2017年有关智能医疗的一些投资建议

【编者按】戎文晋（笔名戎老湿 ） ，此前是百度医生的产品架构师，他提出 智能医疗的创新将会打破医院和医生之间的平衡，而平衡打破之后的反应将决定创新能否成功地生存下来。他判断 如果智能医疗的创新天平加重了医院一方，那么这个创新的成功概率就小；相反，如果智能医疗的创新站在医生一边，为医生赋能，则创新成功的概率会大大增加。

本文发于公号“戎老湿的鹰 ” ，作者 戎老湿；经亿欧编辑，供行业人士参考。

---

最近互联网医疗领域有几个事情吸引了朋友圈的眼球：

百度裁撤医疗事业部 ，转型人工智能医疗方向；

IBM Watson与世界顶级癌症研究机构MD安德森的合作暂停 ；

卫计委发布《电子病历应用管理规范（试行）》，为电子病历提供国家级指导。

医疗在变，互联网也在变，这是趋势，你来亦或不来，它都在那里等你。近一年互联网医疗在一阵狂欢后沉寂了，甚至还有些悲怆（春雨张锐不幸离开了我们）。因为戎老湿与互联网医疗亲密接触过，这些消息于我心有戚戚焉！

在智能医疗嬗变前的这个安静时期，戎老湿把自己对智能医疗的体会分享出来，算是为推动智能医疗贡献点蚍蜉之力。

医疗涉及的产业太多，这篇小文不可能都谈到，戎老湿只说智能医疗。

所谓智能医疗指利用互联网、大数据、人工智能等技术介入医疗服务，从而创造出的新服务和新生态。比如春雨、好大夫、丁香园、Watson医生、Pubmed等都在本文所讨论范畴内。

医生与医院的博弈平衡

医疗、教育和法律咨询等行业有个共同特点：核心服务由单个专业技术人员提供。到医院看病我们关心哪个医生出诊，带孩子学奥数我们打听上课老师口碑如何。这类服务的质量高低很大程度上跟服务地点和所在机构关系不大。

君不见，培训学校的知名老师跳槽或自立门户的新闻不断。其中最知名的就是新东方的俞敏洪，早年他从“东方外语培训学校”出来自立门户成立新东方。

医疗上最近也正好有个案例，贵航贵阳医院精神科主任跳槽到贵阳市第六人民医院一事，不仅自己跳，还带走了大多数医生和患者。

看到这里，有同学可能疑惑了，跳槽这事每个行业都有啊？医疗行业有什么不同吗？

戎老湿答：看点不是跳槽，而是单个专业人员能提供完整服务。

你使用微信订阅号，并不关心是哪个程序员开发的。你使用苹果手机，也不关心是富士康的哪个打工妹帮你装好的。这些服务或产品更多地呈现出一种集体交付的结果。不存在单个核心技术人员给用户提供一个完整的服务。

所以，医疗、教育这些行业有个体执业的倾向，存在家教和个体诊所这样的业态。

正是有这样的特点，医院与医生之间存在一种微妙的博弈平衡。 一方面，医院希望自己的医生有较强的业务能力，有很好的口碑，以吸引更多的患者增加收入；另一方面，当医生的口碑越来越好时，他们会跳槽、多点执业或走穴开飞刀，从而减少了医院的收入。

那医院的策略是什么？

除了体制内的一些行政方式（比如人事制度）外， 医院的重要应对策略是让“医生下沉”，突出医院品牌，而弱化医生知名度， 引导患者的就医决策关注在医院上。

北京市预约挂号平台上不设置按医生挂号，甚至找不到医生的名字。这样， 医生的价值逐渐被医院绑架。这就是国内公立三甲医院的状态。

当然，医生也有对策，所以才有大量医生维护在好大夫上的问答与评价。 医生和医院处在一个动态的平衡中，但总体医院处于强势地位。

之所以要叨叨这样一个故事， 戎老湿想说的是智能医疗的创新将会打破这个平衡，而平衡打破之后的反应将决定创新能否成功地生存下来。

戎老湿有一个判断：如果智能医疗的创新天平加重了医院一方，那么这个创新的成功概率就小；相反，如果智能医疗的创新站在医生一边，为医生赋能，则创新成功的概率会大大增加。道理很简单，表哥告诉你：

