智慧医疗将以建设智慧的医疗健康服务云生态为愿景目标，通过整体的统一医疗健康云服务平台，融合汇聚医疗健康各方资源，为居民及患者提供全生命周期的、线上线下融合的、优质高效的医疗健康服务。
一、智慧医疗行业概况
1.1智慧医疗概念介绍
智慧医疗的概念：以创新技术为底座，以解决医院、患者及亚健康人群、区域公共卫生、制药企业这四方在医疗场景中的痛点为目的，根据医疗场景的特征的产品组合，以解决场景内的痛点。当前阶段，智慧医疗产品提供方多以互联网技术企业为主，部分硬件厂商为辅。
智慧医疗场景分为：智慧医疗诊疗场景、智慧医院管理场景、智慧患者服务场景、智慧区域基层医疗场景、智慧制药企业场景等等。其主要的智慧医疗产品包括：医学影像筛查产品、临床决策支持（CDSS）产品、智能审方产品、智能电子病历产品、院内导航产品等等。总体而言智慧医疗相对概念较为宽泛，所涉及的应用场景和相关产品也具有丰富的种类，主题的思路仍是人工智能、物联网、5G等互联网技术和产品在医疗行业的相关应用。
图1：智慧医疗的研究范围
资料来源：亿欧智库
1.2智慧医疗政策介绍及发展历程
近五年来，从中共中央、国务院到各部委，陆续出台了大量医疗产业的相关政策，强调了信息化和新一代信息技术对医疗产业的重要支撑作用，智慧医疗迎来政策密集期。
图2：智慧医疗相关政策（1）
来源：华安证券研究所整理
图3：智慧医疗相关政策（2）
资料来源：政府网站、安信国际
图4：智慧医疗产业政策陆续出台
资料来源：华安证券研究所整理
从世界范围内来看，1956年人工智能（AI）开始成为独立的研究领域，20世纪前，中外对AI在医疗领域的研究集中在临床知识库上，但由于大多数临床知识库必须运行在LISP设备上。而由于当时LISP设备尚不能联网且价格昂贵等原因，临床知识库并没有广泛地应用于临床中。2000年-2015年期间，国外的研究重点为AI在临床知识库外的应用，如手术机器人应用落地、鼓励发展电子病历等。而中国仍以研究更多类疾病的临床知识库为主，发展相对缓慢。2015年-2017年，由于AI在图像识别方面的准确率有大幅度提升，AI+影像得以快速发展。得益于在临床知识库的长期研究，CDSS产品走向成熟。2018年后，中国AI+医疗进入稳定发展阶段，智慧病案等新产品相继面世。
图5：全球智慧医疗发展历程
资料来源：艾瑞咨询研究院
而中国由于相关的底层技术起步较晚，整体的智慧医疗的发展阶段发展以时间和创新技术同医疗场景的结合程度划分，共分为三个阶段：
第一阶段：创新技术+医疗初融合
此阶段创新技术和医疗场景结合较少，尚未有成熟的产品出现。国家政策层面鼓励开展创新技术应用试点，希望以此推动其在医疗领域达到规模化应用，融资方面较为早期，创业企业多以天使轮或A轮为主。主要是在2016年前，相关政策较少。
第二阶段：创新技术+医疗产品诞生
此阶段创新技术和医疗场景结合一般，但是智慧医疗迎来爆发，国家政策鼓励各医疗机构引进多种创新技术，如人工智能技术、云计算、大数据等，探索建立新的医疗体系，在此期间出现了成熟的智慧医疗产品。主要时间在2016-2019年之间，包括多个智慧医疗相关政策持续颁布。
第三阶段：智慧医疗阶段
此阶段创新技术和医疗场景结合比较紧密，国家对于深度学习辅助决策医疗器械软件给出指导，重点强调其数据安全性，算法泛化能力以及临床使用风险，具有技术优势的互联网企业纷纷加入医疗行业。主要是从2019年至今，智慧医疗相关政策多以产品或具体医疗场景指导为主
二、智慧医疗市场环境分析
2.1 智慧医疗市场大环境
根据国家统计局公布，2021年底国家医疗开支为75593.6亿人民币，在世界范围内，中国是世界第二大医疗市场。过去数十年期间，中国大力投资医疗信息化系统并产生了大量数据，但数据大多互相孤立地以非结构化形式储存，通过数字手段加以有效连接、标准化以及分析数据后，人工智能应用将进一步实现数据的价值。
数字健康的定义方面，2019年世界卫生组织颁布《全球数字健康战略(2020-2024)》，首次确定数字健康战略的重要性，将“数字健康”定义为在线医疗服务、远程医疗及流动医疗服务，并向世界推广数字健康的理念。弗若斯特沙利文资料指出，数字健康指透过数字技术提供服务或产品以满足个人的健康需求。中国数字健康市场主要包括：数字医疗服务市场；非处方药电商市场；健康消费品电商市场；其他市场（信息技术基础设施、营销服务及其他）而数字医疗服务是数字健康市场的重要组成部分，互联网医院为提供数字医疗服务的主要平台。2015 年，中国成立首家互联网医院－乌镇互联网医院，开创了中国“互联网+医疗健康”创新模式的先例，标志着数字医疗服务市场开始蓬勃发展。
市场规模方面，2019 年中国数字健康的市场规模为2181 亿元，2030年预计增至42228亿元，复合年增长率达到30.9%。数字迁移率预期由2019年的3.3%增至2030年的24.0%。根据弗若斯特沙利文的资料，中国 2019 年数字医疗服务市场的市场规模为 232 亿元，2030 年预计增至7395 亿元，复合年增长率为 37.0%。
图6：中国数字健康市场规模及数字迁移率
资料来源：弗若斯特沙利文、安信证券研究中心
