分析患者检查单，辅助医生更快更准找出病因；
化身记忆小助手，提醒病人到点吃药；
分析大量医疗数据，助力发现新疗法；
……
展开想象，当AI技术能够与日常的医疗健康管理“无缝对接”，我们会收获贴心的“健康管家”，拥有更智能、方便的生活。
但与此同时“AI+医疗”在商业化落地时也面临诸多挑战，患者和医生对AI的信任问题、监管问题、伦理问题等层出不穷。
如何更好地把AI技术应用于医疗健康领域？如何通过AI技术激发更多新的需求？本期视界，小管邀请到复旦管院信息管理与商业智能系助理教授李文文，探讨AI如何赋能大健康产业发展。
李文文
信息管理与商业智能系助理教授
研究方向：机器学习，医疗健康管理，人机协同，电子商务
01
AI赋能，“数智健康”时代来临
从管理的视角看医疗健康产业，核心在于需求分析。传统医疗服务以治病为中心，医生针对个体患者提供医疗产品和服务。然而，当前国家提出的《“健康中国2030”规划纲要》，要求从以治病为中心转向以人民健康为中心，这意味着要从传统的、面向个人的医疗服务，转为面向群体，并进一步思考如何为更广泛的人群提供全生命周期的医疗健康服务。
除了医疗产品和服务外，也要关注健康产品和服务。当前的医疗健康产业不应仅仅局限在医院或是医疗机构场景，更要关注居民从疾病预防、疾病诊疗，到后期的疾病康复和随诊这一整个全生命周期。
值得关注的是，这些转变带来了新的需求和新的挑战。个体层面，人们对医疗健康的需求日益增长，开始追求更优质、高效、个性化的医疗服务。这对医疗从业者及相关企业提出了更高要求，即如何提供更好的医疗服务。
组织层面，医疗机构和企业现在能采集到丰富的医疗数据，包括电子病历、医疗影像、智能可穿戴设备实时采集到的各类用户健康行为数据等。面对这些数据，我们需要思考如何高效处理、分析丰富多样的医疗数据，并将其转化为有价值的产品或服务。
幸运的是，技术的快速发展，尤其是人工智能技术的崛起，为我们提供了可能的解决方案。其中，“数智健康”作为新兴概念，强调数字化和智能化协同推进大健康。基于大量医疗健康数据，如临床数据、健康档案数据、智能硬件数据等，结合AI技术、大数据、云计算和数字化平台，实现医疗健康的数字化和智能化。
在这样的背景下，这些新兴技术未来将逐步应用到大健康领域的需求中，进而产生更多的应用，比如智能辅助诊断、基因诊断、医药研发或类器官等的相关研发。
然而，“AI+医疗”在商业化落地时也面临诸多挑战。临床应用中，患者和医生对AI的信任问题、监管问题、伦理问题等层出不穷。这些挑战并非纯粹的技术或医疗健康问题，而是与“人”的因素密切相关。因此，如何有效匹配技术和健康管理需求，成为当前亟待解决的问题。
02
“AI+医疗”落地，助力社区健康管理升级
如果知道了健康管理需求，如何匹配合适的AI技术？在这里分享一个以社区健康管理为视角的案例。社区健康管理在分级诊疗制度下是非常重要的一环，社区居民不用往大医院跑，社区的小医院也可以起到大作用。在分级诊疗的时候，社区健康管理可以承担起慢病防治之类的一系列重任。
以管理学的视角看，社区健康管理构建了一套理论框架，这一框架从居民建档、社区疾病筛查、风险评估和干预，到最后的随访，以此为一个循环。但实践过程中会出现各种各样的突发情况。
▲ 虹桥路院区（图片来源：新民周刊）
以上海市眼病防治中心为例，其主要任务是进行上海市所有社区的眼病筛查服务。具体来看，中心首先会发动所有社区卫生服务中心进行现场疾病筛查，走入社区给居民进行眼底拍片。由于社区医院的医疗服务质量有限，很多社区医院没有专门的眼科医生能够进行眼病诊断。
依赖数字化技术，上海市眼病防治中心会把患者的眼底照片上传到云端，并邀请远程的三甲医院专家进行阅片，再反馈给社区医院。但由于专家和医生都有自己的门诊任务，只能抽空或是在特定的时间进行阅片，所以反馈诊断结果往往需要1-2周的时间，再由社区医生将结果反馈给居民。这样漫长的时间间隔容易导致居民的转诊意愿变低，不利于整个社区的健康管理。
