智慧醫療服務領域發展態勢分析*

陳欣然 李國正 崔一迪 夏秋芳 王明強

(中國中醫科學院 北京 100700) (中國中醫科學院眼科醫院北京 100400) (中國中醫科學院 北京 100700)

1 引言

人工智能(Artificial Intelligence，AI)已經成為諸多行業技術創新發展的重要來源之一[1]。目前醫療衛生健康服務正處于從規模化到高質量創新發展轉變的關鍵戰略窗口期[2]。AI技術針對醫療體系演化出豐富的應用場景，包括智能輔助診斷、移動醫療、健康監測、智慧藥房、智慧問診和預約掛號等，有助于全方位加速提升整體醫療質量和服務水平[3]。專利信息記載了技術創新發展歷程，能夠較客觀反映領域整體概況和發展態勢、技術演化，可提供重要參考[4]。本文基于專利共類信息，在總結AI技術與醫療服務領域的專利申請整體態勢基礎上，利用多維度指標對醫療管理、醫患溝通及醫學公共衛生信息傳播模式中的AI技術熱點、前沿領域進行分析，以期為我國智慧醫療服務領域創新發展提供參考。

2 資料與方法

利用中國專利保護協會《人工智能技術專利深度分析報告》中列舉的AI主要技術關鍵詞及領域分類[5]，結合“醫療服務質量管理”、“公共衛生信息傳播”和“醫患溝通”相關關鍵詞確定檢索式。在德溫特專利數據庫(Derwent Innovations Index，DII)獲取1963-2020年相關數據。分析工具依托中國工程科技知識中心的戰略咨詢智能支持系統(Intelligent Support System，ISS)，專利分析系統以及Microsoft Excel。通過對摘要，完整國際專利分類(International Patent Clsassification，IPC)報告，德溫特世界專利索引(Derwent World Patents Index, DWPI)記錄等進行提取，為專利信息分析提供數據支持。

3 專利分析

3.1 申請概況

3.1.1 時間分布 由于數據發布滯后，目前2019年專利數據未收錄完全，AI技術在醫學領域中的應用前瞻性分析可參考前兩年數值。綜合來看2016專利申請顯著增加，在此之前對各個服務模式重視程度明顯不足，這多與2016年各國開始在戰略層面上對AI在醫療領域重點布局及相關政策刺激有關。細分對比可發現，起步最早、整體數量最多的是智能醫患溝通，智能公共衛生信息傳播雖然起步較晚、數量少但發展勢頭保持良好，發展潛力巨大。

表1 2011-2019年AI醫療服務模式專利申請數量(件)

3.1.2 申請國家-申請時間二維分析(圖1-圖3)

圖1 智能醫療管理專利申請國家-申請時間二維分析

圖2 智能公共衛生信息傳播專利申請國家-申請時間二維分析

圖3 智能醫患溝通專利申請國家-申請時間二維分析

綜合來看，美國、中國、日本、歐洲專利局申請量最多。布局最早的智能醫療管理模式是各國參與專利申請的重點。細分對比可發現，美國、世界知識產權組織及日本較早開始，而日本近年來逐漸從技術專利領域領先位置淡出，俄羅斯整體AI醫療服務實力相對落后。我國3個智能醫療服務模式的專利申請起步較晚。2000年左右在以服務收費為核心目標的基礎信息化推動下，我國醫院信息系統(Hospital Information System，HIS)逐步鋪開[6]。2013年左右，在電子病歷評級和互聯互通需求拉動下，醫院內分散的信息系統孤島， 包括HIS，醫院資源規劃(Hospital Resource Planning，HRP)系統，電子病歷(Electronic Medical Records，EMR)系統，醫學影像存儲與傳輸系統(Picture Archiving and Communication Systems，PACS)，放射信息系統(Radiology Information System，RIS)，護理信息系統(Nursing Information System，NIS)，實驗室信息管理系統(Laboratory Information Management System，LIS)等，開始走向集成化[7]。推動2016年后專利數量迅速增長，在2018年前后超越美國，這多與AI技術大量深度學習平臺的出現和框架開源相關，技術探索周期縮短[8]。

3.1.3 重點專利申請人(圖4-圖6)