所以，智能医疗的战略大方向是站在医生一边，为医生赋能。

智能医疗的投资建议

战略大方向定了，具体如何实施就要回到医疗行为的核心场景上去。

医疗业务的核心诉求是消除或减轻患者的病痛，这发生在医生与患者面对面的诊室或手术室的场景。

在这个核心场景下，智能医疗可以通过以下三个层次为医生赋能：

提升医疗技能：临床决策支持

提高医疗效率：智能分诊

便利医疗服务：在线问诊

看图更简单，我用一张图来说明本文最重要的结论。

稍微解释一下。

离核心场景最近的是临床决策支持，即帮助医生确诊，判断病情病因，找到最佳治疗方案。做好这个事最关键的是要有准确专业的数据源。不同的数据源产生不同的业务模式：

第一种数据源是医院的完整病案 。IBM Watson医生就是这个思路。它与美国的肿瘤医院合作获得病案数据并训练自己的智能模型，给医生提供确诊和治疗方案的参考。这是一种单纯的技术合作业务，商业模式是技术服务费，且需要数据源提供方紧密配合和认可。国内很少有以此为核心技术的创业公司。 

此类企业的投资重点需要考察：数据源的供给是否满足完整、成规模和稳定，前两者保证人工智能方法的有效，后一个保证数据源的合作有持续性；方法能否推广至其他医院，保证商业回报。

第二种数据源是医生群体之间的交流 。国内以丁香园为代表，通过专业人士的相互交流获得临床难题的解决方案。

美国的Sermo与丁香园比较类似，2012年以前是美国最大的医生社区。现在医生社交APP中占绝对优势的是Doximity，它以医生履历为核心将医生联系起来，并满足美国法规要求传送病案。

对应国内并没有类似Doximity的社交应用。随着国内对民营医院的认可和政府鼓励多点执业，医生间的流动会增加，医生社交和招聘需求也会增强。但这个变化估计会很缓慢，时间比较长，短期投资不看好这方面的工作。

第三种数据源是医学文档 ，含医学期刊、指南与共识、医学影像和视频等。我在医疗事业部时曾力推百度医学这个产品，通过对文献的知识解构，为临床决策提供支持。

美国对标的产品是Pubmed，国内丁香园和医脉通有一部分工作类似，但远达不到可以成为临床决策之用。 这个事情的核心难点在于医学专业人员和人工智能技术团队的有机组合。商业模式可以对接药械厂，将原来医药代表的模式线上化和智能化。我强烈推荐投资认真做类似事情的团队。

离核心场景稍远一点的是智能分诊业务。分诊的目的是为节省宝贵的医疗资源，让合适的医生看适合的病患。

与临床决策支持不同，分诊工作需要把患者的自然语言转换成医学语言并找到相应的医生。而临床决策支持是把专业的东西转化成专业的东西，方便查找。显然分诊会更难。

这方面国内好大夫在做类似的事，不过好大夫太依赖人工运营完成分诊工作，因为运营成本很高很难大规模推广。

百度医生之前的定位是这个工作，希望能完成主要依赖机器分诊的工作，真正实现智能分诊。但是这工作的难点在患者就诊数据的完整性，只有这样才能分诊准确。

所以百度医生起步做了医疗服务分发的业务，主要目的是为了积累完整的就诊医疗服务数据。 但这个过程太长，经实践也很难在患者端积累高质量的就诊数据。

离核心场景再远一点的是在线问诊 。在线问诊的目的也是为了合理分配医疗资源。能简单在线解决的就不需要占用双方的时间。

但是这种模式天然有个缺陷，就是供需匹配不对称。 患者有需求找医生问病情，但医生却没有动力花时间回答患者的问题。

好医生忙挣钱搞科研，中间的医生忙职称，小医生忙学习考证，基本上有时间有空闲的医生都不是怎么好的医生。这又不是患者需要的，在线解决不了本质的问题。这方面春雨医生、平安好医生都在用不同的方式在探索，百度拇指医生在做类似的事情。

后面两类智能医疗（分诊和问诊），不建议投资，除非人工智能可以代替医学助理与患者进行基本无歧义的对话。