太长不看版
从人口老龄化和医保缺口看:AI初诊是基础普惠医疗的必选项
在AI诊断准确率不断提升的背景下,“AI不能背锅论”不构成问题
医疗数据是核心资产并提供行业护城河,C端AI陪诊、AI助理等可以成为获取医疗数据的重要途径
短期内,AI医疗C端直接付费仍然会比较困难,满足2B\2G的降本需求会是主要模式
医生使用AI助手动力不足,短期内“护士助手”可能比“AI诊疗”更适合国情
更长期,AI提供了“人体健康模型”的可能性:防未病、真正的个性化诊疗
[作者] Yi, Lian
<1>宏观:AI进入诊疗是必然
[1] 全面老龄化,医保基金将入不敷出
单从累计结余看,我国城镇基本医疗保险基金近五年仍在持续增长,但从18年起,医保基金支出的增速已超过收入。疫情在一定程度上缓解了医保基金的压力(注),预计在没有政策变化的情况下,全国范围内的医保年度赤字会即将在2027-29年出现,医保破产也在近20年之内。具体到一些重度老龄化的省份(如辽宁、黑龙江、山东等),城镇居民医疗保险基金的年度赤字自2021年就开始大规模出现,已经处在“做吃山空”的状态,全靠中央财政输血。
注:疫情期间疫苗和核酸支出由医保和财政共同负担,且医保部分用往年结余处理,不涉及当年度支出,体现为2021年-2022年当年结余有较大幅度的上升
数据来源:18-23年数据来自国家医保局。24年起数据仅代表趋势,参考文献《门诊共济改革、渐进式延迟退休年龄与职工医保基金可持续性 ——基于多种方案的模拟分析》、《城乡居民基本医疗保险基金运行状况研究——基于覆盖、筹资、待遇的视角》
[2] 公立医院:盈利压力大
收入端,药品差价的限制导致医院销售药品的利润微乎其微,只能通过各类检查提高收入。
根据国家卫健委,在二级公立医院总体运行平稳的背景下,仍有43.87%的医院出现了亏损情况。
[3] 一线医生、护士:严重超负荷
公立医院盈利压力大,医生、护士作为医院的主要成本之一,医院不得不降低医护人员薪资待遇,医生和护士超负荷工作,收入和付出不成正比。
除了日常的门诊和手术工作,医护人员的职责事实上远超大众的想象。调研时,一家三甲医院护士长亲口告诉我:“每两周都要清点上千个注射器、针头数量,还一个都不能错”、“护士操作要求在一小时内录入,但电脑不在身边,只能一天结束后加班录入”、“大量微信群沟通答疑,患者不断膨胀,每1-2周还要把患者清除出群”等。再加上大量的培训、考试、上级领导检查,医疗进社区、医疗下乡等政绩工程,医生、护士的 “合法收入” 远低于付出的努力、教育水平和资源稀缺程度。
[4] 结构性医患矛盾突出
并不是医护不努力、不共情,也不是患者都在无理取闹;信息不透明和医护资源结构短缺才是医患矛盾的根本原因。
医生:没空仔细询问病情,很多也是小病
患者:排了两个小时队,被医生几句话打发了 医生:不开检查就没有奖金了,检查也没有坏处
患者:看不懂,只能被动接受。检查完还得继续排队回诊,或者下次再来 医生:不要老是拿着网上查的东西来问,没有精力解释
患者:我也想有第三方途径可以验证,确认自己没有被宰 医生:这是一份工作,我也需要养家糊口
患者:医生应该是白衣天使,以救死扶伤为己任
在这种极限拉扯的情况下,只有对于个人关系好的患者,医生才可能给予额外的关心,透露信息(如何多拿社保报销),而患者也会主动送上“灰色收入”予以补偿。
[5] 基层医院:扶不起的阿斗
分级诊疗本是解决以上问题的重要手段,但始终无法落实;问题主要来自于基层医院。但越到小地方,基层医院(作为事业单位之一)也是地方官僚体系手中的“编制资源”;其贡献的“编制资源”越多,能进入其中的“医疗资源”就越少。
这种状况自然造成“劣币驱逐良币”:基层医院留不住优秀医护人员,患者被迫“什么病都跑三甲医院”,提高了就医成本,也加剧了三甲医院的负担;于是基层医院更没人去,形成恶性循环。
与此同时,普惠医疗又是关系到老百姓生命健康的重大问题。当前种种难以为继的矛盾都意味着:基础医疗降本提效的巨大压力将转化为AI诊疗的动力。未来,基础的、基层的、大众的医疗将大多数由AI来提供。
[6] 中美对比: 不能直接套用美国模式
总蛋糕小:美国医疗支出占GDP比重约17%,中国约7%
采购集中:美国医生独立行医,有独立决策权;价能力不高,且没有很强的议价意愿。中国政府-医院集采议价能力强,采购流程复杂