医疗大数据解决方案市场是指服务提供者提供大数据驱动并结合先进技术应用和医学见解的解决方案的市场，以满足医疗行业各个领域（包括医院、监管机构、及政策制定者、生命科学公司及个人）的信息化、数字化及及智能合成的需求。中国医疗大数据解决方案市场2019年的规模（根据健康医疗大数据解决方案服务供应商的销量而计算）为人民币 105 亿元，预计到 2024 年将增长至人民币 577 亿元，CAGR 达 40.5%。医疗大数据解决方案整体渗透率（销售收入/中国医疗信息化投资总额,%）预计将从2019年的7.2%增长至2024年的16.2%。
图7：2015 至 2024（估计）按投资额计算的中国医药行业的信息化投资总额（人民币十亿元）
而在整个医疗信息化的服务终端，医疗SaaS市场则是规模高速增长的一个细分门类。根据艾瑞网数据，2020年中国医疗SaaS整体市场规模达37亿元人民币，未来五年将保持30%以上的增速。医疗行业数字化转型诉求以及较大的医疗服务需求，是推动医疗SaaS快速发展的关键。
中国拥有庞大的患者基群及慢性病患者群体。老龄化加剧，65岁及以上人口的比例预计将从2020年的13.5%上升至2030年的21.9%，预计达到3.181亿人，人口结构的老龄化将对医疗服务体系造成一定冲击。此外，随着环境污染、不规律的生活方式、过大的压力负荷等，致使中国慢性患者数量不断增多。2021年，中国共有1.4亿糖尿病患者，3.33亿高血压患者。慢病诊治呈现时间长、医疗风险低、用药频繁的特征，定期复诊、病情记录等较为重要。
医疗SaaS不仅可以为院内搭建相对应的系统平台，用以长期跟踪并记录慢病患者的情况，还可为院外的零售药店提供线上问诊服务，用于解决患者高频次购买处方药而无医生处方的问题。基于此，慢病管理是所有健康疾病中最适合使用数字化解决方案。此外，患者不仅要求高效的诊断和院内医疗服务，而且需要持续的院外管理。医疗SaaS通过为院内外机构提供慢病管理解决方案，在长时间内追踪患者的健康状况并记录，满足长期护理的需求。
图8：2018-2025年中国医疗SaaS市场规模
资料来源：艾瑞网，36氪研究院
2.2 智慧医疗助力医疗产业
痛点1：基层医疗机构主导，城乡医疗水平分布不均，智慧医疗助力医疗资源公平化。
2018年我国共有医疗卫生机构994,681个，其中以基层医疗卫生机构（包括社区卫生服务中心（站）、乡镇卫生院、村卫生院、门诊部（所））为主，约占总体的94.9%；而医院（包括综合医院、中医医院、专科医院）仅33,009个，约占总体的3.3%；另外专业公共卫生机构（疾病预防控制中心、专科疾病防治院（所/站）、妇幼保健院（所/站）、卫生监督所（中心））约占1.8%。仅占医疗卫生机构约3.3%的医院，却供应全国约76%的病床；据统计，2018年每千人口医疗卫生机构床位数平均为6.03张（日本13.7、德国8.0、美国2.8 ），床位供给相对不足，并且医疗每千人口医疗卫生机构床位数相比农村多4.56张，城乡病床资源配置不均衡，东西部地区医疗资源配置不均衡。
我们认为，未来有望依托AI、互联网医疗等智慧医疗的技术，改善医疗资源的不均衡，从而助力医疗公平化。
图9：基层医疗机构占比较大
资料来源：：2020中国卫生健康统计年鉴
痛点2：医保支付压力逐渐增加，智慧医疗助力医保控费。2020年参加全国基本医疗保险13.6亿人，近五年参保率基本稳定在95%左右，医保渗透率位于高位。与此同时，医保支出逐年提升，占GDP比重提升，医保支付压力加大。在此背景下，国家大力推动按疾病诊断相关分组付费（DGR）和按病种大数据付费（DIP）的新型医保支付制度。我们认为这一制度的背后，需要依靠完善的电子病历体系和海量的医疗大数据支撑，有望带动智慧医疗产业的快速发展。
图10：医保覆盖人数稳步提升
图11：医保支出及占GDP占比都有所上升
资料来源：国家统计局，国家医保局
痛点3：过度医疗、过度耗材、资源配置不合理等医疗资源浪费现象严重，在医疗资源缺乏的前提下，我国还存在较严重的医疗资源浪费现象，主要体现在过度治疗、过度检查和过度求医三个方面。
图12：我国医疗资源浪费现象严重
痛点4：新冠疫情影响下，在线诊疗需求大幅提升。新冠肺炎疫情成为互联网医疗发展的强力催化剂，国家全面推进互联网诊疗以减少交叉感染风险。随着政策的落地和人们观念的转变，比起以前线下门诊，在线问诊、慢病管理等互联网医疗需求大幅提升，有助于拉动智慧医疗产业发展。
2.3 智慧医疗供给需求端简析
需求端：以医院为首的需求端对于创新技术的认可程度越来越高
2014年至2018年，公立医院对于信息化建设的预算投入逐年增加，向外释放了关于医疗信息化的利好机会。伴随着智慧医院等政策的推出，医院对于电子病历、临床辅助决策、大数据建设与应用等信息化系统越来越重视，且接受程度越来越高。
图13：2019-2020年度中国医院信息化状况调查-医院信息系统建设优先级排序
资料来源：CHIMA，经亿欧整理绘制
供给端：随着对于智慧医疗需求的加剧，智慧医疗将成为企业新的增长点
医疗信息化企业:随着中国医疗信息化发展，面对大型医院参与电子病历评级和互联互通，以及越来越多中小城市的医院电子病历新建或升级需求，将促使行业集中度提升，抓住机会扩张规模的医疗信息化公司将拥有更大优势。
