優秀的醫療大數據和AI公司，都在圍繞電子病歷的六個應用場景做文章

在上一篇《五大維度詳解電子病歷，其標準化程度是人工智慧和醫療大數據落地的基石！》文章中，動脈網重點分析了目前電子病歷的5大標準化規範。本篇文章，我們將對目前國內知名的醫療大數據和AI企業圍繞電子病歷的創新應用進行梳理。

從市場情況來看，目前電子病歷在臨床中的使用主要有這6大難題：

1、電子病歷系統難以滿足病種專業化需求，特別是醫生在重大疾病領域對臨床數據的個性化需求。

2、電子病歷操作繁瑣，醫生在錄入數據時，難免會出現倦怠，這樣一來，錄入的數據的真實性就會大打折扣。

3、電子病曆數據的互聯互通。這包含兩個方面，一是醫院內部電子病歷與其它HIS等系統的結合。第二是政府級的區域共享平台，它的任務主要是數據的抓取和醫院之間的信息互聯互通。在這兩個過程中，需要通過更加先進和完備的技術，保證數據存儲和共享的安全性。

4、醫院內基於電子病歷部署大數據平台，應用於科研或臨床，需要讓每家醫院每款軟體背後的軟體公司開放數據介面。但企業往往漫天要價、消極配合、一拖再拖。如果沒有一個有效的平台集中存儲大規模多源異構的醫療數據，數據的挖掘就只能手工作坊式地進行。

5、由於過去醫生在使用電子病歷時缺乏數據結構化錄入，更多是用文字的形式記錄下來，八股文較多。就像在word里寫記錄報告，醫院過往的電子病歷中留存著大段的自然段落。這讓醫院的質控、數據利用等方面存在困難。所以，如何將這些存量數據進行準確地結構化處理，是現階段的一大難題。

6、基層全科醫生由於經驗缺乏，時常出現造成誤診、漏診，進而造成嚴重的醫患危機。而目前大醫院的電子病歷的臨床診療相關價值尚未被系統性挖掘出來。再加上大醫院醫生的忙碌，很難真正將先進的診療經驗帶到基層。因此，基於大醫院電子病曆數據的臨床輔助決策系統成了未來的發展方向。

正是由於這些難題存在，所以才給一些新型的AI和大數據公司帶來了發展機會。根據動脈網的觀察，目前它們普遍在以下6個場景開展服務：

1、病種專業化平台

2、智能語音錄入

3、區塊鏈技術

4、多源異構數據挖掘

5、自然語言識別

6、臨床決策支持

1、病種專業化平台，醫療大數據的源頭創新——博識醫療雲

中國的疾病診斷與治療發展到今天，高度缺乏病種專業化工具。越是垂直的領域，就越是缺乏趁手的數據工具。作為醫院的臨床數據承載平台，現階段的電子病歷系統在設計理念和使用上都過於陳舊，難以應對醫生在重大疾病領域內對數據瞬息萬變的需求。

例如，醫生要做研究，回顧性數據是第一步。由於現有系統在數據維度和病種專業度上的局限性，很多醫生還在使用原始的excel方式進行病歷的錄入。要想把數據分解成不同的課題，例如只關注病理分型和用藥療效之間的相關性，那麼醫生就得把所有非相關信息剝離，然後再做一個表格，對有用的信息進行分析。這個過程中，醫生往往會收集幾百上千例的患者數據，花掉整個研究周期80%的時間，而真正產出的環節只會用到20%的時間。

博識醫療雲，能夠在標準化結構和統一化用語的前提下，滿足醫院臨床數據不斷加速的迭代需求。使用博識醫療雲，能夠讓醫生的每一個病例根據輸入的不同欄位，得到想要的信息。按照疾病種類的不同，它還能幫助醫院實現個性化、標準化數據整合，最終打通患者健康數據與診療數據的隔閡，從而形成真正意義上的健康醫療大數據。

以博識醫療雲在胸外科的表單為例，其最複雜的表單欄位數超過2700個。這意味著，醫生在使用這套表單時可選擇關注的數據維度超過2700個。在技術和產品上要實現，需要團隊與使用者進行長期、深度地需求分析與溝通合作。

之所以博識醫療雲會涉及如此多的維度，是因為在臨床領域，大數據和小數據的地位其實同等重要。特殊數據案例在統計學上被稱為離群值，是因為它影響到了大數據的統計計算而被剔除。但從科研角度來說，單個特殊病例具有特殊意義，它對醫生了解特殊個體從而發展出創新的思路和方法具有很大的臨床研究價值。只有將患者數據做到病種專業化甚至科室和醫生個性化，才有可能同時關注到大數據和小數據。

