分析病人檢查單，輔助醫師更快更準找出病因；
化身記憶小助手，提醒病人到點吃藥；
分析大量醫療數據，協助發現新療法；
……
展開想像，當AI技術能夠與日常的醫療健康管理“無縫對接”，我們會收穫貼心的“健康管家”，擁有更智能、方便的生活。
但同時「AI+醫療」在商業化落地時也面臨諸多挑戰，病人和醫師對AI的信任問題、監管問題、倫理問題等層出不窮。
如何更好地把AI科技應用於醫療健康領域？如何透過AI技術激發更多新的需求？本期視界，小管邀請到復旦管院資訊管理與商業智慧系助理教授李文文，探討AI如何賦能大健康產業發展。
李文文
資訊管理與商業智慧系助理教授
研究方向：機器學習，醫療健康管理，人機協同，電子商務
01
AI賦能，「數智健康」時代來臨
從管理的視角看醫療健康產業，核心在於需求分析。傳統醫療服務以治病為中心，醫師針對個別病患提供醫療產品和服務。然而，當前國家提出的《「健康中國2030」規劃綱要》，要求從以治病為中心轉向以人民健康為中心，這意味著要從傳統的、面向個人的醫療服務，轉為面向群體，並進一步思考如何為更廣泛的人群提供全生命週期的醫療健康服務。
除了醫療產品和服務外，也要注意健康產品和服務。目前的醫療健康產業不應僅僅局限在醫院或是醫療機構場景，更要關注居民從疾病預防、疾病診療，到後期的疾病康復和隨診這一整個全生命週期。
值得關注的是，這些轉變帶來了新的需求和新的挑戰。個人層面，人們對醫療健康的需求日益增長，開始追求更優質、高效、個人化的醫療服務。這對醫療從業人員及相關企業提出了更高要求，即如何提供更好的醫療服務。
組織層面，醫療機構和企業現在能收集到豐富的醫療數據，包括電子病歷、醫療影像、智慧型穿戴裝置即時收集到的各類使用者健康行為數據等。面對這些數據，我們需要思考如何有效處理、分析豐富多元的醫療數據，並將其轉化為有價值的產品或服務。
幸運的是，科技的快速發展，尤其是人工智慧技術的崛起，為我們提供了可能的解決方案。其中，「數智健康」作為新興概念，強調數位化和智慧化協同推動大健康。基於大量醫療健康數據，如臨床數據、健康檔案數據、智慧硬體數據等，結合AI技術、大數據、雲端運算和數位化平台，實現醫療健康的數位化和智慧化。
在這樣的背景下，這些新興技術未來將逐步應用到大健康領域的需求中，進而產生更多的應用，例如智慧輔助診斷、基因診斷、醫藥研發或類器官等的相關研發。
然而，「AI+醫療」在商業化落地時也面臨許多挑戰。臨床應用中，病人和醫師對AI的信任問題、監管問題、倫理問題等層出不窮。這些挑戰並非純粹的技術或醫療健康問題，而是與「人」的因素密切相關。因此，如何有效配合科技和健康管理需求，成為目前亟待解決的問題。
02
「AI+醫療」落地，協助社區健康管理升級
如果知道了健康管理需求，如何搭配合適的AI技術？在這裡分享一個以社區健康管理為視角的案例。社區健康管理在分級診療制度下是非常重要的一環，社區住民不用往大醫院跑，社區的小醫院也可以發揮大作用。在分級診療的時候，社區健康管理可以承擔起慢病防治之類的一系列重任。
以管理學的視角來看，社區健康管理建構了一套理論框架，從居民建檔、社區疾病篩檢、風險評估和乾預，到最後的隨訪，以此為一個循環。但實踐過程中會出現各種各樣的突發情況。
▲ 虹橋路院區（圖片來源：新民報）
以上海市眼疾防治中心為例，其主要任務是進行上海市所有社區的眼疾篩檢服務。具體來看，中心首先會發動所有社區健康服務中心進行現場疾病篩檢，走入社區為居民進行眼底拍片。由於社區醫院的醫療服務品質有限，許多社區醫院沒有專門的眼科醫師能夠進行眼科疾病診斷。
依賴數位化技術，上海市眼病防治中心會把病人的眼底照片上傳到雲端，並邀請遠端的三甲醫院專家進行閱片，再回饋社區醫院。但由於專家和醫師都有自己的門診任務，只能抽空或是在特定的時間進行閱片，所以回饋診斷結果往往需要1-2週的時間，再由社區醫師將結果回饋給住民。這樣漫長的時間間隔容易導致居民的轉診意願變低，不利於整個社區的健康管理。
