以阿尔兹海默症为例：深度解析AI+慢病商业模式

人人都是产品经理 • 4年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

本文以阿尔兹海默症为例，深度解析AI+慢病商业模式，一起来看看~

阿尔兹海默症的前世今生

阿尔茨海默症无法治愈，且只有在患者死亡后才能确诊，一旦罹患该病，随着时间的发展，对疾病的最佳治疗效果会逐渐降低，大多数人在确诊后会随时间而恶化。

专家已详细说明了人们的能力如何从正常功能发展到晚期阿尔茨海默病的“阶段”。

第 1 阶段：无损伤
第 2 阶段：极轻微的认知能力衰退
第 3 阶段：轻微认知能力衰退
第 4 阶段：中度认知能力衰退
第5 阶段：稍严重的认知能力衰退
第 6 阶段：严重认知能力衰
第 7 阶段：极严重的认知能力衰退

根据相关研究，对阿尔茨海默症的诊断依赖于消除过程、主观分析和一些实验室检查。消除过程是通过记忆评估和评估任何潜在的行为变化，以及实验室测试和脑成像来完成的。有一些药物可以帮助患者控制记忆丧失，例如Aricept、Namenda和Excelon，但它们并不能会扭转记忆丧失的根本问题，只能延缓其发病进程，辅助其生活自理。但是放射学的新研究表明，AI可能是早期发现阿尔茨海默病的关键，它可以保留一些记忆功能长达六年之久。

阿尔兹海默症作为一种常见的、原因未明的神经系统退行性疾病，已经严重影响了现代社会中老年人的身心健康。它临床表现为认知和记忆功能不断退化，日常生活能力进行性减退，并伴随各种精神症状和行为障碍。

一般依据是隐袭性起病，进行性智能衰退，记忆障碍、认知障碍与精神症状明显，神经功能缺失症状轻微和典型影像学改变。/目前，阿尔茨海默病的诊断仍然依靠排除法，即先根据临床表现做出痴呆的诊断，然后对病史、病程、体格检查和辅助检查的资料进行综合分析，排除特殊原因（例如梅毒）引起的痴呆后，才能得出AD的临床诊断。

然而，确诊AD有赖于脑组织病理检查。

市场巨大，诊断困难

目前，全世界大约有5000万人罹患痴呆症，这个数字将近每20年翻一番。然而，到目前为止，逆转这种疾病的药物临床试验均失败了。

国际老年痴呆协会发布的数据显示：2013年，全球老年痴呆人数为4400万，其中50%-75%为阿尔茨海默病患者。2015年，全球新增990万名痴呆患者，平均每3秒新增1人。在全球范围内，2015年护理老年痴呆产生的总费用预计为8180亿美元，与2010年相比，增加了2140亿美元。

到2030年，这一数字将增加到1.52亿。每3秒钟就有一个人患上痴呆症，目前每年的痴呆症费用估计为1万亿美元，到2050年这一数字将翻一番。

目前，中国阿尔茨海默病患者人数已居世界第一。2014年的调查数据显示，中国有90%的阿尔兹海默症患者未经过诊断治疗。

虽然目前没有方法可以在疾病晚期阶段阻止该疾病的恶化，但有证据表明，如果疾病发现的早，阿尔茨海默症是可以通过药物治疗和控制的，能够帮助患者改善认知功能、延缓临床病程10-15年。

发达国家中每位阿尔兹海默症患者平均每年耗用33000美元。早期的诊断和诊断介入，可使患者显著延后入住看护机构，平均每年可净节省10000美元的费用。/这是一个巨大的市场，更是一个挑战。