其次，基於對病種專業化的支持，博識醫療雲能夠實現幾十家醫院、幾百位醫生上千份病歷的MDT。不同科室、不同醫生、不同病歷表單之間的交叉驗證互補，從不同的維度，讓MDT的價值實現最大化。

另外，人工智慧的開發基礎和長期優化需要高質、持續的數據。傳統HIS系統里的數據，由於其歷史因素造成的數據質量和維度的不足，使得利用這些數據訓練出來的AI在準確度和泛用性上很難真正應用於臨床。

因此，只有保證原始數據的專業化質量、結構化整合，及多樣化維度，才能讓未來開發具有真實性和準確性的人工智慧變得可能。博識醫療雲已經在這個方向上深度布局，並將通過與中科院數據科學中心合作的醫療大數據聯合實驗室推出數個重大專科疾病的智能輔助診斷平台。

目前，博識醫療雲已經覆蓋了幾乎全部重大疾病領域，包括：腫瘤、血液、骨科、神經內科、神經外科、精神科、呼吸系統疾病等。在全國400餘家三甲醫院的超過3000個臨床科室實現了落地應用，其中腫瘤（含血液腫瘤）相關科室超過1400個。

2、智能語音錄入，解放醫生雙手——雲知聲

雲知聲是一家專註物聯網人工智慧服務。公司利用機器學習平台（深度學習、增強學習、貝葉斯學習），在語音技術、語言技術、知識計算、大數據分析等領域建立了領先的核心技術體系，這些技術共同構成了雲知聲完整的人工智慧技術圖譜。在應用層面， AI芯、AIUI、AI Service三大解決方案支撐起雲知聲核心技術的落地和實現。

雲知聲智能醫療語音錄入系統以雲知聲專業的面向醫療領域的高性能識別引擎為基礎，以飛利浦手持式外設錄入設備為輔；通過該外設錄入設備即可與醫院內各系統完美對接，通過語音來高效的處理大量文本錄入工作，通過語音和手持設備上的功能鍵與院內HIS、PCS系統等交互起來。

另外，雲知聲還研發出國內醫學領域首個語音識別引擎針對醫學資料庫(數百萬的醫學專有名詞、數千小時的語料積累、極其複雜的中英文混合表述方式)做了大量模型優化。

為了可以精準識別，雲知聲還為醫院做了深度定製，深度定製的醫療語音識別模型根據不同科室、不同病種的整段病歷資料，運算出關鍵詞句語料，為40多個臨床和醫技科室提供分場景支持。

尤其在神經科、免疫內科、血液科、普通內科等疑難雜症患者多的科室應用效果好，目前這個語音識別準確率達到95%以上，個別科室的語音識別率甚至超過98%，同時輔助以雲端語義校正技術，整體識別率接近100%。

醫生通過語音錄入方式不僅提高了工作效率的同時，語音錄入還能有效避免複製粘貼操作，規範病歷輸入，增加病歷輸入安全性。目前，這個系統可以有效節省醫生超過38%的時間。

自從面向醫療的整體方案推出以來，雲知聲已經在全國20多家有代表性的大型綜合三甲醫院正式上線使用，這些醫院分布在華中、華北、華南、西部等地，其中包括北京協和醫院，北大人民醫院，第四軍醫大學西京醫院，香港大學深圳醫院等，還有約40家醫院正處於試運行階段。

3、區塊鏈技術，解決電子病曆數據共享和安全問題——阿里健康

區塊鏈的概念並不複雜，它主要由三部分構成：一個分布廣泛的網路，一個有效准入身份的共享賬戶，以及數字交易。

醫療方面，區塊鏈最主要的應用是對個人醫療記錄的保存，可以理解為區塊鏈上的電子病歷。如果把病歷想像成一個賬本，原本它是掌握在各個醫院手上的，患者自己並不掌握，所以病人就沒有辦法獲得自己的醫療記錄和歷史情況，這對患者就醫會造成很大的困擾，因為醫生無法詳盡了解到你的病史記錄。

但如果用區塊鏈技術來進行保存，就有了個人醫療的歷史數據，看病也好，對自己的健康做規劃也好，就有歷史數據可供使用，而這個數據真正的掌握者是患者自己，而不是某個醫院或第三方機構。

2017年8月17日，阿里健康宣布與常州市合作的「醫聯體+區塊鏈」試點項目已落地，據介紹，區塊鏈技術已被應用於常州市醫聯體底層技術架構體系中，並實現當地部分醫療機構之間安全、可控的數據互聯互通。

據悉，常州市鄭陸鎮衛生院是一家社區醫院，為14萬人口提供基層醫療服務，每月接診量在3萬人次左右。據院長張志宏表示，此前每家醫療機構的龐大信息，都需要分散傳送到市醫療機構信息平台。但是各醫療機構之間並不互通，很多業務訴求都沒法實現。此外，如何保證個人隱私的健康信息在流通存儲中的安全也是原平檯面臨的難題。