這個問題困擾了上海市眼病防治中心很久，直到AI技術的出現。 AI在圖片辨識領域的發展已經非常成熟，而眼底相片其實就是一種醫療影像，就可以利用AI做眼底照片的疾病辨識。引進AI眼疾篩檢設備後，以前長達1-2週的診斷時間極大縮短，患者只需要在現場等待1-2分鐘，結果就能當場回饋，居民的轉診意願也迎來大幅提高。
但同時，AI技術的落地應用也面臨許多挑戰。例如對於上海市眼病防治中心來說，由於市面上有很多類似的AI設備廠家，那麼如何選取合適的AI設備是挑戰之一；再如設備採集到患者的相關數據後，是直接傳輸給AI的設備供應商，還是眼疾防治中心自己建立資料庫，這個過程中如何確保資料安全是一個棘手問題。
此外，AI技術正逐步滲透到醫療產業的各個層面，如何打破資料壁壘、實現資料的連結互通也是目前亟待解決的問題。事實上，較之於消費或網路等領域而言，醫療健康領域所能獲得的數據量是極為有限的。特別是生成式AI的訓練和應用需要極大的資料量，而這個現實與醫療資料稀缺性之間形成了鮮明的矛盾。更關鍵的是，醫療數據的收集主要依賴醫療機構，而目前多數醫院的數據系統仍處於孤立狀態，未能實現互聯互通。
醫療健康領域的特殊性也為AI技術的實際應用設定了重重限制，其中倫理、安全及隱私保護是特別突出的考量。與傳統消費領域相比，醫療健康產品的推廣需先經過監管部門的嚴格審查，確保合規性。因此，在推動醫療健康領域的技術應用時，必須優先考慮資料安全、隱私保護以及病患權益的保障。
03
優化大模型，實現技術特性與使用者需求“對齊”
在探討如何以適當的AI技術滿足或激發醫療健康產業新需求時，生成式AI無疑成為了焦點話題。
儘管Chat GPT、文心一言、通義千問等生成式AI目前已經被廣泛應用，但回溯生成式AI的發展脈絡會發現，2023年前出現的所有重要的大模型，大多數都沒有為大眾所熟知，直到Chat GPT的出現，才讓人真切感受到人工智慧已邁入智慧新階段。
這說明，我們需要更了解AI的技術特性，才能更全面地探討AI技術在醫療健康領域的潛在應用。
其次，整個的生成式AI是產學研緊密結合的，生成式AI的研究離不開大型科技公司投入研發，但同時也離不開高校的助力，在落地實踐過程中，更離不開整個行業的支撐。
同時，AI具有濃厚的開源氛圍，它的技術部署、落地速度非常快。從最初僅能處理單一的文字訊息，到如今已能輕鬆應對多模態訊息，乃至複雜影片內容的處理，AI的進步日新月異。這也對企業的應用程式落地提出了不小的挑戰。
在醫療健康領域，生成式AI的應用正日益受到廣泛關注，圍繞其生成自然語言的能力所發展的相關應用受到更廣泛的討論。許多企業在積極探索利用生成式AI技術建構醫療問診系統。但值得注意的是，儘管AI技術本身不斷複雜化，其能力也持續增強，但得益於智慧化的平台與工具，AI技術的應用門檻卻呈現降低的趨勢。
以百度文心智能體平台為例，任何人無需具備深厚的AI技術背景或程式設計能力，僅需透過簡單的介面操作，如勾選選項、輸入需求等，就能在短短十分鐘內搭建出個性化的眼疾問診小助手。
但要思考的是，AI問診真的滿足了使用者需求嗎？實踐表明，當建構一個醫療問診小助手後，同時邀請醫生與AI共同回答使用者問題時，醫生的回答往往更為精準、簡潔且直擊要害。因此，如何進一步優化大模型，使其更精準地捕捉並回應使用者的真實需求，是目前研究的重要方向。
整體來看，我國大健康產業正處於快速發展初期，伴隨著產業的蓬勃興起，有許多挑戰與問題隨之浮現。在這過程中，我們不僅要專注於技術的創新與突破，更應深入思考如何將這些技術更好地應用於實踐，以滿足使用者的實際需求。