这个问题困扰了上海市眼病防治中心很久，直到AI技术的出现。AI在图片识别领域的发展已经非常成熟，而眼底相片其实就是一种医疗影像，就可以利用AI做眼底照片的疾病识别。引进AI眼病筛查设备后，以前长达1-2周的诊断时间极大缩短，患者只需要在现场等待1-2分钟，结果就能当场反馈，居民的转诊意愿也迎来大幅提高。
但与此同时，AI技术的落地应用也面临诸多挑战。比如对于上海市眼病防治中心来说，由于市面上有很多类似的AI设备厂家，那么如何选取合适的AI设备是挑战之一；再如设备采集到患者的相关数据后，是直接传输给AI的设备供应商，还是眼病防治中心自己建立数据库，这一过程中如何确保数据安全是一个棘手问题。
此外，AI技术正逐步渗透到医疗产业的各个层面，如何打破数据壁垒、实现数据的互联互通也是当前亟待解决的问题。事实上，较之于消费或互联网等领域而言，医疗健康领域所能获得的数据量是极其有限的。特别是生成式AI的训练和应用需要极大的数据量，这一现实与医疗数据稀缺性之间形成了鲜明的矛盾。更为关键的是，医疗数据的采集主要依赖于医疗机构，而当前多数医院的数据系统仍处于孤立状态，未能实现互联互通。
医疗健康领域的特殊性也为AI技术的实际应用设置了重重限制，其中伦理、安全及隐私保护是尤为突出的考量因素。与传统消费领域相比，医疗健康产品的推广需先经过监管部门的严格审查，确保合规性。因此，在推动医疗健康领域的技术应用时，必须优先考虑数据安全、隐私保护以及患者权益的保障。
03
优化大模型，实现技术特性与用户需求“对齐”
在探讨如何以适宜的AI技术满足或激发医疗健康行业新需求时，生成式AI无疑成为了焦点话题。
尽管Chat GPT、文心一言、通义千问等生成式AI目前已经得到广泛应用，但回溯生成式AI的发展脉络会发现，2023年前出现的所有重要的大模型，大多数都没有为大众所熟知，直至Chat GPT的出现，才让人们真切感受到人工智能已迈入智能新阶段。
这说明，我们需要更多地了解AI的技术特性，才能更全面地探讨AI技术在医疗健康领域的潜在应用。
其次，整个的生成式AI是产学研紧密结合的，生成式AI的研究离不开大型科技公司投入研发，但同时也离不开高校的助力，在落地实践过程中，更离不开整个行业的支撑。
同时，AI具有浓厚的开源氛围，它的技术部署、落地速度非常快。从最初仅能处理单一的文本信息，到如今已能轻松应对多模态信息，乃至复杂视频内容的处理，AI的进步日新月异。这也对企业的应用落地提出了不小的挑战。
在医疗健康领域，生成式AI的应用正日益受到广泛关注，围绕其生成自然语言的能力所开发的相关应用受到更广泛的讨论。很多企业在积极探索利用生成式AI技术构建医疗问诊系统。但值得注意的是，尽管AI技术本身在不断复杂化，其能力也在持续增强，但得益于智能化的平台与工具，AI技术的应用门槛却呈现出降低的趋势。
以百度文心智能体平台为例，任何人无需具备深厚的AI技术背景或编程能力，仅需通过简单的界面操作，如勾选选项、输入需求等，就能在短短十分钟内搭建出个性化的眼病问诊小助手。
但需要思考的是，AI问诊真的满足了用户需求吗？实践表明，当构建一个医疗问诊小助手后，同时邀请医生与AI共同回答用户问题时，医生的回答往往更为精准、简洁且直击要害。因此，如何进一步优化大模型，使其更精准地捕捉并响应用户的真实需求，是当前研究的重要方向。
总体来看，我国大健康产业正处于快速发展初期，伴随着产业的蓬勃兴起，有很多挑战与问题随之浮现。在这一过程中，我们不仅要关注技术的创新与突破，更应深入思考如何将这些技术更好地应用于实践，以满足用户的实际需求。