临床医生面临的一个关键挑战是，大多数病人被明确诊断时疾病已处于晚期。研究人员希望新的人工智能技术能够通过提供早期预警系统来改变这种状况。

阿尔茨海默病是由粘稠的淀粉样斑块和tau蛋白聚积造成的，这些斑块和tau蛋白阻止了神经元相互交流。当记忆丧失、情绪波动、个性改变等症状出现时，就很难治疗了。

目前，治疗阿尔茨海默病的方法有限，我们所能做好的就是预防。

一个人甚至可以开始改变生活方式，这可能会延迟阿尔茨海默病的开始阶段，甚至完全阻止它。

据阿尔茨海默病协会称，将痴呆症的发病时间延迟五年，可以将死亡人数减半，每年将挽救大约30，000人的生命。

预诊断产品

患者开始出现认知能力下降的症状，他们才会接受检查。而我们对阿尔茨海默病了解得越多，就越能清楚地认识到，这种疾病的发生要早于我们之前的认知。研究表明，阿尔茨海默病在患者表现出症状的十多年前就开始损伤人的大脑。而这可能就是我们需要开始治疗的时机，以获得有效药物的最佳治疗效果。

目前国内各大医院的神经内科、精神科、老年科的记忆障碍门诊均可对阿尔茨海默病进行诊断。其中，常规诊断程序包括病史回顾、体格检查、痴呆筛查测试（量表评估）、脑神经系统检查及实验室检查（如血生化及CT、MRI、PET/SPECT等脑部扫描检查）等。

常见的发诊断方法是一种常用工具叫做正电子发射断层扫描（PET），主要原理是通过扫描测量大脑中特定分子（如葡萄糖）的水平来判断症状严重程度的。葡萄糖是脑细胞的主要燃料来源，细胞越活跃，消耗的葡萄糖就越多。随着脑细胞的病变和死亡，葡萄糖消耗逐渐减少，最终没有葡萄糖。

其他一些类型的PET扫描，旨在寻找与阿尔茨海默病有关的蛋白质，但葡萄糖PET扫描更常见且更便宜，尤其是在较小的医疗机构和发展中国家，因为它们还被用于癌症分期。/因此，放射科医生多使用这些扫描试图通过寻找大脑中（额叶和顶叶中）降低的葡萄糖水平来检测阿尔茨海默氏症。但问题是，由于该疾病是一种缓慢的进行性疾病，因此葡萄糖的变化非常微妙，难以用肉眼观察。

以阿尔兹海默症为例：深度解析AI+慢病商业模式

阿尔茨海默氏病患者脑部的PET扫描（图片来源：National Institute on Aging）

随着人工智能技术的发展，科学家们有了将机器学习与PET扫描相结合以更早、更可靠地诊断早期阿尔茨海默病的想法。

脑神经方面的疾病涉及的学科很多，十分复杂，在罕见病和老年疾病方面, 从儿童多动症到老年痴呆，有着巨大的未满足的临床需求。

人工智能方法可能会产生重大影响，有助于引导人们走上正确的治疗途径。用于更早、更好地诊断阿尔茨海默病。

面对日益增加的老龄人口，急切需要一款能用计算机算法来精准诊断的工具。/目前，市场是还没有一个获得批准的阿尔茨海默病的诊断工具，如今，第一个目标明确的软件已经上路。

中国深圳有一家是做人工智能AD分析的公司，脑博士（铱硙科技），这家公司已经获得了几轮融资，目标直指老年痴呆症的世界第一个获批的诊断工具。

脑博士（铱硙科技）已经在应用人工智能中的机器学习（Machine Learning）来诊断阿尔茨海默病（AD），利用几年的数据，超过几千名AD患者的脑电图，并且开发了自己的算法。

这一应用在脑科学方面的合作，将把人工智能的技术，在更多的患者上应用，促进开发新的软件，来通过分析脑电图来精准区分阿尔茨海默病和Lewy体痴呆（LBD）。

我为什么这么熟悉呢？是因为我去面试过这 家公司！

在面试之前我是对于整个医疗慢病管理的解决方案进行分析过的，所以这篇文章写的全面一点。

关于技术

阿尔茨海默病的难点在于，当所有的临床症状出现并且我们可以做出明确诊断时，太多的神经元已经死亡，基本上已经难再逆转。而如果这一算法能够做到提前诊断，在神经科医生开始试图将记忆低下患者视为阿尔茨海默病的症状时，可以使用该算法帮助他们更快地获得所需要的治疗。