互联网企业:互联网企业从信息资讯和连接平台转向直接参与到疾病治疗的关键环节，以疾病预防为例，其能发挥巨大作用，从而直接减少医保支出。这意味着互联网医疗的价值也将进一步释放，营收能力也将更有想象空间。
ICT企业:智慧医疗的部署正在加速建设现代化、精细化的医院管理体系。ICT企业凭借深厚的技术积累和行业实践经验，持续探索智慧医疗技术与实践前沿，推动智慧医院与大健康产业的加速发展。
智慧医疗创业公司:在提升技术能力的同时，创业型智慧医疗企业在过去5年中一直在进行商业化探索。对比同B端供应商合作。此类企业逐渐将目光对准了医院终端。在未来，对于此类企业的主要考验在销售渠道的开拓。
随着对于智慧医疗需求的加剧，智慧医疗将成为企业新的增长点伴随着创新技术之间（如云计算+AI，大数据+AI等）协同发展成熟，互联网大厂基于自身优势纷纷布局智慧医疗这一赛道。
除了大型互联网企业，中小型企业也迎来了爆发。以人工智能企业为例，截至目前，共有4家人工智能医学影像公司已递交招股书，其中一家已上市，另有一家医疗大数据解决方案（使用人工智能技术）公司上市。除此之外，2021年Q3在医疗AI的融资数量已达到30次，远远高于2020年全年的19次。
图14：2020vs.2021年医疗AI细分赛道融资数量
三、智慧医疗典型大方向应用场景
3.1 智慧医疗助力医疗产业
智慧医疗将以建设智慧的医疗健康服务云生态为愿景目标，通过整体的统一医疗健康云服务平台，融合汇聚医疗健康各方资源，为居民及患者提供全生命周期的、线上线下融合的、优质高效的医疗健康服务。
以居民健康医疗大数据为核心，围绕着居民健康管理，构建数智化驱动的医疗健康服务体系。利用物联网、工业互联网、大数据平台、数据银行等技术平台，推动数据的采集、数据集成和交换共享，实现数据的互通互联；将大数据与机器学习、深度学习等技术以及循证医学、影像组学等学科相结合，围绕着居民、医生、医疗机构、药企以及保险机构的全方面的医疗健康服务场景，提供基于数据的智能化的应用/服务，可以优化居民健康管理服务体验、改善诊疗流程、提升医疗行为的效率等。数据互通可以优化各应用场景的体验，各应用场景产生的数据又可以进一步丰富数据——形成完整的价值闭环。
由此，智慧医疗其主要应用场景可以分为以用户为中心的、覆盖用户全生命周期的医疗健康服务体系的健康管理中心、医疗服务中心和医疗业务中心；以及以数据为核心的、数智化驱动的医疗健康服务体系业务运营中心、区域医疗协同、养老服务中心。
3.2 健康管理中心
健康管理中心是围绕着健康、亚健康及疾病人群构建健康管理的一种服务体系。运用信息和医疗技术，在健康保健、医疗的科学基础上，建立的一套完善、周密和个性化的服务程序；其目的在于通过维护健康、促进健康等方式帮助健康人群及亚健康人群建立有序的健康的生活方式，降低风险状态，远离疾病；而一旦出现临床症状，则通过就医服务的安排，尽快恢复健康。
图15：智能化健康管理业务流程
资料来源：华润集团
和以基于云平台构建医疗健康行业通用的智能化健康管理系统：利用物联网及大数据平台将涉及居民健康的各种异构数据源进行整合，形成居民健康档案；利用人工智能技术、移动化技术构建健康分析评估模型以及健康处方系统、跟踪干预系统以及智能客服、反馈教育系统；最后，通过云+管+端的分布式部署模式实现分级有序的健康管理系统。
图16：网联健康反馈系统
3.3 医疗服务中心（互联网医院）
医疗服务中心是以改善患者体验为目标，构建线上线下融合的一种智能化服务。针对患者的实际就医需求，推动信息技术与医疗服务深度融合，为患者提供覆盖诊前、诊中、诊后的全流程、个性化、智能化服务。利用互联网技术优化医疗服务流程和服务模式，包括智能导医分诊、候诊提醒、诊间结算、移动支付、院内导航、检查检验结果推送、检查检验结果互认、门急诊病历自助打印和查询等线上服务，积极推进转诊服务、远程医疗、药品配送、患者管理等功能建设与应用，构建线上线下一体化服务，实现临床诊疗与患者服务的有机衔接，提升服务的效率和质量，改善患者就医体验，提升满意度。
图17：医疗服务流程
通过多轮友好的智能问诊了解患者病情；在患者口语化表达的主诉和标准的医学术语之间，以专业医学NLP技术来实现信息转化。应用权威教科书和海量文献构建知识图谱；结合医生的专业特长，过往的诊疗经历，刻画出全面、详细、实时的医生画像；应用多模结合互相校验的机制采信最佳结果。让患者用最简单的方式表达不适，得出最正确的科室，找到最合适的医生。并且提供基于移动端精准的院内导航服务，集导诊、分诊为一体，为医院打造移动化、自助化、智能化的院内导航、移动导诊服务体系，有效改善患者就诊体验。
图18：利用智能客服提高服务质量和服务效率
互联网医院是实体医院为依托，以复诊和常规咨询为主，集合问诊、处方、支付与配药于一体的一站式互联网医疗中心；从诊疗范围来看，互联网医院严禁首诊，主要以慢性病和部分常见病复诊为主；从组织形式来看，必须以实体医院为主体，结合互联网；服务覆盖检查报告解读、复诊开方、康复指导等其他线下服务。互联网医院平台本质上是利用互联网技术，开拓新的医疗服务模式，将患者服务的视角从院内扩展到全过程，将医疗服务半径由周边扩展到区域甚至更广，将医疗服务地点由院内扩展到院内外；互联网医疗技术上主要包含互联网医院平台及远程诊疗平台。其有效运作的前提除了搭建基于互联网的技术平台外，更重要的是业务设计和高效运营。