使用區塊鏈技術，能夠很好地解決醫療機構互聯互通和信息存儲安全的問題。

以分級診療就醫體驗為例：居民就近衛生院體檢，通過在區塊鏈上的體檢報告分析，篩查出心腦血管慢病高危患者，5%左右的需轉診患者可以由社區醫生通過區塊鏈實現病歷向上級醫院的授權和流轉，而上級醫院的醫生，在被授權後可迅速了解病人的過往病史和體檢信息，病人也不需要重複做不必要的二次基礎檢查，享受醫聯體內各級醫生的 「管家式」全程醫療服務，實現早發現早診療的「治未病」。

阿里健康區塊鏈技術利用舊有的IT設備和系統將信息串聯在一起，相比傳統信息化方式，接入成本更低，安全性也更高。

4、多源異構數據挖掘，打破醫院信息孤島——大數醫達

由於歷史原因， 我國醫院同時運行著百多種醫療信息化系統，這些多源、異構的系統彼此割裂，指使各醫療數據處於孤島狀態，無法得到有效利用。而且，信息化廠商往往通過介面收取高額的費用。

大數醫達與醫院合作，無須和原系統對接，利用大數據技術完成多源、結構和非結構數據的清洗、脫敏、結構化、標準化，使得醫院能夠一統原先分裂的醫療數據，形成互聯互通的醫療大數據平台，為實現大數據處理和分析奠定數據基礎。

一家醫院，大數醫達甚至可以挖掘到近20年的數據。

大數醫達通過將腫瘤患者分散在HIS、EMR、LIS、PACS等院內系統中的病歷記錄進行融合處理，以時間軸集成視圖方式展現每位患者的門診、住院病歷信息。

過去一家做HIS的公司想做患者的信息統計，需要自己採集數據或者是跟其他的系統進行協作，開放數據介面之後把數據讀取出來。現在只需要與大數醫達一家公司合作，二次開發的工作量降低了許多。

另外，大數醫達還能實現醫療數據的快速檢索，提供基於醫療大數據平台的病歷智能檢索服務。通過將百度、谷歌等互聯網信息搜索技術應用於病案檢索，方便醫生快速檢索海量病歷記錄。例如，醫生可在1秒鐘內快速檢索出所有病理報告確診「乳腺癌」，或「癌胚抗原（CEA）大於5」的患者病歷。

除了互聯互通之外，三甲醫院還會有一些管理統計的需求。例如，醫院統計科主要工作職責是負責在日常工作中收集、整理醫院醫療過程和管理過程中的各種信息，運用統計學理論和方法對醫院的各項工作信息進行科學的加工和整理、監測和分析，完成各種數據報表的整理歸納統計分析。

醫院領導往往需要了解一些異常指標的原因，如科室與疾病的葯佔比高的異常原因，這就需要統計科基於HIS進行數據檢索。有了大數據平台，統計科就能很輕鬆完成這項任務。

在大數據平台的基礎上，大數醫達還開發了一款AI醫生助手，基於對海量病歷信息的深度學習，提取出智能診斷模型，應用於輔助醫生完成臨床診斷及臨床教學工作。

例如，診斷模型可以根據醫生提供的患者信息、主訴、病史、化驗、檢查等信息，智能推薦出可供鑒別的疾病列表和對應概率，並將類似病歷中的統計信息提供給醫生作為參考。

5、自然語言識別，實現病歷後結構化處理——森億智能

森億智能是一家專註於利用人工智慧進行醫學文本自動分析和二次應用的醫療人工智慧公司，直面醫療大數據中非結構化數據的利用難題。

公司擁有自主研發的中文醫學文本自然語言處理技術，可實現海量臨床非結構化電子數據（住院病歷、門診病歷、影像學報告、病理報告、體檢報告）的後結構化和標準化處理，旨在用人工智慧方法取代醫學文本的人工閱讀與分析，杜絕醫療數據的浪費，通過研發和推廣醫療人工智慧產品，提高醫療生產力，提升醫療安全，以紓解中國醫療困境。

作為專業的醫療人工智慧技術提供商，森億智能已開發出一套成熟的中文醫學自然語言處理流程系統，可靈活配置顆粒度等屬性，可開放中文病歷語義API，為客戶提供無縫對接不同的平台和系統的可插拔式模塊。

森億智能的人工智慧系統像一個有經驗的醫生一樣，可以精準完整的讀懂病歷所表達的含義，並消解其中的歧義。系統利用自然語言處理技術，深度挖掘和分析醫療文本的信息，它可以快速批量抓取病歷中的信息生成一個結構化資料庫，這個抓取環節可以為醫生節省數月的時間，把這個過程的耗時壓縮到幾秒。

