人工智能在醫療大健康管理中的應用

曹定愛

人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發用于模擬、延伸和擴辰人的智能的理論、方法、技術及應用系統的一門新的技術科學。如果說“非典疫情”推動了物流配送行業的發展和行政應急體制的進步，那么“新冠疫情”必將加速實現AI更多應用場景的落地，助推健康醫療領域的AI應用和大健康產業生態圈的融合發展。在此，就AI在醫療大健康管理中的應用作一個初步的介紹。

品牌戰略AI系統工程首席科學家

大數據和AI在大健康中的應用領域

（一）醫療大數據

大數據是AI的基礎。如果將大數據AI系統作為一個工廠，那么大數據就是原材料，應用場景就是創造健康價值所必須的一系列業務元素與條件的集合，就是產品。大數據系統包括數據集成、數據識別、數據內生和數據處理四大環節。

1.數據集成。就是把各種數據按照一定的規律集成到一起。數據集成必須解決數據的來源問題，我們推動的大數據系統，數據源包括以下3個：

（1）聯通國家、行業等數據庫。進行數據聯通是可行的，數據是一種重要的資產'但是沒有應用就是極大的負擔。因為維護數據庫的成本是巨大的。目前建設數據庫趨勢明顯，但是應用場景有待于開發。

（2）通過爬蟲技術抓取數據。網絡爬蟲是一個自動提取網頁的程序，是搜索引擎的重要組成部分。所有被爬蟲抓取的網頁將會被系統存貯，通過一定的分析、過濾，并建立索引，以便之后的查詢和檢索。對于聚焦爬蟲來說，這一過程所得到的分析結果還可能對以后的抓取過程給出反饋和指導。

（3）品牌E搜數據集成。該系統是我們自創的一個數據集成系統，目前已經列入國家有關部門重點推廣應用項目。

2.數據識別。互聯網時代每天都產生海量數據，但絕大多數都是沒有價值的，如何聚焦找到有用的數據？這就需要建立數據識別系統。通過使用《累積法理論》構建一個識別系統，可實現數據收斂。

3.數據內生。在樣本空間中，有很多數據原本存在，只是沒有發現。通過建立數學模型，可以尋找出這些隱藏的數據。同樣通過數學模型，可以預測尚未發生的數據，實現數據鏈上的相對閉環，使得數據處理更加科學，更加系統。

4.數據處理。在大數據系統中，數據處理是系統核心。“高新技術本質上是數學技術，核心是誤差處理，累積法是最好的誤差處理的方法。應用累積法理論構建數學模型進行數據處理，可以滿足高效無偏的要求，實現數據處理的有效性和遞延性。

下圖是本人設計并正在實施的國家品牌戰略AI系統邏輯關系圖。大數據工程中心是基礎，大健康管理是重要應用場景。

（二）醫療大數據的主要類別

醫療大數據庫是AI在醫療大健康管理中應用的基礎。具體包括以下3點：

1.藥物信息數據庫。通過收集藥物的基本信息、藥理信息、藥物臨床信息、藥物銷售信息、醫藥企業信息、藥物研究信息等所建立的信息數據庫。

2.醫院醫生、醫療設備數據庫。主要是通過對醫院的調查，收集涉及與醫院有關的醫療設備及低值易耗品所建立的數據庫。數據庫包括了醫院醫生、影像診斷系統、移植設備和相關附件、臨床實驗室設備和試劑、醫院內設備、眼科設備、外科設備、物質管理產品、外科矯形設備、物理醫療設備、牙科設備、婦產科設備、一次性醫療產品等方面的信息。

3.癌癥篩選等若干專業數據庫。比如：篩選與癌癥有關的信息而建立的數據庫。數據庫包括試驗性和臨床腫瘤治療;體內和體外癌癥的生物化學、免疫學、生理學和生物學;誘發癌癥的化學、病毒和其它因素;致癌劑的結構、突變因子的研究、突變因子的試驗、導致細胞分離的生長因子和其它因素等方面的信息。

（三）應用領域

主要應用方向包括：重大疫情監測控制系統;新藥開發與測評系統;醫療事故監測與控制系統;健康經濟系統工程發展模型系統;老年病防治模型系統等。

1.構建重大疫情監測控制模型系統

對疾病個案基本數據、地理環境數據及既往流行病情況進行相關性分析，研究仿真重大疾病（如重大傳染病）發生與流行相關的地理環境主導因素，并進行主導因子影響的參數估計。在此基礎上，建立疾病預警模型。針對不同流行病的特殊性建立針對性更強的專業數學模型，基于傳染病流行數據的規律建立更具靈活性和開放性的疾病模型。結合病毒機理的研究設計動力學模型結構與模型調控參數，改善病毒的傳播和預測模型，進一步的數據采集整理和分析等。這部分工作包括與相關部門的合作，獲取流行病學調查資料，估計并設定比較符合實際的參數取值，從而完善動力學模型以及模擬結果。最后是開展傳播與控制特征值規律值在不同地區的比較研究，以及影響模型構造因素的比較研究。疾病的發生與諸多因素相關，模型的構造需要引入的不僅是線性因素，同時可以有非線性因素。并且因素間常存在交互影響。