构建通用互联网医院平台，协助各医疗健康机构具备线上化的能力，实现线上和线下的有效融合共享，推动医疗业务的延展。
图19：互联网医院平台架构
资料来源：华润集团
3.4 医疗业务中心
医疗业务中心实际就是在医院内部搭建互联网医院平台，推动实体医院业务的“互联网+”，以赋能医生为目标，围绕着电子病历开展医疗业务及系统的优化升级：利用数字化平台对现有功能进行组件化重构；利用多模态灵活的电子病历录入，提升医生病历录入的效率；利用动态更新的临床路径，提升医疗的标准化；采取大数据及人工智能技术，构建临床辅助决策和质量控制系统，提升医生诊疗的效率和质量。
图20：医院业务互联网+
资料来源：华润集团
临床路径管理为抓手，提高医疗质量、规范医疗行为
临床路径(Clinical Pathway，CP)，是针对某个诊断明确的疾病或者手术，以循证医学为基础，以预期的治疗效果和成本控制为目的，所指定的有严格工作顺序和准确时间要求的最佳程序化、标准化医疗检查和处置流程。
临床路径的制定：以病种为核心，建立一套基于统计学原理自动制定临床路径的基本流程机制，突破传统技术手段、无法大量快速制定临床路径的局限，通过大数据处理方法、快速处理医嘱数据，分析出临床路径的最佳设定方案，改变传统人工方式、基于经验判断的制定临床路径的方法。
图21：临床路径的执行
以国家诊疗规范为标准、以人工智能和大数据技术为支撑，融合循证医学和经验医学，通过与其他医疗信息系统进行数据互联互通采集诊疗所需的数据，通过数据核心层的智能推理引擎，实现快速、准确的智能综合分析与判断，为医师、护士等供智能问诊策略、体格检查、辅助检查推荐、参考诊断依据策略以及治疗建议的辅助服务。
图22：辅助决策系统流程
资料来源：华润集团
总体而言，医疗业务中心致力于实现医疗质量的全过程管理，基于临床医疗知识库引擎，实现从“终末质量”向“环节质量”转变，由“事后提醒”向“即时反馈”转变，由“事务管理”向“智能管理”转变，由“经验管理”向“标准化管理”转变，由“单一化管理”向“全方位精细化管理”转变。
图23：医疗业务中心
3.5 业务运营中心
业务运营中心：DRGs、RPA、RFID
基于DRGs的医疗服务监测分析及绩效考核的一种体系。
DRGS（诊断相关分组），是指根据年龄、疾病诊断、合并症、并发症、治疗方式、病症严重程度及转归等因素，运用统计控制理论的原理将患者分入若干诊断组进行管理的体系。DRGs综合考虑了疾病的严重度和复杂性，同时考虑医疗服务数量和医疗资源的消耗强度，被认为是一种“以病人为中心”的病历组合系统。DRGs纳入工作量效能积分绩效管理，将相关指标纳入内部绩效考核与分配，可以体现向临床一线、工作风险高、技术难度大的临床科室及重要岗位倾斜，充分体现“优劳多得、优绩优酬”。
图24：DRGs体系
DRGs医疗服务监测与分析系统划分了四个角色，分别是院长、医务处、医保办、临床科室，根据角色需求设置对应的系统功能。
通过RPA实现医院重复规范流程的自动化，RPA主要适用的场景特征为：规则与逻辑明确、跨系统数据集成、数据搜集、检索、汇总、日常重复性工作
图25：RPA实施的预期价值
以下是RPA实施具体场景说明：
采购管理：供应商准入及监督（实现供应商准入自动化监控及供应商定期评估检查自动化；公司关联分析；皮包公司检测；动态供应商风险监控），采购价动态监控（实现动态采购价格监控，为医院采购提供及时、覆盖全国的参考依据，并比对医院历史采购数据）
药品管理：药品使用监控（对药品耗用情况按照科室、医生等维度进行同比、环比分析全面进行药品监控，降低药占比；促进合理用药），药品价格监控（通过爬虫技术爬取外部公示招标采购价，打造实时药品价格库，作为药品价格监控参照标准）
耗材管理：高价值耗材管理（定期对高价值医疗耗材的使用、收费情况进行有效的核对，监控高价值耗材的使用），医疗耗材监控（在卫健委降低耗占比的要求下，协助医院对耗材的使用进行全面监控，降低耗材耗用，控制成本）
财务管理：收款对账（定期与支付方进行自动核对，社保/商保结算单、病人信息、电子处方、病案首页等），付款审核（付款前数据准备；合同、订单、付款申请匹配及信息核对；付款分录生成）
独立监督：审计线索发掘（对不同模块数据进行分析，获利用审计机器人开展特定领域的分析，通过分析结果识别高风险领域及审计线索），审计执行（通过机器人进行样本的抽样、数据的对比、分析，形成分析差异报告，供审计组执行进一步审计程序。）
RFID实现医疗资产的全方位、智慧化管理
基于RFID等物联网技术，将医疗资产信息传输至平台数据中心，从而实现医院对医疗资产的使用情况、生命周期、智能盘点、设备位置、安全维护等多方位跟踪管理。平台的建立，将实现医院的资产管理的现代化、科学化、精准化，解决不必要的人力资源和成本浪费，更加科学、准确、有效的管理。
图26：医院固定资产
3.6 区域医疗协同
区域医疗协同：构建远程医疗平台，有效推动区域医疗协同构建云化远程医疗云平台,实现对远程会诊、双向转诊、远程预约、视频会议、远程专科诊断、远程教育、远程数字资源共享等业务的支撑，推动H2H2C的医疗服务模式。
图27：（大H）2（小H）2（C）服务
