医疗“人工智能”时代:健康大数据要怎么用?
2019-08-05
  无论对于医疗健康行业,还是对于医疗保险行业来说,健康大数据都是行业治理的基础设施和得力工具。

何为健康大数据?
  大数据是人民健康水平、国民健康战略的“晴雨表”和“指南针”。从这一总要求出发,广义的健康大数据可以从两个维度予以定义:

  一是涵盖人类个体产生的所有作为健康影响因素的数据,包括:生理大数据(含基因等多组学大数据)、心理大数据、环境健康大数据、生活方式大数据,等等。

  二是国民健康服务、国民健康保障这两大体系所产生的数据,包括:医疗机构大数据、公共卫生大数据、健康管理大数据、医疗保障大数据、商业保险大数据,等等。

  然而,我国健康大数据治理水平低、实际利用率低,难以形成健康绩效。

  一是多头监管:由国家卫生健康部门提出的“健康医疗大数据”(狭义健康大数据),尚未也无法将国家医保部门提出的“医保大数据”囊括其中,难以形成覆盖全生命周期、全方位需求的广义健康大数据,健康医疗大数据、养老大数据、社保医保大数据、商业保险大数据、生物多组学数据之间更是无法打通。

  二是数据质量低:来自智能监测设备(如:智能手环、智能血压计、智能血糖仪)的海量健康数据,在维度、精度、实时性、稳定性等方面难以达到医疗级应用,仅起到预警功能,无法用于临床诊断治疗。

谁来喂饱医疗AI?
  2017年,“人工智能”首次写入国务院《政府工作报告》,并上升为国家战略。国务院印发《新一代人工智能发展规划》,设置了“智能医疗”专门段落,提出:“探索智慧医院建设,开发人机协同的手术机器人、智能诊疗助手,研发柔性可穿戴、生物兼容的生理监测系统,研发人机协同临床智能诊疗方案,实现智能影像识别、病理分型和智能多学科会诊。基于人工智能开展大规模基因组识别、蛋白组学、代谢组学等研究和新药研发,推进医药监管智能化。加强流行病智能监测和防控。”

  随着新一代人工智能在医疗领域开展应用,对健康大数据(尤其是医院大数据)提出了更高要求。

  算法是人工智能产业的“皇冠”,但在临床应用环节面临着诸多未知数。自达特茅斯会议标志着人工智能诞生以来,人工智能发展经过了“三落三起”。最近一轮的人工智能崛起,深度学习、神经网络算法是其核心驱动力。

  据国家卫生健康委统计信息中心2018年调查数据显示,仍有多达一半以上的三级医院尚未开展大数据、智能应用。据国家心血管病中心对95家医院进行的问卷调查,有超过3成医院近3年来并未在医疗人工智能方面进行投入,投入上千万元的医院仅占比5.3%。

  大数据和人工智能行业对数据共享开放表达了困惑:一是数据共享水平有限,数据量、数据维度、数据精度受限,难以满足神经网络的算法模型训练需求。二是大部分原始数据为非结构化数据,数据的集中化、标准化、智能化程度较差,需经过数据归集、清洗、数据脱敏、数据标注等额外环节,导致算法模型训练的耗时过长、成本过高。