2.構建新藥開發與測評模型以實現精準制藥

精準制藥是基于病人特定的病理結構而進行精準開發，實現藥性與病理映射，提高治理療效。其核心思想是確保有限的衛生資源發揮最大、最佳的產出效益。通過AI仿真技術對藥物開發進行成本與效果、成本與效用、成本與效益以及效益與風險等綜合分析，制定出科學合理的藥物評價指南、合理的價格補償機制、符合實際的藥物基本目錄和公費醫療用藥的報銷范圍等。結合政府的政策規范和引導，不僅可以實現有限藥物資源獲得健康程度的最大化，還將引領整個社會的醫藥研發、生產的方向和臨床用藥的方案、方式的形成等。在全社會形成藥物研發、生產和應用的融合局面，統籌兼顧國家、企業和患者等多方面的利益。

3.構建醫療事故監測與控制系統以實現精準治療

醫療事故是一個世界性的難題。所謂難，是指醫療行業的特殊性。構建一個監測評估醫療事故控制系統是制定一個全國通用的治療每種疾病的標準方法，建立一個能全面控制事故發生的監測網絡，為處理醫患關系提供一個公平公正的平臺。這樣做不僅可以避免作為隸屬于衛生行政部門的醫療質量管理系統監測的“報喜不報憂”或“行政袒護”之嫌，也可糾正“監督惰性”。

4.構建健康經濟系統工程發展模型應用系統以實現精準管理

大健康經濟系統工程，是用系統工程的方法對國家、部門或地區宏觀經濟系統進行預測、規劃、組織、管理、控制和調節的技術，又稱宏觀經濟系統工程。而健康經濟系統工程的主要技術是建立經濟數學模型，對宏觀經濟系統進行定量分析和實現最優控制。健康經濟系統工程從宏觀上對健康經濟系統實現最優控制或次優控制。它主要是應用經濟數學模型來分析和研究經濟系統的動態過程和結構特性，預測健康經濟變量的變化規律，制訂健康經濟發展規劃，提出國民健康經濟宏觀控制和調節的最優方案。由于AI建模和仿真技術的發展，經濟數學模型具有越來越重要的作用。借助于電子計算機技術，它不僅可以用來制訂宏觀大健康經濟系統的最優控制方案。也可以用來協助最優實現這些控制方案。

5.構建老年病防治模型系統以解決國際性難題

構建老年病的防治模型已經成為防治老年病的重要領域，采用適當的老年病防治模型對老年健康狀況進行合理評估，輔導實行老年病急性照料和長期照料的分層管理，將對老年患者戰勝疾病和全面康復起到積極作用。它可以減少殘疾，降低死亡率，降低住院費用，增加患者和家屬的滿意度，最終提高老年患者的生活質量和延長生命健康期。采取AI仿真系統，既可進行簡單級別的處理，也可進行整個多種多層次級別的綜合分析。通過AI仿真系統對多種老年病模型可達到無縫整合的仿真目的。尤其是在積累了多方面、長時間的科學實踐經驗以后。總之，通過多種模型的可視化、觸覺感知、記錄和接口就可幫助醫務人員診斷及處理病情。

此外，通過AI大健康管理系統，可以縮短用戶交互路徑，減少用戶溝通時間;可以提升模型準確率。目前，AI智能分診準確率已經達到90%，最終將逼近100%的準確率。

AI存在的問題及解決辦法

（一）AI存在的基礎理論問題

人工智能中的數學理論沒有相應的突破，將會產生的問題是：1.沒有完備的數學理論用以支持大數據分析的結果;2.過渡依賴于經驗的總結，而非真正來自內在的數學結構;3.大量的人力和算力，甚至需要得到超級計算機的協助;4.目前大數據分析的結果只適用于特定的環境，缺乏遷移性和普適性;5.缺乏有效的算法，傳統的算法直接用到大數據分析中效率不高;6.深度學習依賴很多大樣本，同時可解釋性很差，容易受到偏倚的欺騙;7.AI在醫療大健康領域還需要深度的技術突破，尤其是病理識別方面，受眾多外部和內生因素的影響，相應病理呈高度動態隨機，要進行精準識別的難度很大。

總之，人命關天，能否通過AI來實現手術零風險，有待于實踐檢驗。對于中醫而言，在一個模糊空間中實現精準化，需要相應的理論支撐。這些都是亟待多學科協同創新，方能解決的難題。