其功能主要包括：（离线、交互）远程会诊、双向转诊、远程预约（专家预约、检查预约、检验预约）、视频会议、远程专科诊断（影像、病理、心电、动态心电、动态血压、手术\超声\内镜、监护）、远程教育、远程数字资源共享。
区域医疗协同：技术驱动区域医疗资源的高效协同利用信息技术，将区域内的医疗资源（包括医生资源、医械资源、医疗数据、医疗知识等）相互连接，实现在医疗机构之间资源共享协同，将分级诊疗模式及双向转诊的制度落到实处，在提升各个医院的医疗水平以及服务质量的同时，从根本上解决患者看病难以及看病贵的问题。
图28:区域医疗协同
区域医疗协同：远程医疗平台架构依托物联网技术、云计算、4G/5G、遥感/遥测/遥控、移动互联网、AR\VR等技术，围绕电子病历构建的云远程医疗平台，包括远程医疗应用、远程医疗运营以及客户服务端等三大功能。
图29：远程医疗
远程医疗平台同时也包括：远程教育、远程学术交流、远程手术、远程诊疗。
区域医疗协同：云PACS提供线下线上无缝融合的医疗影像共享服务构建云化远程医疗云平台,实现对远程会诊、双向转诊、远程预约、视频会议、远程专科诊断、远程教育、远程数字资源共享等业务的支撑，推动H2H2C的医疗服务模式。
图30：影像诊断流程
区域医疗协同：人工智能赋能医疗服务的质量和效率
随着计算机技术和医学影像技术的不断进步，医学影像已逐步由辅助检查手段发展成为现代医学最重要的临床诊断和鉴别诊断方法。然而医学影像领域存在诸多问题，包括供给不平衡，误诊漏诊率高，影像医生读片熟读慢等。人工智能与医学影像的结合，能够有针对性的解决传统医学影像领域存在的问题。
3.7 养老服务中心
养老服务中心：构建“系统+服务+老人+终端”的智慧养老服务模式
运用物联网、互联网、移动互联网技术、智能呼叫、云技术、GPS定位技术等先进的信息技术，构建智慧养老云服务平台，涵盖了机构养老、居家养老、社区日间照料等多种养老形式，创建 “系统+服务+老人+终端”的智慧养老服务模式。平台通过跨终端的数据互联及同步，连通各部门及角色，形成一个完整的智慧管理闭环，实现老人与子女、服务机构、医护人员的信息交互，对老人的身体状态，安全情况和日常活动进行有效监控，及时满足老人在生活、健康、安全、娱乐等各方面的需求。
四、AI赋能智慧医疗典型小领域应用场景
4.1 CT影像识别
AI+CT影像识别应用领域广阔。AI+CT影像的主要产品形态包括：影像分析与诊断软件、CT影像三维重建系统、靶区自动勾画及自适应放疗系统。通过智能CT影像识别，能够完成病例筛查、智能分析诊断、辅助临床诊疗决策等工作。从应用的场景来看，主要包括胸部、四肢关节等部位，乳腺、心肺、冠状动脉、骨骼等器官组织，应用领域广阔。
图31：国家药品监督管理局批准注册的AI+CT影像识别产品（三类）
资料来源：华安证券
中国影像分析数据增长较快，放射科医生面临短缺，AI+CT影像识别技术发展潜力巨大。当前中国CT行业影像数据爆炸增长，2019年市场规模达到24.7亿元，CAGR约30%。另一方面，目前我国放射科医师仅有8万多名，每年承担的诊断工作量却达到了14.4亿张影像，结合中国医学影像数据每年30%的增速，与之相对应的放射科医师的年增长速率却只有4%，两者之间存在巨大缺口，AI+CT影像识别有望弥补这一缺口，发展潜力巨大。
图32：放射科医师与CT影像数量增长预测
图33：中国CT检查行业市场规模（亿元）
4.2 CDSS辅助临床诊断决策
临床决策支持系统（Clinical Decision Support System, CDSS），一般是指基于人工智能深度学习算法的方式，对临床医疗决策提供辅助支持的计算机系统。CDSS将医学相关的指南文献、专家共识以及电子病历数据进行输入，经过大数据分析以及基于人工智能的神经网络运算，输出临床诊断方面的模型，从而辅助医生提供相关病例的临床诊断。
CDSS辅助临床诊断决策的主要功能包括：辅助诊断、治疗方案推荐、相似病历推荐、医嘱质控。
A智慧医疗政策持续利好，未来CDSS发展前景佳：根据蛋壳研究院发布资料显示，2019年涉及CDSS产品或服务的项目招投标达到42项，随着智慧医疗政策的利好，未来涉及CDSS项目将会持续增加。
图34：2015-2019年CDSS项目招投标情况
4.3 视网膜影像识别助力慢病诊疗
视网膜影像在临床中应用广泛。视网膜是人体中唯一一个能以非侵入方式直接观测血管和神经细胞的部位。可通过观察眼底血管及神经细胞的变化等表征，检测、诊断及评估慢性病的风险，具体包括：眼部疾病：糖尿病视网膜病变、病理性近视、视网膜静脉阻塞、青光眼及年龄相关性黄斑变性；其他慢性病：高血压、糖尿病、ICVD、帕金森氏病及贫血症。全球已有多款人工智能视网膜影像识别医疗设备产品完成注册。
图35：人工智能视网膜影像识别产品/软件
人工智能视网膜医学影像识别技术市场潜力巨大。
医疗健康场景：相比传统视网膜影像方法，人工智能视网膜影像识别技术具有高诊断效率和高诊断准确性的优势，能够帮助医生缩短图像分析时间，有效地降低医疗成本减缓医疗资源的不均衡。
大健康场景：人工智能视网膜医学影像识别技术可为大健康客户提供定制化产品及服务，满足客户健康风险评估及管理需求。
图36：人工智能视网膜医学影像市场规模 （2019年至2030年（预计）
五、智慧医疗行业痛点与展望
