《互联网+医疗健康》读书笔记

如果有兴趣，可以跟我联系交流：这里

---

这里总结一下自己看完这本书的心得

互联网+的本质

1. 中国已经从”人口红利时代“和”环境红利时代”进入了“互联网时代”；
2. 互联网时代经历过3次革命，分别是“桌面互联网”，“移动互联网”和“互联网+”。
3. 梅特卡夫定律告诉我们，互联网的价值 跟 互联网中用户数量的平方成正比。
4. 互联网的社会价值是：从最开始的“消除信息孤岛和信息鸿沟，抹平信息不对称“升级到现在的”重构生产关系，创造社会新需求“。
5. ”互联网+“，我认为就是现在大家都是说的产业互联网，是互联网深入融合到实体经济中，重构生产关系，重构供需关系，对生产要素的分配进行优化，这是一场围绕着满足社会需求而产生的生产形式的大变革。具体怎么理解？
   1. 重构生产关系。以前都是别人生产了什么产品，你只能在那里面选，叫B2C。现在是消费者定制，厂家个性化生产，叫C2B。
   2. 重构供需关系。单品的爆品思路就是很好的例子。
   3. 优化生产要素的分配。就是把资源倾斜到更加有效率的地方，这个不举例子大家也应该可以清楚的知道现在企业的资源配置效率比30年前要高很多吧。

当前医院、医生、患者的关系

据统计，全人类的健康状态占比：健康5%，患病20%，亚健康75%，所以，医疗行业用户规模是毋庸置疑的。

本质上，医疗是一个服务产业，医生提供医学知识和诊疗服务，患者支付，在国内，医院是唯一为医生和患者提供服务的场所。

互联网+时代的医疗，应该是一个”以病人为中心“的新医疗模式，应该是全过程的健康管理模式，替代传统的以疾病治疗为中心的模式。这就意味着，现有的医疗模式要进行一番变革来适应这个新趋势的到来，而且因为有互联网技术的基础摆在那，这个变革是有技术保障的。至于要不要变革，这是社会发展必然的需求，花一样的钱，大家都希望在医疗方面享受到应有的待遇，现在大家对现有的体验和待遇是不满意的，”看病难，看病贵，看病烦“这些问题是大家对目前医疗体系最多的吐槽。

医疗的业务范围

1. 疾病预防，包括一/二/三级预防
2. 临床诊疗
3. 护理
4. 患者服务：包括诊前预约，诊中排队和缴费，诊后复查
5. 收费业务：医保和自费
6. 功能康复（康复医学）

这个图是目前患者就诊的全流程

医疗的痛点和移动医疗的机会

医疗的痛点

1. 看病难：医疗资源总体短缺，难预约
2. 看病烦：医院服务理念和服务手段落后，缺乏预约和导诊等先进手段，看病过程体验糟糕（如今预约和导诊已经大部分实现了）
3. 看病贵：这个不用解释也明白
4. 质量差：优秀的好资源极度稀缺，全国总体来说水平不高，误诊率高
5. 矛盾深：这个不用解释也明白，上面这么多痛点还让你花那么多钱，矛盾能不深么

产生这些痛点的原因有：

1. 医疗模式出现偏差：现实重临床轻预防，重医疗轻护理，只关心病症治疗，只关心怎么赚到钱，导致了严重的医患关系；
2. 诊疗过程缺乏规范：大医院科室分类太细，给普通人就医带来极大的困难，当然这也跟分级诊疗机制不完善有很大的关系，大家一生病全往大医院跑；患者信息采集手段落后，在多家医院的就诊记录无法共享；智能化程度低，医生也要不断学习否则知识跟不上很容易造成误诊；
3. 全国医疗资源总体不足，而且分布及其不均；
4. 分级就诊机制缺乏，这是看病难的最大原因；
5. 就诊流程不合理，排队时间远超过诊疗时间；

