据、目前又特别依靠专家经验的行业。所谓诊断，大多是医生对病人的各种化验、影像等数据和信息的个人经验处理与判断。首先，人工智能特别适合快速高效处理海量数据，尤其能够分析出人无法察觉的数据差异，而这点差异可能就决定了对疾病的判断；其次通过机器学习，人工智能可将专家经验转换为算法模型，使得专家经验实现低成本复制，大量的基层医疗机构因此可能更方便地用人工智能专家进行诊断，这将有效支持分级诊疗的实现。

在人工智能技术的融入下，未来老百姓有望更快享受到“家-全-专”完整协同的三级系统化医疗服务，即人工智能+家庭医生/全科医生/专科医生三大角色的应用场景。

• 场景一：人工智能+家庭医生—健康监测

对大部分国人而言，拥有一个家庭医生基本上是不可能的。而随着亚健康、慢性病的情况越来越普遍，拥有了解自己健康情况、能长期提供治疗指导的家庭医生服务，又显得越来越有必要。人工智能技术对海量数据的处理能力，能够有效满足健康监测的需求，尤其对于患有慢性病的人群特别有用，可以有效降低其疾病风险和看病成本。

例如腾讯针对糖尿病患者推出的智能血糖仪“糖大夫”。这款外观酷似手机、具有防滑防抖设计的血糖仪，不仅达到了传统高端血糖仪的检测水平，还提供了传统设备所不具备的特殊功能：

1、实时记录。“糖大夫”能根据设置按时提醒用户采血测试，自动记录患者的血糖值，并生成可视化图表和报告便于用户监测；

2、互助提醒。扫描“糖大夫”开机二维码能实现与微信绑定，病人家属可通过绑定微信随时查询病人情况，提醒病人及时测量血糖，特别适合健忘的中老年群体；

3、动态预警。糖大夫会设置血糖监测的预警标准，一旦出现异常，就会从本机、且通过微信发出预警信息，有利于对病情及时处理。

4、在线指导。“糖大夫”后台建立了监测、饮食、运动等一系列指导信息，会根据情况推送给用户，让用户能够更好的应对各种情况。

 

“糖大夫”型产品的出现，实际上有望填补慢病管理服务市场的空白。过去慢病管理主要靠病人自己，而“糖大夫”则借助互联网和人工智能技术，将病人、家属和医生都拉入了慢病管理体系中，为各方都带来了益处。

首先是让用户更全面掌握病情，用户能够随时查看自己连续的数据记录和图表统计；其次让用户的家人更放心，能够通过微信随时监测用户的情况；最后让医生治疗更精准及时，医生能够更全面、实时了解病人的体征变化，并提出更有效的保健或治疗方案。

为了更好地提供慢病管理服务，“糖大夫”一方面与丁香园合力打造名医在线计划，使用户能够与清华、协和等医疗机构的知名医生直接对话，方便获得更专业的日常保健服务；另一方面基于患者的医疗大数据，“糖大夫”还与众安保险共同推出针对患者的康复激励保险服务，为“糖大夫”用户提供量身定做的保险计划以及优惠。

从远期看，“糖大夫”有望为中国慢病管理，探索出一套完整的“互联网+慢性病管理+保险+…”闭环模式。

• 场景二：人工智能+全科医生—辅助诊疗

分级诊疗体系的成功建立，需要重点补充大量全科医生，以满足广大群众中日常病患的处理。而目前我国基层医疗机构中，医生的学历、经验等普遍偏低，全科诊疗能力明显不足。利用人工智能学习和复制优秀医生的经验，补充并辅助基层医生的诊疗工作，是较快推动医疗体系落地的好办法。

例如腾讯觅影的AI辅诊系统，就是一个借助人工智能技术，能够根据病人症状描述，快速给出疾病判断和诊疗建议的智能系统。

其工作原理主要包括三步：?基于机器视觉和自然语言处理技术，学习、理解并归纳现有的医疗信息和数据（包括医学文献书籍、诊疗指南和病例等），自动构建出“医学知识图谱”；基于深度学习技术，系统自动学习海量临床诊断病例构建出“诊断模型”，实现根据症状输入、输出疾病判断和诊疗建议功能；实际参与诊断，对比专家医生的诊断结果进行模型优化。

腾讯觅影的AI辅诊，尤其对于缺乏专家等资源的基层医院特别有用。

一是能帮助提高疾病风险排查率，通过提供疾病的预测建议，降低基层医生对高危疾病漏诊的巨大风险；二是能帮助提高病案管理效率，目前国内的病案一般依赖病案室人力或数据公司整理，要投入大量的人力和资金，准确率也得不到保障。人工智能可以实现病案智能化管理，输出结构化病例，让医生从繁琐的病案工作中解脱，提升诊疗效率。

目前腾讯觅影AI辅诊已经能够识别预测500多种疾病，差不多覆盖了大部分科室，包括白内障、青光眼等常见病和肺癌、宫颈癌等重大疾病。诊疗风险预测准确率高达96%，已达到甚至超过普通医生的水平，能够有效补充和增强基层医生的诊疗能力。自去年8月至今，该系统已经在100多家三甲医院落地。未来有望与更多医院展开合作，让人工智能辅诊成为真正高效的“助理医生”。