5.1 在线医疗
行业痛点：
医疗需求可观但在线医疗的市场认可度低，企业缺乏清晰的盈利模式。
从目前国内就医现状来看，供小于求的市场结构是形成看病难、看病贵的直接因素，而医疗需求相对而言是刚性需求，加之以政府对医疗经济体系的调控和监管，市场需求不会因为资源的紧缺和价格的改变而有太大的变动，在慢性病减龄化的趋势下，刚性需求规模和结构也逐渐膨胀，医疗需求只增不减，医疗需求的持续增长也是衍生在线医疗行业的动力。然而医疗行业资源导向性的特点为初创企业和跨界企业建立高壁垒，安全性和真实性是医疗行业消费者关注的重要因素，而这两个特征恰恰也是互联网行业的短板。在线医疗起步于免费的诊疗咨询，在免费咨询阶段，消费者出于好奇或获利心态接触在线医疗 APP，但消费者对线上问诊平台并未给予足够的信任，在线医疗 APP 并未成为实体医院的替代品，因此转为收费模式的在线医疗企业很难在诊疗服务业务方面开拓更大市场，重点收费项目只能依靠挂号业务和医院信息系统服务等方面，很多互联网医疗企业仍然没有找到合理的盈利模式。
（2）数据共享障碍一定程度上限制了在线医疗行业发展深度。
中国医疗体系每个个体的数据呈现分散化特点，数据之间难以形成有效的共享流通机制。迫于医疗数据长期以来非开放性、难标准化特点，一方面医生无法获得患者以往就诊的全面数据进行深度诊断，另一方面在线医疗企业获得的数据碎片化现象严重导致所谓的大数据分析只能停留在表面。因此就诊的基础则需要首诊资料和以往病史的研究分析，如何在业务范围内与医院信息系统打通共享部分数据、统一疾病标准是在线医疗面临的重要课题。
（3）线上就医报销困难，医保支付问题直接影响消费行为
在线医疗行业热度大于消费、就医患者屈指可数的原因一方面在于消费信任问题，另一方面报销问题也让众多消费者望而却步。银川能吸引大量的在线医疗企业在当地开展互联网医院业务与当地政府政策息息相关
未来展望：
在线医疗行业将重新洗牌、回归医疗本质，应尽快推动行业标准规范和健康档案数据库的建立，出台在线医疗领域的医保报销政策。现阶段医疗行业最主要的矛盾即是供求失衡问题，在线医疗行业未来需就市场需求落地模式，停留在概念热炒、资本驱动的模式终究无法长久。以市场需求为导向的业务模式会给企业注入源源不断的活力，也是医疗机构对外合作的基础。目前在线医疗行业业务模式大多类似且多注重挂号、咨询类业务，未来企业应该找准市场定位，寻找不同类型人群的需求差异，融合在线医疗产业上下游优势提供精准服务，解决客户在医疗方面的真正需求。而这一模式的改进离不开行业标准规范的支持。基于统一的行业规范，设定机构及其业务最低标准和等级水平，厘清不同机构责任制度，保障患者安全和隐私权益，企业开展业务将有规则可循，是行业健康发展的基础，也是客户认可企业的依据。实现个人健康数据的可查询和数据结构标准化，实现医疗机构之间信息共享进而推动社会资本在在线诊疗的投资。
5.2 AI 医学影像
行业痛点：
（1）数据基础薄弱，应用范围和效果有限。
AI 在医疗领域的应用离不开数据的支持，目前国内在医疗数据方面存在一系列问题：第一，医院数字化水平发展程度不一，偏远地区或基层医院 IT 系统建设落后，数据存储量较少，很多基层医院网络不通，或是只有传统的 ADSL 非对称式网络，基础设备也比较落后，导致数据存储出现障碍，同时医生手写或其他线下记录的方式录入患者数据难以被计算机识别和分析，由此数据缺乏共享和再利用渠道。
（2）AI 与医学跨界人才匮乏，行业发展进程缓慢。
人工智能正在从实验室走向医学临床应用，处于产业大突破前的技术冲刺和应用摸索时期。在这个阶段，能够推动技术突破和创造性应用的高端人才对产业发展起着至关重要的作用。理想的人才应该同时在医学、计算机和数学三个方面都有深厚的知识积累，并有足够的研发能力。
医疗 AI 的发展，与人才数量和质量息息相关。具体来看，医疗 AI 需要两个方面的人才，分别是医学人才和 AI 人才，最需要的是既懂医学又懂 AI 的跨界人才。应用及平台开发者不仅要研究人工智能算法，更要对医疗专业知识有深入了解，人工智能+医疗的复合背景人才是企业的核心竞争力。
但是，高质量的医学人才和 AI 人才都非常稀缺，具备两方面能力的综合型人才更是凤毛菱角。一方面，医生往往知识结构比较单一，极少具有跨学科学习背景，在数据处理、工科经验、系统开发等方面很不足，具有 AI 研发能力的医生非常少。另一方面，AI 算法人才本身就很少，并且他们普遍缺乏 IT 系统的工程开发和实施经验，医学知识也很匮乏。目前整个医疗 AI 行业都面临严重的人才短缺问题，尤其是同时具备医学、计算机、数学研发能力的交叉型人才非常稀缺，这严重阻碍了医疗 AI 行业的发展，拖慢了行业发展速度。
（3）行业缺乏政策和法律标准，相关群体责任划分不明确。