隐私考量:因为前文讲到的“灰色收入”、“医患不信任”、“考核评比”等问题存在,医院、医生对于可能记录、审查自己言行的应用普遍持抵触态度。但这些应用又恰恰是AI和数据驱动应用所不可避免的……因此,在中国的落地场景中,“AI协助医生”不如“AI独立诊断”
机械套用美国的AI医疗应用来中国基本是死路一条。
<2> AI 医疗的主线与支线
当前的AI医疗应用很多,大多数实际上是从上一代的医疗SaaS、医院SaaS的模式下衍生出来的。这些应用的主要目的是降本提效,以及近期针对"医疗反腐"所设计出的监督医护的措施。但在落地中,大多这类应用降的本基本都成了IT支出,同时还增加了本来就超负荷的医护人员的工作强度……AI医疗如果还在这条线上,是没有出路的。
回归本质,我们还是要看,哪些是真正可以创造价值的“AI原生应用”。
主线一:AI全科独立诊疗
“责任界定”不是问题,问题是模型准确性
一直以来对于“AI替代人”这个话题,有个很流行的话术是“AI无法替代律师、医生,因为它不能背锅”。但我认为,“AI独立诊疗”的情况下,即使AI没有实体无法承担责任,但AI所属的公司、牌照发放单位甚至是保险公司是完全可以承担责任的。“不能背锅”本质上还是“背不起这个锅”-- 按照现在的AI模型准确率,公司承担不起赔偿。
AI诊疗的另一个重要难题是商业模式:
患者付费(2C):中国消费者对于线上服务付费的意愿远低于美国。在准确性不高的条件下,AI问诊直接按次收费还不现实。目前的空间主要在美团买药、阿里健康等平台上作为服务包的一部分。但作为创业公司,除非有能力比大平台AI能力更强,否则机会有限。
医院付费(2B):医院只会为能够增加收入和降低成本项目付费,且“增加收入”>>“降低成本”。如果AI诊疗只能降低成本,那么在公立医院预算普遍不足 + 采购流程复杂的情况下,医院是缺乏动力的(同理也适用于其他医院管理提效类的应用)。只有医院被允许对AI服务进行收费时,AI诊疗才能进得了医院。此外全国知名的头部医院用有极强的品牌优势,未来的商业模式一定是技术公司与头部医院合作推出服务服务全省乃至全国。 政府/医保付费(2G):在医疗普惠、医保降本的背景下,政府直接采购的机会比患者和医院采购更大。如前面分析,AI诊疗进医保才是最终解决方案。我认为这一天一定会来,但前提是AI的准确率要能做上去。
主线二:人体健康模型
“防未病”与“真正的个性化诊疗”
上面讲的都是“有病如何治”,从人的角度,更好的当然是如何“防患未然”。当然,现在的各种智能手表、手环打的就是这个旗号。不过目前智能手环的主要商业模式还是:通过透明化数据来制造焦虑并刺激消费者购买健康食品-器械-服务,但实际对于疾病的监测预防能力还很有限。
这里面问题有两层:
首先,健康数据稀疏与割裂。健康手环的数据主要是运动、心跳、血氧,仅仅通过这些数据来预测一个人的健康是远远不够的。与此同时,体检指标(血压、血糖、血脂等)和过往治疗数据都还都分散存储在医院和体检机构。作为消费者,一方面把数据整合在一起费时费力,另一方面出于隐私考量,也不希望把所有数据给到一家。
其次,没有人体健康模型。模拟人体的运转在之前完全是天方夜谭,但现在的AI似乎为我们提供了一些可能性:既然AGI可以来模拟人脑,那是否也可以模拟身体运转呢?听起来可能有点科幻,但目前已经有创业公司在布局“AI虚拟病人”,来帮助药品在进入临床之前进行预筛查,提高临床通过率。那么在未来,是否会出现模拟人体运转的AGI,来帮助我们真正实现“防未病”和“真个性化”诊疗。
主线三:AI支持药品研发
篇幅所限,今日不展开。不过简单来讲,当前药用分子的发现过程不是最困难的,瓶颈是临床试验。因此最大的价值在于预测药用分子的临床表现。
主线四:护理/手术机器人
篇幅所限,今日不展开。但今年逐渐出现的由AI驱动的机器人一定是可以在未来应用在医疗领域,不过应该还需要些时间。护理等非生命直接相关的机器人会早于手术机器人。
支线:AI赋能现有医疗流程
最后,AI赋能现有医疗流程。我把这个叫做支线,是因为它并没有发挥出AI最大的价值,但从落地角度可能是最近最现实的。在这个领域里能做的细分非常多,也会孕育出大量的专业公司;今天没法穷尽,但在下个章节里会介绍几个有希望的例子。
<3> AI医疗细分产品与机遇
[1] 语音电子病历/护理记录:
技术成熟,隐私是主要问题,护士场景需求较大
语音电子病历是指医生与患者沟通病情时,软件自动录音并形成电子病历,无需医生手动输入。