圖4 智能醫療管理重點專利申請人整體趨勢

圖5 智能公共衛生信息傳播重點專利申請人整體趨勢

圖6 智能醫患溝通重點專利申請人整體趨勢

分析各模式專利申請人的專利數量排名情況，當前全行業較認可智能醫療服務發展，各類申請人紛紛涉足，如傳統醫療設備公司GE、Philips、Siemens和國內的平安集團、前海公司等。這與上述企業在AI基礎技術領域的長期布局和投資優勢相關，其具備在醫學服務領域應用層面取得突破的良好基礎。高校、科研院所和醫院相比企業在AI算法和算力的積累較薄弱，但對于醫療服務行業需求的捕捉和反應較敏感，了解現階段醫療服務瓶頸，以科研創新的方式對醫療數據資源進行數字化、結構化，利用AI技術構建行業解決方案[9]。

3.2 技術分析

3.2.1 IPC分析 通過IPC能及時得到滿足分析需求的專利數據和信息[10]。通常來說，公開專利申請數量較多的IPC，該技術分支中創新相對較為活躍。通過統計每個模式已公開的專利申請IPC 4級分類情況可分析AI技術在3個智能醫療服務模式專利申請具體應用發展情況，見表2。3個智能醫療服務模式中IPC代碼出現最多的大類是G06F和G16H，說明熱點技術研究主要集中于數據處理和專門用于處理醫療或健康數據的信息和通信技術。隨著算力、算法、大數據快速迭代更新，應用于醫療的數字計算或數據處理設備及方法更加成熟[11]。在數據量和計算量驅動下，卷積神經網絡(Convolutional Neural Networks，CNN)和深度神經網絡(Deep Neural Networks，DNN)等深度學習算法得到大規模應用[12]。就IPC專利代碼分析看，A61B 5/00雖然是醫療診斷技術，但其服務模式患者參與程度較高，所以在醫療管理、公共衛生信息傳播、醫患溝通頻數排位第1。代碼G16H 40/00與G16H 50/00在發展迅速，預示AI將實現智能化疾病預防指導，對疾病和個人健康進行實時動態監測和評估，為用戶提供個性化行為干預，推動高質高效、低成本康復護理、慢病管理等智慧服務，有助于降低疾病風險，切實降低醫療費用支出[13]。值得注意的是IPCG06F 19/00統計頻數最高，是基于一系列醫療信息化的智能應用，在醫療機構信息系統如HIS、HRP、EMR、PACS、RIS、NIS、LIS等方面不斷創新探索[14]。

表2 3個智能醫療服務模式申請IPC 4級分類情況

3.2.2 專利技術相關性 基于專利數據中的關鍵詞信息，分析每一個詞與其他詞之間的相關性，二者共現次數越高則相關程度越高。要關注具有較高相關性的IPC代碼，同時關注大類下面出現較少的技術點，其可能反映新領域介入，成為未來發展趨勢[15]。中心詞四周是相關性較高的關鍵詞，與中心詞的距離代表二者關系遠近；原點大小代表該詞的詞頻數量。距離中心詞位置遠近則表示與其相關性分析的程度，節點距離中心詞越近則相關度越高。根據分析結果，3個智能醫療服務模式的中心詞同為schematic view，且有諸多熱點技術在不同服務模式中共同出現，中心詞schematic view本身的數據處理方法門檻較低且研究充分，結構化醫療數據增加便于數據挖掘素材隨之增加。而這與目前醫療行業信息化水平有關，數據較多但高質量數據有限。共同熱詞為schematic block diagram、artificial intelligence、machine learning，共同相關度熱詞為artificial intelligence，見圖7-圖9。醫療服務領域的智能化集中于圖示展示及機器學習的技術研發，這多與醫療本身擁有的數據內容、類型和渠道相關，進而實現算法與模型優化。對比分析智能醫療服務質量管理在病種專業化平臺、智能語音錄入、自然語言識別病歷結構化處理、臨床決策支持4個場景開展專利相關研發[16]，在技術層面上實現更加實時及減少人力成本、更好的醫療照護、提高醫療服務效率，這與醫療機構信息發展水平日趨完善有直接關系[17]。現代醫學沿著以病人為中心的方向快速發展，為患者和醫生提供帶來更好的醫療體驗和便捷的工作環境[18]。智能公共衛生信息傳播相關性聚集程度較高，雖技術熱點較低但與AI技術融合最快，可有效地提供更真實、全景、精準的知識服務及參考[19]。AI技術在現代傳媒多平臺獲取相關數據，過數據分析和相關背景材料匹配，借助互聯網、移動傳媒設備有效、靈活、便捷地傳播給大眾[20]。利用AI技術推進公共衛生和醫學科普知識教育成為一種社會理念。在智能醫患溝通方面AI應用場景較明晰，可按診前、診中、診后3個環節進行分析[21-22]。