根据国家食品药品监督管理总局（CFDA）发布的新版《医疗器械分类目录》，若诊断软件通过算法提供诊断建议，仅有辅助诊断功能，不直接给出诊断结论，则申报二类医疗器械，如果对病变部位进行自动识别，并提供明确诊断提示，则按照第三类医疗器械管理。第二类器械有临床试验豁免目录，诊断软件申报是否能够享受豁免，CFDA 还没有做出具体的规范。各个医疗 AI 公司要打通医院采购这条路，就必须获得 CFDA 认证。而要走通 CFDA 的认证的流程，不仅有诸多的审批环节，还有漫长的临床试验，这需要持续的资源投入，对于初创的医疗 AI 企业而言是显而易见的负担，影响其商业化进程。另一方面，医疗 AI 企业也面临潜在的法律风险。关于 AI 还没有明确的法律界定，更没有形成完备的法律体系。当医疗 AI 产品进行大面积普及后，一旦发生医疗事故，责任认定将是一个棘手的问题。对于 AI 系统，人们抱有很高的期望，比如诊断准确率要达到 100%，不能出现任何的失误。即使是资深的医疗专家，也不可能达到零失误的水平，对于 AI 系统如此严苛的要求并不合理。因此，AI 医疗影像的发展需要从政策和法律层面给予严格的标准，在限定范围规范市场的同时也为企业的发展指明方向。
未来展望：
云+AI 成为主要模式，应重点发挥并深化人工智能在影像领域的辅助作用。云计算、大数据与 AI 是一脉相承的，存在着密切的关系。医院信息系统与云系统的对接可以实现医院内部不同科室之间、不同医院之间甚至是跨省医疗机构之间的数据共享，大量实时的医疗数据在“云端”汇聚，为 AI 系统的训练提供数据基础。云端数据中心，承担起 AI 模型训练的任务。医疗数据将从各个医院实时传输到云端，大大加快新病种 AI 模型开发和原有模型优化的进度。当研发出新病种 AI 模型，或者原有病种模型有重大更新时，只需要在云端进行系统更新，最新的医疗 AI 服务可以同时触达所有部署应用端的医院。
分级诊疗政策的推进促进医联体和区域影像中心等第三方医疗机构的普及。借助于医疗云平台，上下级医院之间能实现数据互通，进而为转诊奠定基础。一般的疾病可以在基层医疗机构治疗，患严重疾病的患者转诊到大医院，并能及时将患者信息同步到该医院。基础医疗机构的医学影像可以上传到上级医疗机构或者区域影像中心，让影像中心医生在 AI 系统的辅助下进行高效阅片。
5.3 数字人
行业痛点：
信息的非标准化和传统医学的模糊诊疗理念使得数字人进程迟缓。无论是采集病人体征信息，症状信息，还是病人主诉信息，都是模拟信息（analog）,这就使得数字化这些信息的难度增大。因此，人们以各自定义模拟信息与数字之间的关系来解决这个问题。行业没有标准化的方法来数字化临床病历信息，这同样是人工智能面对模拟临床信息的困境。病人对于数字化信息期待较多，这是因为数字化浪潮在过去十几年中，已经在各行各业普及开来。人们的生活已经越来越被数字包围。但是，医疗机构对于数字化进程推进较慢，再加上诊疗规范的约定，医疗行业监管的严谨性也制约了数字化技术在医疗行业的应用。了解人体本来就是很模糊的，特别是针对疾病状态，所以以模拟信息作为模糊状态的展现形式自医学起始就一直为世人接受。西方医学由于将数学，物理，化学，生物学等基础学科融合起来解决问题，有较好的数字化基础。中国的传统医学就大不一样了。中医的模糊感念远胜于西医，这就使得中医数字化更加困难。甚至人们已经熟悉了中医的模糊诊疗方法，一旦数字化地进行解释，反倒让人们难以接受。诸如寒热概念就无法用温度高低来解释，表里概念也无法用物理丈量法来说明。尽管如此，数字化的采集人体数据，将人的全部信息整理分析形成完整的数字人，依然是被期待的。在线医疗、人工智能医疗服务、药物研发、机器人的应用无不对数字人有巨大的依赖。可以这样认为，数字人的发展将推动整个大健康产业的进步。所以解决数字人发展所面临的瓶颈迫在眉睫。
未来展望：
建设系统化的数字人备份信息是智慧医疗的发展基础。数字化浪潮正在推动各个行业的发展，医疗行业的数字化将以数字人为基础得以快速发展。可以预料，数字人备份将会伴随每一个人。有了数字人的备份，通过云端的存储和计算，一个人在寻求治疗疾病的时候，数字人对于这个诊疗将是必备的基础。有了数字人备份，互联网医疗将成为巨大的应用场所，人人都可以通过云端的数字交流将人体健康信息和诊疗建议结合起来，便捷地获取诊断和治疗结果。数字人将使精准医学和个性化诊疗成为普遍的应用领域。数字的精准度将远远超过模拟信息，让诊断更精准，治疗更加个性化。数字人是人工智能在医学中应用的基础架构。人工智能在机器学习甚至语言标注过程中都要依赖数字的信息。人工智能化的医学实践将造就智能医生。智能医生需要数字人的进入作为诊疗对象或者辅助。智能医生将为大健康产业的解决一系列的问题：医生短缺、医术参差不齐、医疗信息非标准化、诊疗精准度等。智能机器人需要数字人作为对话的对象。智能决策体系需要大数据分析，因此数字人将是大数据的基础单元。因此打造数字人，建设系统化的数字人备份是智慧医疗的必要元素。
5.4 虚拟助手
行业痛点：
语义关联和标准化术语影响虚拟助手判断的准确性。语句标准化问题不论是对于患者还是医生都是显著存在的。每个医生都有自己的病历书写习惯，各自在疾病的表述方式方面有略微差别，有的简写，有的写英文，有的写疾病大类，有的写具体症状；而患者对自己的身体状况和所患疾病只认识哪里不舒服或疼痛，对于病症的表述有时候并不准确甚至会出现错误，且难以自主想到关联的生活习惯以及一些看似无关的病症以至于会忽略关键信息，而事实上同一种病症往往会产生不同部位的并发症状。来自医生非标准化表达影响电子病历录入的准确性和病历库的结构化，来自患者的非标准化表述和信息缺失情况直接影响疾病判断结果。为减少这类情况的发生，很多公司开发的虚拟助手采用选择的方式与应用对象进行沟通，但从另一个角度来讲这种沟通方式需要大量的题库储备，应用范围有限。