（二）解決問題的可能突破方向

當前，尚未有對場景的完全把握、數據量的積累和更好的算法。要想解決這些問題，首先要對相關數學、統計理論進行深入研究，掌握在刻畫復雜場景中大數據所對應的數學結構和原理，得出孿生模型。其次，由于計算速度所限，目前人工智能，只能采取多層狀結構來解決問題。在可預見的未來，如果采用累積法，提升量子計算機的功效，讓量子人工智能與量子深度學習變成實用工具，則是一種可行的突破方向。

（三）前沿醫療理論的建立

除了在核心層的突破外，在AI與醫學大健康管理方面，有待于構建“醫療衛生管理系統工程理論”“數理醫學”“統計醫學”和“中醫邏輯學”等學科體系的建立。

上圖中方錐體底部四個角分別是醫藥衛生學科（A）、邏輯學科（B）、系統工程學科（C）、數理學科（博弈論、運籌學等）（D）。這四門學科的有機組合就形成了新的學科。例如：數理醫學、醫藥衛生管理系統工程學、醫藥衛生動力仿真系統理論、中醫邏輯學、醫藥衛生控制理論等。這些新的學科和新的理論體系置于上圖的頂部（E）。三維空間的大小就是醫藥衛生經濟學的創新度。在三維空間中，有機的合成必將解決我們實際生活中的相關問題。例如：重大疫情監測控制系統的開發、新藥開發與測評系統的軟件開發、醫療事故監測與控制系統的軟件開發、健康經濟系統工程發展模型的建立及軟件開發、老年病防治模型的建立及軟件開發等。這些組合空間比現有的藥物經濟學、醫藥衛生經濟學等學科更高、更精、更尖，是金光燦爛的金字塔，必將為我國社會經濟的可持續發展做出重大貢獻。

大健康AI管理的技術路徑

（一）醫療大數據集成：品牌e搜及其應用

1.品牌e搜

利用大數據、人工智能、區塊鏈、物聯網等技術，構建一個基于產品的“企查查”平臺——品牌e搜。“品牌e搜”由四川品牌中國規劃研究中心開發的一款基于商品二維碼的移動互聯網應用。用戶通過手機移動應用程序掃描商品上的二維碼，可以查詢商品的生產制造信息、規格參數、組成成分、對應標準，以及相對于標準的偏離程度。用戶可以對商品進行同類對比、質量評價，這既能讓消費者參與對品牌的評價，又能對流通領域的商品及品牌進行有效的監督。

2.AI技術填補大數據到信息轉化路徑的空白及完善產品價值。

健康醫療數據多具有非結構化特性，以往的數據分析軟件多針對結構化數據進行研發應用。人工智能（自然語言處理、卷積神經網絡技術和算法、機器學習與數據挖掘等）技術的成熟與應用，開啟了健康醫療的“大數據時代”，為諸如影像類的非結構化數據應用提供了可能性。

3.AI大健康管理的仿真系統

AI在大健康管理中的應用，通常的手段是依托大數據，構建一個仿真系統。其模板如下圖：

醫藥衛生系統仿真的基本思路如下：

第一步，用生成元和類生成元建立宏觀醫藥衛生系統的模型;

第二步，利用NetLogo等軟件，定出初始時間和初始值;通過數值迭代算法來描述系統的演化行為;

第三步，通過演化方程研究系統的動力學特性;通過修改初始條件、關聯關系和干擾，得到系統的多種演化結果。

第四步，通過對各種演化結果的評價，選擇對策和制定措施。

（二）AI系統的四個維度

（三）機器學習的過程迭代：AI迭代過程/《累積法理論》的應用

根據AI迭代模型，結合《累積法理論》，通過數據自我迭代訓練模型，優化模型，使模型更適合大健康領域。“累積法”是筆者基于1778年意大利數學家馬爾奇西提出的“累加法”概念，而創立的一套參數估計和大數據處理的一套方法體系，經過30多年的研究發展成自成體系的方法論。1986年中國社科院《數量經濟技術經濟》連載“計量經濟學方法論新探”，1999年《累積法引論》由科學出版社出版，2011年《累積法理論》由科學出版社出版，被譽為是對參數估計法的重大貢獻。由于其具備無偏性等優點，在大數據處理和AI應用前景是不言而喻的。

（四）醫療大健康AI管理宏觀系統模型

結論

借助大數據的AI算法，醫療大健康AI管理宏觀系統模型在提升疾病篩查、制定治療方案、病情監測、新藥研發、醫院管理等多方面發揮了獨特的作用。同時，AI技術改變了醫療服務模式和健康管理理念。從某種意義上說，人工智能在大健康管理中的有效應用，極大地提高了醫療生產力，降低了全社會的醫療成本，未來也將有無限的發展空間。

（責任編輯/崔江紅）