目前該系統全科室綜合準確率在92%，可以識別13大類臨床變數，識別19類變數語言關聯，可實現全自動生成結構化資料庫。更重要的是，森億的自然語言處理不依賴任何人工規則，在面對新的病種、新的病歷時，完全通過機器學習來完成模型構建，從而使得產品在面對不同場景時實現靈活定製、高速迭代。

正是由於系統速度快、準確率高的特點，即使面對目前各大醫院IT系統的標準不一這種情況，森億智能也可以迅速將慢病管理、健康平台、保險公司、HIS系統乃至葯企等客戶所需的數據，結構化處理，做出實際有說服力的案例，以促進行業的發展。

目前，森億智能已服務於十余所國內知名三甲醫院的多個科室、以及十餘個醫療IT、醫療數據企業，服務內容是依據醫院、醫療IT企業、保險、葯企等B端客戶的需求，將病歷結構化、可視化處理，將處理後的數據應用到臨床科研、醫保控費、藥物研發和臨床決策支持等方面。

6、臨床決策支持系統，輔助全科醫生——零氪科技

《中國衛生和計劃生育統計年鑒2016》中的數據顯示，我國全科醫生數量約為188649人，每萬人口全科醫生數僅為1.37人，可以看出，目前我國全科醫生數量十分匱乏。

另外，從我國社區衛生中心的人員學歷來看，其中41.5%都為大專學歷，只有1%的人員為研究生學歷，由此可見，基層醫生的醫療水平普遍不高。

醫療大數據取之於大醫院，同時也會在基層醫院落地應用。零氪科技旗下HUBBLE醫療大數據輔助決策系統通過對海量病歷進行深度挖掘與學習，將專家經驗提煉成AI模型演算法服務於全科醫生，能夠提高他們的臨床工作效率，緩解基層醫生資源不足的問題。

臨床對於輔助診斷的要求甚高，醫學數據或者說輔助診斷場景里，對於結論的可推測性——因果推測鏈條要求十分嚴格。在這個場景下，大數據里常用的基於相關性結論的應用和產品設計，並不適用於醫學這個特殊領域。

因此，必須要從統一標準的角度入手，利用深度學習構建輔助診斷的模型，最大限度地降低醫生的工作量，同時又能儘可能的以客觀公正的態度幫助醫生提出第三方診療建議。這樣一來，就能避免基層全科醫生由於經驗缺乏，造成誤診、漏診的情況。

在輔助醫生決策方面，零氪科技旗下的HUBBLE醫療大數據輔助決策系統是目前的明星產品，它主要可以實現以下功能：

1、輔助管理決策，HUBBLE通過院長面板、業務報表，為合作醫院和科室智能化「診斷」醫院質量管理中可能存在問題，通過患者分析、醫療質量分析、運營效率分析等六大模塊可視化的展現出來，為醫院管理決策提供數據依據；

2、HUBBLE基於海量的臨床病曆數據和影像數據，結合醫學專家精準的樣本標註數據，通過人工智慧技術，讓機器有效學習專家知識，輸出智能化輔診及影像診斷服務，能夠為基層醫生髮現和確診疾病、提升診療效率提供幫助。

HUBBLE醫療大數據輔助決策系統的核心運營機制基於海量的醫療大數據，同時將各學科專家的經驗囊括到系統中，技術人員應用先進的IT技術、深度學習演算法等針對腫瘤領域進行專業的定製，從而提供可視化、場景化、智能化的系統解決方案提供給醫生。而且醫生在使用過程中的反饋，又能夠不斷的優化系統，提升系統的準確性。

目前，HUBBLE醫療大數據輔助決策系統已經在海南醫學院第一附屬醫院、安陽市腫瘤醫院、河南省腫瘤醫院和天津市腫瘤醫院實現了落地。

6大應用場景，貫穿電子病曆數據產生的前、中、後三個階段

電子病歷的6大應用場景，我們可以將其按照數據產生前、中、後，分為三個階段的應用。如病種專業化平台博識醫療雲、雲知聲病歷智能語音錄入，都可以看做是數據產生前的應用。疾病專業化工具和區塊鏈技術，則可以看做是數據產生時所涉及到的包括數據共享、存儲和安全在內的應用。而自然語言識別、結構化多源異構數據挖掘和臨床決策支持，則是基於數據產生後，數據的後結構化、互聯互通以及輔助診斷的應用。

由此可見，電子病歷作為健康醫療大數據的基礎資料庫之一，企業圍繞它的任何一個環節所進行的創新，都存在著較大的市場機會。同時，這也再一次從側面反映了電子病歷未來在AI和大數據所處的核心地位。

以上文章選自動脈網（公眾號：vcbeat），更多原創深度好文，歡迎關注~

推薦閱讀：