数据获取难度大，缺乏合理化使用标准。近年来市场上的互联网医疗企业层出不穷，与医院之间的合作也越来越多。总体来看，医院对外合作较为保守，这与其本身业务性质和单位属性有关，医疗数据事关生命安全和病人隐私，医院在数据的合作需要确保患者的数据安全和隐私。目前来说 AI 医学影像企业与医院合作较多，其对应疾病较为单一，而虚拟助手涉及到大量的疾病类型和知识存储，其发展和应用需要一定的时间和数据积累，市场应用度相对来说较弱，直观效应不明显，企业在获取数据方面遇到一定的阻力。此外，数据使用的伦理问题等待标准的出台。目前有关部门对于医疗数据的可使用范围、合理用途、使用对象、使用期限等方面均未出台细致的规定，这也使医院与企业之间的合作成果收效甚微。
未来展望：
虚拟助手的发展需注重建立完整的知识图谱，发挥预判和咨询作用。未来虚拟助手在医疗领域的应用不应当只是充当聊天机器人的角色，而需要基于医学本身为用户解决真正的需求。医疗行业专业属性较强，要想实现与用户的深度交流和协助，就需要建立全面的医疗数据知识库，这也是虚拟助手发展的基础。对于虚拟助手的定位不能太高，否则容易引发医患矛盾；也不能太低，否则作用不大失去了存在的意义。虚拟助手应该成为辅助医生和患者的工具，在医生诊断之前对患者的基本情况进行一定的评估，提前预知可能出现的疑难杂症并准备，合理规划看病时间，避免出现一个出诊时间段内前期单个患者看病时间过长、后期时间过短的状况。对于患者而言，虚拟助手需要发挥其健康管理、医学知识咨询、症状初诊的作用，为患者进行健康知识普及、指导就诊科室、提醒就诊前准备和注意事项。
5.5 AI健康管理
行业痛点：
健康管理支付尚未形成清晰体系，企业盈利模式待完善。目前保险公司对客户的健康管理服务、企业对员工的健康管理服务大多停留在体检方面，且并不常见，除此之外的健康管理服务大多是个人付费。人工智能在健康管理领域的介入不可避免地要涉及到付费问题，如果只是单纯地个人付费，那对于企业来说其盈利前景并不乐观。至少在目前国内消费水平日渐上升的形势和公众健康意识薄弱的情况下，toC 端付费模式下消费者对于健康管理难以快速明显地看到成效，市场接受度有限。AI 健康管理企业盈利模式目前还有待完善：toC 或是 toB 模式更为成熟?toB 模式下重点面向对象是政府还是保险公司或是一般企业？合作对象是否超脱于政府、患者、医院和保险机构之外？这些都是AI 健康管理企业市场化发展需要考虑的重要问题。
未来展望：
未来 AI 健康管理应该根据个体情况制定个性化标准，联动相关产业实现业务升级。传统意义上的身体指标健康水平是在大数据的基础上根据一定的概率得出，但事实上每个人的生活习惯、环境条件、基因组成、遗传病史等都不一样，以普遍统一的标准去衡量所有人的健康水平是不完全准确的。未来 AI 健康管理的应该是基于人体的基因、遗传、生活方式等因素制定个性化的健康管理方案并实时监测和预警。一方面可以与医疗机构对接，及时应对一些临时突发状况，对于需要急救的患者以最快的速度将其送至附近的医院；同时，以 AI 技术为核心的健康管理企业可以此开展跨行业合作实现不同智能化应用场景的合理化数据积累和联动支持，比如在智能家居、智能终端设备等领域的战略合作打通个人基础数据和生活习惯数据，智能穿戴设备的合作融合健康数据制定更合理化的健康方案。
5.6 AI药物研发
行业痛点：
人工智能“黑匣子”特征影响研发者对于 AI 药物研发的认可，性能监控问题是焦点。传统意义上的药物研发需要理清靶点发现、化合物筛选等过程的产生机理，保证研发过程的逻辑严密性。人工智能参与下的药物研发是难以解释的，且需要大量的数据积累，这也是目前人工智能在药物研发暂无成熟产品落地的关键因素。未来对于 AI 药物研发的监管和进入准则是否会与传统的人工药物研发有很大区别还是未知数，药物发现的基础在于对疾病的准确认识和理解，人工智能是否能准确理解疾病并得出合理的研发方案需要大数据的支持和算法的成熟。新技术下的药物研发以怎样的形式和背书进入市场、如何保证药物的安全性和有效性都是值得深思的问题，也是真正落地前需要确认的问题。
未来展望：
人工智能在药物研发方面的应用目前还处于导入期，未来小型药企和国内药企有望获得削弱外企长期垄断的程度，生态系统各角色协同发展是关键渠道。如果说人工智能在其他领域的应用是为了减少医生负担、提高患者满意度，AI 药物研发的最终目的则是提高生产力。药物研发的复杂性和长期性也使得目前人工智能公司在该领域的涉足较少、进展较慢。相对于大型外企来说，小型企业灵活性更强，受到的内部牵制力和市场关注度较弱，更有利于其开展个性化创新。外企规模大、审批机制繁琐，同时受到市场严格的监督，在新技术下的转型升级进程较为缓慢。以人工智能技术为核心的新兴药物研发方式也给了国内药企弯道超车的机会。但要想实现 AI 药物研发的快速发展还需要医疗生态系统内部和新兴信息技术公司各个成员角色的协同互助，例如共享数据建立科学的知识图谱和病历数据库，数据类型如基因组学数据、生物组学数据、蛋白质组学数据等；或是技术公司与药企联合开发药物研发模型等，新技术下未知性和挑战很多，形成合作联盟才能更快地实现共赢。