以阿尔兹海默症为例：深度解析AI+慢病商业模式

阿尔茨海默病的最明显迹象是大脑中β淀粉样蛋白斑块的积累，但最近，科学家将某些代谢变化与阿尔茨海默病联系起来。专家表示，虽然人们善于发现疾病的特定生物标志物，但代谢变化代表了一个更加全球化和微妙的过程。

因此，虽然医生可能会看到不同图像发生变化的迹象，但人们需要花费很长时间才能在足够长的时间内在足够多的患者中绘制出这些变化及其微妙模式，然后确定哪些变化预示着阿尔茨海默症的出现。但这正是人工智能的目标。

人工智能应用于医学影像，主要是通过深度学习，实现机器对医学影像的分析判断，是协助医生完成诊断、治疗工作的一种辅助工具，帮助医生更快地获取影像信息，进行定性定量分析，提升医生看图/读图的效率，协助发现隐藏病灶。人工智能通过影像分类、目标检测、图像分割、图像检索等方式，完成病灶识别与标注、三维重建、靶区自动勾画与自适应放疗等功能，应用在疾病的筛查、诊断和治疗阶段。

利用人工智能（特别是机器学习）算法对患者的量表、影像学等数据进行分析并构建辅助鉴别诊断系统是当前智慧医疗研究和产业化的核心任务之一。

深度学习（deep learning）是近年来机器学习中新兴的一种性能优越的技术，它对数据进行表征学习，建立启发于人脑视觉皮质的学习方式来解释数据，已被广泛应用于图像、文本、语音等数据的处理和分析，并取得了很大的成果[5]。

深度学习模型具有高效、强大的自动表征能力，能够帮助医生快速建立更科学的鉴别诊断模型；且与高水平医疗机构资源相互融合，可以极大地提高优质医疗资源向基层医疗机构的辐射作用，提高基层医院的鉴别诊断水平。

深度学习中的卷积神经网络（convolutional neural networks, CNN）对训练样本数量及原始图像质量的要求相对较低，较适用于病例难以收集的各种疾病的应用研究。目前关于AD和bvFTD的辅助诊断研究相对较少，我们使用结构磁共振成像（structure magnetic resonance imaging, sMRI）数据建立一个基于卷积神经网络的AD-bvFTD模型应用于AD和bvFTD的辅助鉴别诊断，以提高其诊断正确率。

我相信这种算法具有很强的临床相关性，“然而，在我们能够做到这一点之前，我们需要在更大，更多样化的患者队列中验证和校准算法，最好是来自不同大陆和各种不同类型的设置。”，如肺结节检出使用薄层高分辨 CT 而不是厚层数据。在AI 具有应用潜力的基础上，尽可能覆盖不同厂家、参数、图像质量及疾病种类。

更多样化的数据集上测试和校准这一算法以及数据预处理和构建AD-bvFTD分类模型：

这种算法开始独立学习哪些特征对于预测阿尔茨海默病的诊断非常重要，哪些不是。通过在ADNI数据集上进行训练、对比、测试以及最后的结果分析，研究人员发现，开发用于早期预测阿尔茨海默病的深度学习算法在100％灵敏度下达到82％的特异性，并在病人得到最终诊断之前平均75.8个月——相当于六年，做出了正确的疾病预测。

浅谈盈利与闭环

该文章将盈利模式重点从慢病管理角度分析，慢病管理在我们的分析框架中多处出现，既可以作为医疗行业痛点来导入流量，又可以作为流量变现方式（是服务电商之一），还可以作为药品电商、远程医疗等变现模式中增强客户粘性的重要手段。这是因为慢病是移动医疗主要病种，慢病管理是针对慢病病人的全程健康管理，贯穿于就医全程（就医全程包括预防、诊断、治疗、康复），与其他环节相辅相成，移动医疗企业通过慢病管理可以构建针对个人的大数据，形成个性化的持续治疗，是移动医疗中沉淀流量的重要手段。