• 场景三：人工智能+专科医生—疾病筛查

对专科医生、尤其是名医来说，海量需求带来的高强度工作是最头疼的问题。如何能够为这类医生节约时间，是人工智能最大的价值。因此在一些需要大量数据处理、重复性规律性较强的环节，可以借助人工智能的技术进行补充甚至替代。

例如腾讯觅影的AI影像，就是以人工智能训练学习海量的影像数据，实现进行对特定疾病智能筛查的系统。该系统能够有效助力医生提升筛查诊断效率，从而提高早期患者的治愈率和存活率。

其主要工作过程是：①把医疗传统影像系统里的患者影像，传送到AI影像系统中；②对图片进行预处理，包括去掉片子里拍到的其他部位、进行3D化增强等，形成机器可识别的图片；③将图片放到后台模型中判断该部分是否有病变，标识出病变位置，亮点越亮表示病变风险系数越高；④最关键的一步——分辨到底是炎症还是癌症，除了进行图像切分和识别外，还可能结合患病位置、大小、周围环境等其他信息，最终对病变进行判断，从而达到较高的识别准确性。

目前该系统已实现了对早期食管癌、早期胃癌、早期乳腺癌、糖尿病性视网膜病变等多种重大疾病的识别和诊断，每月可处理上百万张影像，准确率已达到较高水平（如食管癌90%、糖网97%）。

多家医院由此与腾讯觅影建立了科研合作关系，包括中山大学附属肿瘤医院、广东省第二人民医院、四川大学华西第二医院和第四医院等都加入了腾讯发起的人工智能医学影像联合实验室。未来计划将该系统整合到核磁共振等医疗仪器中，让病人检查完直接出结果，省去系统间图像的传输过程，实现更高效的病症筛查。

可见在分级诊疗的体系中，人工智能确实可以有效实现对医疗资源和能力（尤其是基层）的补充和强化，从而加快整个分疗体系的建设完善。

人工智能要当“医生”？信任建立是关键

当然人工智能要进入医疗行业，尤其是要承担部分甚至全部的医生职责，还面临很多挑战。其中最核心的问题，也是当前医疗行业最难建立的就是：信任，尤其是病人对医生的信任。

在过去的医疗体系改革进程中，商业化、市场化等负面影响逐渐增大，病人对医生“赚了钱治不好病”的问题越来越耿耿于怀，医患矛盾时有发生。往大医院跑成为病人的无奈选择，因为除了“名院名医”的招牌，没有更好的信任建立和维护手段。

人工智能需要在这个信用不太充分的行业，获得患者、医生乃至监管部门的信任，可以说非常困难，但这也是必经之路。推动信任建立，至少有四个方面值得研究探索：

一是技术信任。人工智能在医疗行业的应用，需要建立一系列的技术性能指标体系，并重点明确正式商用的指标水平要求，从而确保人工智能达到甚至超过人类医生的基准要求。比如疾病识别的敏感度、特异度、准确率等。

二是职责信任。人工智能使得传统人类医生的工作部分被智能机器接替，那么随之而来的问题是：这部分工作的质量和出错的风险应该由谁负责？是使用人工智能的医生？医院？还是人工智能供应商？……这种根据具体情况而有所差异的责任归属容易让人产生模糊感。因此需要重点明确责任归属的原则，以打消病人对“出了事找不到人”的顾虑。比如在有付费交易的情况下，可按直接发生交易的双方确认责任主体。病人付费给医院治疗，用了院方提供的人工智能服务，出现问题时应由院方对病人全权负责。

三是隐私信任。病人采用人工智能诊疗服务，需要提供大量的个人健康医疗信息。这些信息大多私密性较高，一旦泄露会对个人声誉乃至安全产生风险，在数据隐私重点保护范围之内。因此应用人工智能进行诊疗，需要与病人签订相关的数据隐私保密协议，让病人放心。比如协议中可明确规定，治疗期间所采集的个人数据，未经病人同意不得作其他用途等。

四是情感信任。疾病治疗并非仅是生理治疗，心理的、情感的疏导在病人的整个治疗过程中也非常重要。而目前由于医患资源的不匹配，医生对病人很少会进行有效的心理沟通和疏导，医患之间难以建立情感信任。而人工智能借助对病人个人情况的连续记录和洞察，有望提供个性化辅诊和陪护服务，从而成为医患情感信任建立的有益补充。因此对医疗行业而言，推动情感机器人发展，也是未来的一大重要方向。

希望未来的某一天，我们每个人都能拥有一个值得信赖的专属“医生”。在他的帮助下，病人不再需要挤破脑袋寻找名医、医生也不必心力交瘁地加班治病。如果能进一步打破机构间数据壁垒、更广泛有效地训练这个人工智能“医生”的话，相信这一天不会太远。

本文主要内容引自 36氪