移动互联网的价值自然就体现在解决上面痛点的原因上：

1. 改变医疗模式，建立以病人为中心的服务模式；
2. 重塑服务形态，实现分级诊疗，有序分配全国的医疗资源，病人数据全面共享；
3. 重构从业关系，互联网医院解除医生在一家医院的硬绑定；
4. 信息化技术和移动支付，优化院内就诊流程，减少排队时间，优化就诊体验；
5. 互联网金融完善医疗保险，降低就医成本；
6. 信息化手段优化院内工作流程，提升效率，降低医院运营成本

患者与医院实现移动连接

1. 诊疗全预约：解决稀缺资源的排队问题，解决无序就医的问题，减少排队时间；
2. 医患资源匹配：实现分级诊疗，合理分配资源，大医院处理疑难杂症，小医院处理全科的小毛病；
3. 过程提醒：解决现在就诊流程长的问题，实现院内导诊，提升体验；
4. 结果推送：不用排队等结果，结果出来自动推送；
5. 关怀患者就医全流程：从诊前、诊中、诊后都能够全面关怀到患者；

移动支付

• 如果能够将”先交费再治疗“的模式改为”先治疗再结算“，那么就医流程就可以减少很多排队交费的步骤，既节约了时间，又提升了就诊体验。如果能够跟医保结算联动，那是方便了不少。

患者与医生实现移动连接

• 私人医生：在美国可以让医生O2O上门服务。
• 健康管理：通过可穿戴设备持续实时采集数据到平台，AI和医生通过数据监测健康状态，发现问题及时通知。
• 慢性病管理：从教育患者和持续追踪这两个方面下功夫。
  • 教育患者：让患者了解疾病的病因和治疗原理，发展过程和注意事项。患者自己不当回事你就没办法帮助他，所以要从意识角度教育他。
  • 持续追踪：患者将自己的病情和数据反馈给医生（可穿戴设备可以解决部分数据采集问题），跟医生一起来持续跟踪。
• 轻问诊：能够去除掉70%的无效就医需求，大大缓解医院的就医压力。
• 远程诊断：
  • 远程影像诊断：如诊断肺癌；
  • 远程超声诊断；
  • 远程病理切片诊断：将病理切片数据化；
  • 远程心电诊断；
  • 远程内窥镜：胶囊内窥镜；
  • 远程检验：第三方独立医学检验试验室；
• 远程诊疗（线上问诊）：中国法律不允许，在美国允许。
• 远程护理：护士上门服务；
• 远程手术：达芬奇远程外科手术机器人；

互联网时代的智能诊疗：移动互联网+云计算+可穿戴设备+基因组学+电子病历，必然促成医疗大数据，IBM的沃森是个很好的例子，虽然现在IBM自己宣告医疗AI的实验宣告失败，但是这只是IBM自己的失败，不是趋势的失败，未来一定还是存在机会。

未来医疗新常态下的医疗模式：健康服务和临床诊断，线上服务和线下服务，院内服务和院外服务，机器人诊疗和医生服务无缝结合起来，一切以病人满以为中心来开展医疗工作，这是大家都希望的美好愿景。

互联网+基因

基因科学研究领域有：

• 与基因组学相关的生物信息和科技服务
• 利用基因组学的医学和诊断实验室
• 生物制品和诊断
• 分析仪器制造
• 与基因组学有关的药物研发

精准医疗

• 目的：给每个人制定最优的治疗方案；精准药物研发；
• 精准医疗的重点不在”医疗“，而在于”精准“，精准医疗并没有改变治疗本身，知识通过基因检测让治疗更加有针对性。
• 精准医疗包括了 ”精准诊断“和”精准治疗“，说要精准就必须精准到”分子水平“。
• 精准医疗需要“精准医学”，精准医学依靠 “组学”和“大数据”，生物信息大数据就是两者的交叉点。

