題圖 | 視覺中國
一年之間，曾經的醫療AI“四小龍”，悉數開始沖刺資本市場。
但結局是有的被放棄、委身競爭對手，有的上市申請拖到失效、懸而未決，僅有的一支醫療AI股，上市即破發。
這被視爲醫療AI交出的答卷，而人們對醫療AI的質疑，也從推翻終局延伸到推翻底層邏輯。戲谑中，醫療AI似乎已然難以抽身于傳統醫療的夾縫，無法收場。
但其實不妨重新盤一盤醫療AI的邏輯。
倒逼
前不久，國家醫保局的新一輪藥品談判落幕，“靈魂砍價”的場景增加許多人對新醫改的好感。而“壓價砝碼”——世界最大醫療需求市場的背後，醫療資源不充裕、不均衡一直是醫療供給側的心病。
醫保局在努力，醫院也在修煉內功。
于是，越來越大的院區正在被先進的設備填滿，醫生卻似乎比以前更累，工具和標准不斷在變，他們對患者負責的職業素養不會變，熟悉每個設備的功能、讀懂每個參數的意義，成了終生學習的一部分。
患者也累，冰冷機器的“檢查結果”橫亘在他們與對面的醫生之間，而更多時候，看著手中的檢驗單，他們腦中不免閃過上網查查再做決定的猶疑，久病成醫在這個被碎片化的醫學信息充斥的時代好像更常見了。
另外的人，跋山涉水往大三甲醫院擠，去搶來大專家們有限的問診時間，把名醫專家搶到一號難求，甚至催生出醫院前市場尋租的生意。
實際上，患者求索的，不外乎醫生行醫經曆中，那些與自己情況十分接近的成功案例。在大數據的眼裏，這是基于特征向量做匹配的過程，于是有了醫療AI。可以說，正是醫療供需的錯配倒逼出了醫療AI。
醫療AI利用機器學習和數據挖掘兩項核心技術，來探索在醫學場景中模擬、延伸和拓展人類智能。臨床醫療中那些基于大量標准化數據的重複勞動，醫療AI可以分擔。比如，醫學影像、病理判讀等以客觀數據爲支撐的疾病診斷。
在醫院裏，醫生往往越老越吃香，而醫療AI深度學習的數據庫裏包含全球的臨床數據和研究文獻，這些數據體量可能遠超普通醫生一生掌握的醫學資料量。換言之，讓計算機學習醫療大數據之後再做判斷，其效率和准確性完全有可能超越醫生。
當然，這是後話。現在醫療AI的角色，是嵌入醫療全程，輸出接近醫生水平的決策支持。
悄然走進生活
與作爲黑科技概念時的高調亮相不同，身邊的醫療AI，往往以人們根本察覺不到的方式出現。
大多數人能接觸到的，是醫療AI在醫院外的應用。比如，設置在線問診前的人機對話，就屬于醫療AI中的智能導診，計算機程序根據患者陳述匹配適當的科室和醫生。再如，嵌入可穿戴設備中，用來提示疾病風險、進行用藥管理的軟件，則屬于醫療AI中的智能健康管理。
在國內，醫療AI商業發展近 10 年，絕大部分基于計算機視覺與自然語義處理的醫療AI産品都已經相對成熟，正逐步實現商業化的廣泛應用。
其中，醫學影像科的檢查結果格式相對一致，是國際上的醫療AI研究團隊最早關注並且發開出算法的領域，國內的醫療AI“四小龍”企業最早也多憑借醫學影像的AI算法起家。
至今，CT 肺結節、乳腺钼靶、CT 肝、MRI 腦等多個應用場景都出現了相應的醫療AI産品，結果勾畫准確率越來越高，醫生閱片壓力得到緩解，並提高了相關症狀和疾病的檢出率。
當前，醫療AI還陸續進入胸外科、心內科、內分泌科等診療數量居高不下的熱門專科。前不久，平安集團表示，旗下AskBob AI醫生通過對臨床指南、專家共識和大量經典案例的學習，已經具備了與國際內分泌主治醫生團隊相近的糖尿病綜合管理能力。
在這場由北京大學人民醫院內分泌科羅櫻櫻教授和鄒顯彤醫生主持的“人機大戰”中，6名分別來自北京大學人民醫院、北京大學國際醫院、新加坡中央醫院、巴西聖保羅大學裏貝朗普雷圖醫院的參賽醫生被分爲三組，各自在約45分鍾內獨立回答3個病例，而平安AskBob AI醫生則由一名平安智慧醫療工作人員操作答題系統，來同步作答9個病例。
比賽中，系統把病曆信息給到參賽選手，後者根據病史的完整性決定是否要進一步補充患者的病史以及檢查檢驗結果。當選手認爲所有患者的信息已經完備的時候，即給出最終的診斷和治療方案。由國內外專家組成的評委團根據診斷的准確性、治療的合理性和其他建議的完備性等因素對各選手答案進行盲審，並給出診斷、治療等分項評分。最終，AskBob醫生以92.4 vs 89.5媲美國際內分泌主治醫生參賽團隊。
無獨有偶，一年前的另一場“人機大戰”中，AskBob AI還顯示出了與三級醫院住院醫生相當的心血管病綜合管理能力，以97.7vs93.9贏得了比賽。
這些默默工作的醫療AI，並未有引發預想中的軒然大波，未來也大概率不會。
醫療AI進入中國HMO樣本
其實AI本來就無它，只是一種需要更多算力的軟件，但可以完成更強大的任務。比如在中國的醫療環境中，推行曾被歐美國家反複驗證的管理式醫療模式HMO。