圖7 智能醫療管理專利技術相關性分析

圖8 智能公共衛生信息傳播專利技術相關性分析

圖9 智能醫患溝通專利技術相關性分析

4 討論

4.1 概述

隨著數據資源、計算能力、算法模型等基礎條件日臻成熟，AI醫療融合模式更加清晰，包括醫學影像、臨床決策支持、語音識別、藥物挖掘、健康管理、病理學等眾多領域。而醫療服務行業還有較多瓶頸待突破，因此有必要從全球行業相關專利分析入手對我國醫學服務領域AI產業競爭力進行全面評估，為實現技術新突破提出針對性建議[23]。

4.2 重視產業布局，打造醫療AI生態鏈

與美、日、歐相比，我國仍處于AI技術發展初級階段。醫療服務領域AI技術融合發展面臨機遇和挑戰，技術理論和制度仍需完善。首先應提高社會對AI與醫療產業的重視，尤其是在新一線和二線城市給予更為寬松、開放的招商引資環境，吸引更多AI企業布局。行業巨頭依靠行業經驗積累，通過AI打造醫療生態圈，側重于業務價值實現，既是醫療AI提供方也是需求方。北京、上海、杭州、深圳作為一線城市，依托強大的學術、科技、經濟實力和政策支持以及百度、阿里、騰訊等科技巨頭的行業示范帶動作用，在AI領域具有先發優勢[24]。其次，在政策方面，根據地方醫療服務產業優勢資源找到與AI結合點，積極布局AI產業園區、招商引資、完善基建，搭建AI相關產業生態。新興醫療數字化及創新企業在技術或業務領域擁有獨特經驗積累和優勢，通過布局AI快速成為有潛力的參與者。與眾多科技巨頭、投資機構、醫療參與方合作共同探索未來發展之路。構建科技生態側重于AI基礎層和技術層布局，通過打造生態鏈逐步完善行業解決方案[25-28]。

4.3 加強跨學科人才培養，弱化學科間技術壁壘

醫療領域AI應用投入高、技術風險大、研發周期長，僅靠政府政策支持無法保證行業平穩而快速發展。目前醫學專業劃分越來越細，臨床醫生對信息技術領域知識掌握有限[29]，尤其是醫療數據收集、整理與應用[30]，這與醫療機構、教育機構學科創新建設密切相關[31]。目前我國醫療領域AI人才嚴重緊缺，人才培養模式與美國等發達國家存在一定差距。美國高校較早設立AI專業，但中國高校AI課程分散于計算機、自動化、機械等專業中，缺乏AI一級學科，無法形成良性的交叉學科融合發展[32-33]。探索高校與優秀企業合作培養模式有助于培養理論與實踐雙優人才，為產業良性發展奠定堅實的人力資源基礎[34]，推動醫療專家與科技人才合作交流，全面提升智慧醫療從業者整體素質。

4.4 保障醫療服務數據合規合法，推動倫理體制建設

數據是智慧醫療服務發展核心資源，數據應用的不規范一方面導致學科間流通困境，另一方面造成醫療機構之間、醫療機構與社會資本之間合作壁壘。我國亟須出臺行業相關倫理審議規范，為解決倫理問題提供依據[35-36]。通過國家力量和產業資本結合，有效應對健康醫療服務數據互聯互通和數據共享機制問題，有助于醫療服務數據平臺建設和開放，進而推動數據采集、存儲、深度學習和開發，以發現新知識、創造新價值、提升新能力，為醫療服務AI應用帶來紅利[37]。應提高醫療服務數據規范化程度，醫療服務數據中既有結構化數據，也有非結構化數據，包括臨床病例數據，以及設計細分領域如基因、醫療器械、影像和醫院物資數據等[38-39]，對醫療服務數據處理能力提出更高要求。應對醫療服務數據概念、內涵、外延以及文件編制依據、適用范圍、原則和思路等進行統一規范闡述，以便于各級衛生健康行政部門的權責劃分，促進安全以及服務管理的規范化、標準化。

5 結語

目前以醫學、人工智能學科為支撐，借助于大數據、云平臺、移動互聯、物聯網等行業發展[40]，智慧醫療服務領域保持一定發展活力，創新初具規模，發展空間較大。專利分析僅是醫療服務與人工智能技術融合探索的一方面，尚需要推動相關多學科交叉融合、協調發展，通過優勢互補、合作創新完善相關法律規制，深入聯合開展基礎與應用研究[41]，對接智能化促進醫療健康事業發展的國家戰略，從而提高整體醫療服務質量與效率。