技术、资金、政策驱动信息化迈进智能化

待这些基础设施搭建完毕后，下一阶段医院的投入会集中在建立汇集各模块的集成平台和将信息结构化为可搜索可统计的数据上。这也是最复杂最高级的一部分，相当于我们的大脑，它可以调动肌肉和骨骼，实时获取信息。最后利用大脑来产生智慧，更好的服务五个潜在的付费方：保险、医院、医生、药企和患者。

五个潜在的付费方各自有不同的需求。首先，政府和医保面临着医保资金压力和控费要求。对于医院来说，主要诉求是提高临床业务效率和保障医疗安全。医生则面临着医疗质量和科研考评的双重压力。商业保险需要大量的数据来设计面向病人和医生的新险种。药企希望能降低研发和营销成本并增加销售额。最后，患者希望得到优质医疗服务。能否研发出满足某一类或某几类付费方需求的产品是公司在医院信息智能化过程中立足的根本。

特别值得一提的是商业保险公司，作为政策驱动中的重要力量，商保的发展值得密切关注。向商业保险收费的模式虽然在中国尚不普及，但在美国已是成熟的商业模式。随着商业保险逐渐进入社保和医生多点执业的放开，未来不仅会有支付方式和覆盖范围的改变，还会有根据人群特点精准定价的可能，新的对于医生执业的险种也会应运而生，而这一切的基础都是能够对医疗过程和结果有准确及时的掌握。

数据、规则、覆盖率是三大竞争壁垒

那么，是不是说在这些力量的推动下，信息系统的覆盖率上去了，医疗数据就可用了呢?并不是。医院的医疗数据必须要去掉患者姓名等敏感信息，经过标准化和结构化之后才能用于统计分析，并且只有当数据量达到一定量级之后才有统计分析的意义，而目前医院的信息孤岛问题显着，严重制约了数据的利用价值。信息孤岛产生的主要原因是医院对病人数据安全性有所顾虑，另外，医疗体制的预算和支付制度、病种编码、收费代码、以及药品和耗材数据库标准不一，也为打通数据增加了难度。加上同一家医院内HMIS和CIS各模块常由不同厂商提供，模块间的数据整合也很困难。我们认为，医疗大数据的门槛主要体现在以下三点：

1、数据的开放性、数据结构化的深度。

即是否能将医院内大量分散的信息整合，再把这些以文本形式存在的信息准确地识别并拆分，并且赋予这些词、词组和数字以逻辑关系。这种全结构化的数据库由于覆盖信息面广，数据结构程度高，可以按照病人、政府、医院、保险和药企的不同需求提供更精准的信息，做到“指哪打哪”，从而更好地帮助政策制定、市场营销和医疗服务。

2、数据应用规则的权威性和可信性。

数据本身不直接带来价值，还是要看最终的应用场景。对于医学数据的应用来说，能否促动数据专家和医学专家参与到产品的设计中来，最终的产品不管是临床决策辅助系统还是医保控费系统，能否得到临床一线工作者和医药经济学家的认可，是区分产品优劣的关键点。有志于探索人工智能在医疗诊断方面应用的诸位英雄，除了团结一批临床工作者外，还需要在团队里配备人工智能的顶级专家。

3、达到一定的医院覆盖率，打通各级医院之间的孤岛。

单一医院的数据虽然有价值，但是由于它不能反应出一个个体连续的医疗记录，且样本量小(特别是对于不特别常见的疾病来说)，往往不能作为决策参考二次利用，这时如能取得一定区域内多个医院的数据，不仅有“圈地”效应—医院替换掉现有的数据结构化应用是有成本的，还能扩大样本量，提升医疗数据变现的可能性。

医疗信息化未来想象空间巨大，玩家也不少。目前来看最难突破的是批量地铺设医院形成规模。我们认为比较有希望完成规模化的几种方式包括：通过帮助地方医保中心和商业保险机构做控费，以此倒逼医院应用其产品服务；从提高医院的医疗质量和帮助医生搞科研这样的刚需入手，促使医院采购其产品服务；以易结构化的化验单和病种(如肝炎慢性肾炎和康复)切入，在患者和医生之间形成互动，改善医疗资源的不合理分布，提高疗效和依从性。