慢病管理定义：以人的健康需求为中心，利用互联网手段对慢性病患者进行全程疾病管理服务，具体包括：采集慢病患者相关数据，根据数据等提供健康和诊疗建议。我们将慢病管理定义为一种服务，单纯卖可穿戴设备和卖药等是慢病管理服务的相关产业链，不在我们定义的范围内，也难以享受慢病管理的估值。

行业竞争激烈，低成本整合资源形成闭环的企业可能更优，所有能采集数据，拥有患者健康数据入口的都可能成为参与者，潜在竞争对手众多慢病管理行业竞争激烈，智能设备（体征数据）、药品电商（用药数据）、远程医疗（诊疗数据）、医患平台（诊疗数据）、患者病历平台（档案数据）等等能采集数据和产生数据的入口都可能切入到慢病管理，成为潜在竞争对手，相连的智能诊断设备采集到的数据是数据源头，掌握数据源头后可以为自己所用，也可以为其他平台导流。

这固然是最好的采集数据的方式，但是采集数据对智能设备的研发要求和资金要求都较高，无应变能力的企业很可能会在投入大量钱财物后因为产品升级而面临淘汰，因此掌握数据源头是一把双刃剑。

其中获取用户、采集数据的方式有 8 大流量入口：移动医疗设备、O2O 平台、问诊/预约就医/健康管理系统 APP、家庭健康服务平台、第三方检测中心、远程会诊中心、高端新型医疗服务机构、脑科医院群、养老院。

智能设备（体征数据）、药品电商（用药数据）、远程医疗（诊疗数据）、患者病历平台（档案数据）是常见的慢病管理数据入口，除此以外，以下也可能成为竞争对手。

如果医保不支付情况下，真正做成熟闭环服务的少，多是做某一个环节，这是因为政策不支持，做完整闭环投入大行业参与者虽然较多，但国内做完整闭环的较少，要么采集数据，要么分析数据，很少做完整闭环。

闭环是指符合上述慢病管理的全部核心要素（采集准确和连续的数据，进行数据分析，并能将数据的诊疗建议反馈给患者）大多数慢病平台都只能做其中一个环节，其他环节都在不断扩展中，这与慢病管理缺少付费方，而投入又相对较大有很大关系。

自身搭建所有资源做完整闭环投入大，做数据最原始的采集需要做体验较好的硬件，这对研发水平和人员技术要求很高，要做出医疗级的诊断设备没有强大的技术支撑和积累是难以实现的。

做数据持续采集和诊疗反馈，必须有医生的督促和协助，在无付费方和医生动力不足情况下，移动医疗企业要寻找到合适的医生资源，需要对医生做出一定的激励，资金和精力投入都较大。远程医疗只允许 B2B 端，电子病历并未成为个人产品。目

前远程医疗尚不能直接通过 B2C 实现，这决定了慢病管理企业想提供后段治疗级别的服务，需要跟线下医疗机构合作，才能给患者提供完整的服务，同时电子病历现在并未成为个人产品，各个医疗机构之间存在信息孤岛，个人的数据并不完整。

在这些因素影响下，做个人完整闭环存在一定的瓶颈。 较看好保险合作模式，如保险不支付，较看好能低成本整合相关资源完成闭环的企业在产品质量保证情况下，谁能先获得保险青睐，谁就能批量获得用户，得到医生支持，从而走在行业前列，

我之一家公司的的案例《养老创业复盘》，就充分说明了这一点，因此，慢病管理中我们较看好与保险或政府合作的模式，有了支付方，推进就会更容易。在保险尚不能作为支付方情况下，做数据闭环才能对客户形成最大粘性，互联网是一个相对开放的平台，无需所有资源自建，数据和流量之间可以相互导入，医生资源也可以相互导入。

在医保不支付情况下，在慢病管理这样高投入低收益的起步期行业中，存活时间够长、有效用户积累越多、能坚持到最后，才能笑到最后，慢病有很多病种，不同病种的痛点和盈利模式都存在很多差异，归纳出在自费情况下更可能胜出的模式共性是：低成本整合相关资源完成闭环，盈利模式。