国外已有较多这类产品的尝试,例如微软Nuance的DAX Express(基于GPT4)、 Augmedix(接入Google Med-PaLM-2)、法国创业公司Nabla Copilot(基于GPT)等。这类产品主要是语音识别,不涉及诊断,因此在技术层面相对成熟。
微软DAX Express
在国内,护理记录的需求比门诊病历的需求更强。护士在进行查房、护理的时候无法随身携带电脑进行实时记录,而又要求在及时录入系统,因此实操中通常需要记忆大量细节、在一天结束后加班录入。此外,超声、牙医等双手被占用的场景也有语音录入的需求。
这个场景在西方医生个人诊所没问题,但到了中国,实时录音带来的隐私问题就出现了。由于前面提到的国内医疗行业灰色收入问题,医生诊断助理几乎没有可能推广;较少敏感信息的护士操作助理会有更多的落地可能性。
但如果代入打工人的视角,应该谁也不愿意在工作的时候被实时监控吧。
[2]AI随访/答疑助手:
短期内技术能够实现,适合医美、妇产科、口腔、骨科等咨询量大但较少危及生命的细分领域
慢性病、术后康复通常需要定期随访,了解患者康复情况。患者也会持续咨询康复过程中遇到的情况,医护人员需要做出解答。
目前的随访系统(如腾讯健康智能随访、讯飞家庭医生随访系统等)主要起到的还是数据库的作用,记录患者信息、随访次数、指标变动情况等,主要的随访和答疑工作仍是需要医护人员完成,随着就诊人数的快速增长,工作量严重超负荷。
大模型为AI随访/答疑助手产品提供了基础,但仍需要按照科室进行精调,如骨科关注康复进度、疼痛发炎情况,肿瘤关注用药指导、药品之间的相互作用等,预计短期内能够实现AI提供大部分的建议,医生护士做少量修改即可发送。
医美问答bot,大模型短期内可实现
这类产品的主要问题是医院的付费动力不足。医院的核心目标是创收和降本,存量的患者不会带来更多的创收,AI助手也还不能直接替代医生和护士,因此也就缺乏付费的动力。医美、妇产科、口腔等利润较高的细分医疗市场付费意愿会相对较强,这些领域更需要“服务”,优质服务能转化的收入上限也较高。
[3]医护技能培训:准确率要求可以降低,大量临床案例才有意义
目前国内医学生的培养路径主要为:5年本科学习、3年临床规范化培训(在各大科室轮岗)、2~4年的专科学习,成为成熟的医生还需至少5年以上的临床锻炼。本意是希望通过临床实践积累足够的经验,以完成学生到医生的过渡。
另外,这种依托经验的培训模式,可能导致基层医院的医生培养陷入一种负面循环:病人少-经验积累不足-医生水平差-病人更少。
在医护人员职业培训中引入AI模拟病人,或许能够帮助医学生快速积累实战经验,随着未来ARVR技术的发展,体验也会更加真实。
Hippocratic AI(a16z投资的医疗大模型公司)曾推出过Patient simulator和flashcard generator两种功能。其中Patient simulator提供了心血管、呼吸、肠胃、肌肉骨骼、神经学、内分泌、肾脏、生殖8种模拟病人问答,并且在整个过程中病人还会表现出愤怒、急躁、焦虑等拟人化情绪,以帮助医生适应不同类型的病人。
Hippocratic AI的模拟病人功能(现已下线)
医学教育场景下,对模型的要求不低,需要针对不同病症和就医的具体场景做精调,套壳产品很容易出现“左耳医生”的翻车情况。但模型的准确率可以在应用的过程中不断提升,大量的临床案例才是产品的价值所在。
[4]AI陪诊:医院省事、患者方便、企业获得数据
诊前:智能导诊、一键挂号
诊中:在线取号、排队叫号、线上缴费、AR导航等
诊后:健康问答、指标解读、健康档案等
不同之处在于,支付宝这次把以上功能集成在一个AI陪诊的数字人上,通过数字人的“主动服务”串联起整个就医流程,让每个患者都有一个“私人就医助理”。
呼声较高的AR导航功能
只从ROI的角度看,这个产品解决的痛点似乎不足以让医院和患者付费,但它的意义远大于收费:它可以成为收集医疗数据的重要途径,实现了医院、患者,企业的三赢。
后记:人味与关怀
医疗服务不同于咨询服务、技术开发服务等其它服务,除了纯理性层面的“治好病”的需求以外,情感需求也是重要部分。AI在经过训练后,文字层面的“情感疗愈”是可以实现的,但“跨物种”带来的隔阂始终会存在。“医患矛盾”虽然是行业的普遍问题,但其实是一个情绪的出口。如果“医”全都是AI,“患”的情绪不会消失,只会积累出更大的矛盾。
医疗行业在未来大概会是一个人与AI配合的行业:人主要提供情绪与关怀,AI主要提供诊断与对策。
本周六4.20:上海线下+线上活动
往期文章