生物医学基因大数据的应用场景有：

• 利用多组学的关联研究才能解决人体健康这样一个复杂问题。

• 快速识别生物标志物和研发药物。如发现靶点和进行高通量筛选。

• 快速筛检未知病原和发现可疑致病微生物。将未知病原的基因跟基因芯片或者全基因组比对得知其跟已知病原之间的相似性。

• 开展生物监测和公共卫生监测，发现和预防某些传染病的爆发。

• 了解人群疾病谱的改变。

• 开展实时健康管理。如用可穿戴设备实时传输监测数据然后给出健康指导。

• 通过更强大的数据挖掘技术，能够增加判断的把握度和发现弱关联。

互联网医疗大数据应该包括的数据类型:

在可预防疾病的风险中, 平均只有 20%跟基因有关, 10%来自于医疗, 20%来自客户之前和现在的环境, 高达 50%来自客户的生活方式和习惯. 所以要做好健康管理, 不仅仅要测基因组取得他的遗传信息数据, 而且还要通过可穿戴设备收集他的行为数据, 还要通过传感器收集其生活环境数据, 通过体检和医疗机构收集他的医疗记录数据, 这些数据整体上构成了互联网医疗的整体数据集了.

互联网+基因

• 通过云端技术部署基因行业. 如 BGI Oline, DNANexus, SevenBridge 云基因分析平台.

• 互联网医疗整合基因行业. 基因行业是一个小众行业, 医疗健康细分领域的互联网巨头大战会带动基因行业战队. 国内的主战场不是基因行业而是医疗行业, 基因测序只能排在很后面的位置,

• 互联网医疗通过基因检测来锦上添花. 用户入口一定是互联网, 而不是基因检测. 目前直接从基因检测这个口进来的客户是医疗机构和体检中心. 基因检测对互联网医疗公司来讲是一个加分项, 而不是必须项.

• 目前互联网巨头在用资本运作的方法投资基因行业, 且基因行业仅仅占其投资的一个小部分而已.

医疗大数据

医疗大数据的特点: 大规模、维度多样、高速性、价值大。

• 大规模: 检验结果、费用数据、影像、设备产生的感应数据和基因数据等。影像数据增长最快，其次是 EMR (Electronic Medical Record)电子病历数据。

• 数据维度多样(即数据类型复杂), 有结构化数据、半结构化数据、非结构化数据。大量数据是属于非结构化数据，如 PACS 影像(Picture Archiving and Communication Systems的缩写，意为影像归档和通信系统)、B 超、病例分析等业务过程数据。数据格式有 XML文档、电子病历 HL7和CDA格式，电子健康档案 open EHR 格式。

• 数据的价值可以体现在赋能于临床决策支持, 帮助研究机构实现医疗方法和药物革新, 支持地区或者全国范围医疗主管部门进行优化医疗资源和服务配置.

• 高速性, 数据产生的速度越来越快, 而且还要求我们对数据的处理更加实时, 如心脏监视,血糖检测, ECG 和 ICU 传染源检测和识别.

有哪些医疗数据？

• 制药企业、生命科学；
• 临床决策支持和其他临床应用；
• 诊断相关的影像信息；
• 费用报销、利用率和欺诈监督；
• 患者行为、社交网络；

这些数据来自哪里？

• 医疗机构、社会健康、门诊，及公共卫生机构

• HIS、CIS、CHSS 及公共卫生疾控系统、传染病上传系统等

这些数据通过这些机构里的”前置机”进行采集, 再通过前置机内置路由网关传输到数据平台, “数据源”负责的是分散数据的采集和传输.

大数据平台架构大概分为这几层:

• 基础设施层

• 数据存储层

• 数据处理层

• 应用层

• 管理层

大数据平台要实现

• 海量数据的采集和存储, 要用到云存储技术, HDFS 和 HBase 是其中一种选择.

• ETL: Extract-Transform-Load，抽取（extract）、转换（transform）、加载（load）， 被处理的数据最终转化为符合医疗卫生信息化标准的卫生综合数据, 然后转储到中心数据仓库.

• 大数据处理分析: 首先对数据进行分类, 再建立关联, 然后对各类关系进行分析, 包括典型的因果关系分析, 提取数据的特征和属性.

备注：这章里提到的一些技术或者软件未必是实践当中最好的选择，只是作者在书中提到的一种可选选择。