可能有技术或医生资源更可能成为整合者而胜出，在中国，谁能低成本整合资源？前面已经论述，保险介入慢病管理是较优的盈利模式，谁能结合保险，就更能低成本整合相关资源形成闭环。

那么在自费情况下，现有的模式中谁更可能胜出呢？

因为有多种病种、多种盈利模式，很难说谁最后可能胜出，我们在此对自费情况下慢病管理可能胜出的模式进行探讨。我们仍然将慢病管理分为采集数据和数据反馈提供服务这两个环节。

这两个环节都是可以相互影响相互促进的，有的企业可能在采集数据上占据先发优势，聚集大量用户，从而吸引后段优质医疗服务与其合作，通过技术的投入能降低整合后端资源的成本；有的可能在数据反馈提供医疗服务环节做得好，吸引采集数据硬件企业来导入流量，从而节省硬件研发上的投入。每一个环节都可以成为移动慢病管理的突破口，但是在每一个突破口上，我们尽量寻求可能胜出的企业。

用采集数据方面，较看好“产品优+渠道优”或者医疗资源丰富企业以下这三个采集数据方式，难以说哪个更优，但是每种方式中，我们都较看好有相关优势的企业。

从患者入口直接采集数据：难度大，较看好产品设计领先和渠道型企业，行业胜出者将核心受益，可以 C2B 反向议价，去议价其他环节的资源自建数据包括让患者录入数据或者直接软硬件结合通过传感方式录入，因为多数慢病患者以老年人为主，录入数据相对较麻烦，是逆人性的，除非有特殊的强制办法，比如类似开处方，否则很难让患者坚持手动录入数据，因此软硬件结合通过传感器便捷的从人体采集数据大概率会成为未来直接采集数据的主流方式。

用硬件采集数据，对硬件等要求较高，拼技术、拼销售渠道，目前低端硬件的竞争较为激烈，获客成本越来越高，但是高端软硬件竞争（采集数据准确、顺人性设计并且与云平台实现便捷对接的硬件）相对较少，硬件产品更新速度快，需要技术和资金持续投入。

从未来趋势看，构建每个人的大数据需要考虑综合因素，目前各个进入者的数据采集模式不同、不相互共享就会形成各自为局的信息孤岛，而从服务方来看，医疗服务资源有限，不可能和多家企业合作。因此未来在数据采集上必然要走向相对统一的格局，虽然目前多数参与者入场，但是未来这个行业经历激烈竞争后，行业集中度将提高，硬件数据采集的赢家更可能从产品设计领先、销售渠道优良的企业中产生。

谁掌握数据入口，谁就相当于抢占了数据的源泉，一旦产生了用户规模，就可能利用 C2B 形成反向议价力，对于产业链的后段比如服务、软件公司等形成较强议价力和整合能力。但是目前行业竞争格局尚不稳定，大多数企业的技术和产品都是同质化，即使有产品，在掌握数据入口后，还要非常依赖后续的医生服务，才能对用户形成闭环管理，从而形成粘性。

从患者入口做数据整合：整合竞争激烈，谁能提供更好的诊疗服务，整合能力可能更强很多企业不生产硬件，不直接采集数据，不能掌握数据源头，地位相对被动，但是它们也可以通过整合其他平台数据进入慢病管理，问题是被整合者多数也是属于移动医疗产业，自身有数据后发展慢病管理水到渠成，慢病管理企业对数据采集企业的议价力更多的取决于他能不能在后续提供更好的服务，与采集数据的企业实现双赢。

从医生切入，通过医生间接导入患者，让医生配合去做相关硬件或者 App 的推广，患者顺应性更高，医生如果同时提供相应医疗服务，则对患者的粘性更强。从国内发展情况看，患者入口已成红海，难以发挥核心竞争力，从医生或医院作为切入口成了很多企业介入慢病管理的较佳选择，以此作为切入口，在医疗资源上有较多积累的企业可能更容易胜出。

利用数据反馈提供服务方面，较看好有“医疗级智能算法”和医疗资源丰富企业通过前期采集数据的行为，将流量导入到慢病管理平台后，能否让患者持续保持粘性和数据测量，核心在于慢病管理平台能否提供精准及时的诊疗服务。

可以将此环节具体拆分为数据分析（是否智能和医疗级决定了患者使用是否便利，是否能够节省大量人工成本以及后面整合医生的难易度）、远程给予咨询（医生或药师提供的非医疗级服务）、线下医生就诊或者通过 B2B 就诊（医生提供的医疗级服务）。

即给予诊疗建议的方式有四种：分析数据后给出智能诊疗建议；医患之间的咨询建议；B2B 远程医疗（目前 B2C 暂不允许）；整合线下医疗资源与患者实现对接。

智能建议需要大数据测算符合医疗级标准，拥有核心算法并优先通过医疗认证，可以有效降低人工成本，并在后段整合医生更容易（可以参见 Natali 的ECG 模式），形成核心竞争力。但是中国目前并未出台医疗级智能建议的标准，所以智能建议尚处在萌芽和边缘的地带。

咨询建议在整个慢病管理中承担了很重要的中介作用，可以通过电话或者远程视频实现，连接患者与高端医疗资源，提高患者依从性（比如 Omada 方式，通过远程干预和提醒，可以提高患者依从性），提高就医效率（比如 Natali 的ECG 模式中，医生会远程给予老年人相应建议，84%的人通过远程咨询后不需去医院，6%建议去医院经过简单治疗，10%人需要住院，大大提高效率）。

值得指出的是提供咨询建议的角色可以是药师、社区医生、家庭医生等，此类医疗资源的人力成本要低于聘用高级职称医生或者专科医生，通过这些连接患者与高端医疗资源，可以有效节省医生成本，并且也能黏住用户，因此拥有此类医疗资源较多的企业可以在咨询建议这个环节中占据一定优势。

整合医疗资源与患者实现诊疗对接应该是有粘性但也很难的手段，中国医疗资源本身就较为稀缺，另一方面医疗机构集中度比较低，并且多是公立医疗机构，全部自建难度较大，有能力整合属地化的医疗资源让患者实现对接的企业将在慢病管理中更占优势。

总结

慢病管理本质是人的数据管理，包括采集准确并且连续的数据，并能分析数据，对数据结果给出诊疗建议，所有能诞生健康数据的厂家都有切入到慢病管理的可能性，所以行业竞争对手颇多，那么谁最后最可能胜出。

在产品质量保证情况下，谁能先获得保险或者政府支持，谁就能批量获得用户，得到医生支持，从而走在行业前列。

因此，慢病管理中我们看好与保险或政府合作的模式，有了支付方，推进就会更容易。

在保险尚不能作为支付方情况下，做数据闭环才能对客户形成最大粘性，我们探讨在自费情况下最终可能胜出的模式共性是：低成本整合相关资源完成闭环，有较好的盈利模式，能形成客户强大粘性的企业。

从模式上看，期待保险介入后慢病管理模式走向成熟，如果医保不支付，在自费情况下，各个移动慢病管理公司都是在各个环节寻求突破口，延续第三节，我较看好能低成本整合各类资源对患者形成闭环管理的企业。

但是谁最可能胜出，我们认为互联网企业是一个开放的平台，只要你在某一方面做到足够优秀，都可以去吸引其他资源集聚从而降低成本，但关键是你能否在你细分的突破口发挥自身优势做到行业前茅。

我们归纳的几种未来可能胜出的模式中，其实细分下来就分为两种：

一种是从患者入口直接采集数据，较看好产品设计领先和渠道型企业，行业胜出者将核心受益，可以 C2B 反向议价，去议价其他环节的资源，通过技术的投入能降低整合后端资源的成本。
一种是拥有医疗级智能算法（可以节省人力）、医疗服务资源较为丰富（自有或者能整合）的企业，能够低成本完成布局，也能通过服务牢牢黏住用户，更有可能胜出。