HMO的運營模式是指在收取固定預付費用後，爲特定地區主動參保人群提供全面醫療服務的體系。HMO模式最大優勢是醫療和保險的深度融合，其不僅可以提供高效的醫療服務，還可以最大程度的控制費用，有效解決看病難，看病貴的問題，在國內具有廣泛的應用場景。
對于用戶而言，通過“預防爲主、防治結合”，做好健康管理，避免過度醫療，達到控費目的，同時提高投保人的健康水平，實現保險保障與健康管理價值協同。
在2021年10月末的投資者開放日上，平安集團聯席首席執行官陳心穎表示，平安集團的醫療健康生態將打造HMO模式，整合集團力量，形成以“HMO+家庭醫生會員制+O2O”爲支點的醫療生態圈。
馬明哲董事長也在多個場合提出，要用專業讓生活更簡單，解決人民“煩心、煩事、費錢”的痛點，提供“省心、省時、省錢”的高質量服務。
這對于而立之年的平安集團和中國保險業而言，涉足HMO的嘗試都不太可能淺嘗辄止。
今年4月，平安率先推出了“平安臻享RUN”。以專業家庭醫生和專業健康檔案爲基礎，提供覆蓋健康、亞健康、慢病和疾病四大健康服務場景的一站式管理方案。
5月，平安通過參與方正重整補齊了醫療生態圈最後一塊拼圖，線上借助診療平台，爲用戶提供線上診療、健康管理及藥品配送等服務；線下憑借方正系的醫院資源，爲用戶提供醫院檢測、治療等有溫度的服務。
可以說，平安的保險産品已經跳脫僅僅財務補償的功能，步入健康管理和保險保障協同並進的新階段。有場景、有服務、有溫度、有頻率的“醫療健康+保險服務”生態已形成。
綜合國外經驗，HMO模式的精髓——保險+健康管理，以保險、醫院和醫療服務爲抓手，利用技術實現更有效的健康管理和保費控制，形成一個完美的閉環。但是，這三個因素頗有門檻，也決定了只有少數人能夠進行複刻。
對于平安集團而言，有獨特的優勢。
首先，經驗優勢。平安有30年的健康管理經驗，在此之上有非常多的技術支撐，例如，五大數據庫覆蓋了3萬種疾病，還有100萬醫學概念，700萬的醫學關系。
第二，科技優勢。目前中國平安已構建全球最大的醫療數據庫之一，AI輔助診療覆蓋3,000種疾病，2021年上半年AI醫療服務次數超5億次、惠及約95萬名醫生、服務306萬名慢病患者。
第三，龐大的客戶基數。2.2億金融客用戶將成爲平安“保險+醫療健康”戰略的基石，而從未來潛在金融客戶市場看，中國金融客戶更是超過7億，平安的用戶增長遠未觸及天花板。
第四，線上線下資源布局。平安健康組建了約2000人的全職醫生團隊，並且通過O2O網絡，鏈接了18.9萬家藥店、超4000家醫院、約1700家體檢機構和超過1800家健康機構，實現了線上/線下全流程打通。此外，平安將通過參與方正集團重整，及深圳龍華區綜合醫院的合作運營，補全線下實體醫院，進一步深化醫療健康戰略布局，提升服務能力。
但平安集團的HMO得以有效運行，離不開潤滑劑醫療AI。
與其他醫療AI公司先訓練算法，再尋找應用場景不同，平安集團的醫療AI就誕生于場景之中。在HMO體系中，患者就診、患者管理、醫生學習等需求都被對應放大，對于那些重複的程序性工作，平安集團更多借助醫療AI的高效算法來解決。
例如，平安集團的AI工具AskBob根據醫生習慣進行定制化開發，爲醫生提供精准的技術支持，幫助提升閱片效率，包含超過70種疾病預測模型、90種智能影響模型。針對慢性病例，平安健康管家可以提供多種服務，包括分診、導診、診後隨訪、教育、問答等。
此外，通過海量就診數據、上千萬醫學文獻、權威臨床指南，平安集團構建了AskBob醫學智庫，具備輔助診療功能，能夠爲醫生提供專業的診斷和治療方案。
這背後，是平安集團基于海量的保險理賠和線上問診信息沉澱的全球最大醫療數據庫之一。
據了解，這個數據庫包含ICD所有的3萬種疾病、9000種以上症狀信息、20萬以上藥品信息、50萬常見處方、1.8萬指南、100萬以上醫療機構信息、350萬以上醫生信息，及基于知識圖譜構建了300萬以上醫學概念、3300萬以上醫學關系、3000萬以上醫學證據等。
迄今爲止，平安集團的數據庫與醫療AI技術已經在SCI知名期刊已發表論文超過了100篇。在6項醫療影像國際競賽中獲得第一，5項醫療自然語言處理國際大賽中獲得第一。
例如，2021年2月，平安智慧醫療還連同平安醫療科技美國華盛頓研究院（PAIIInc.）、平安智慧城市、平安健康與台灣長庚醫院等單位，在國際知名期刊《Nature Communications》（影響因子12.1）上發表論文，首次提出了一個可檢測髋部X-ray影像中全部可見的放射骨折類型的測量模型。
醫療AI無聲，卻十分有力地改變著過去曾被認爲無法改變的事實。在國內，HMO落地一直很難，因爲公立醫院體系近乎獨占市場。但平安集團基于資源、渠道基礎，借力醫療AI，第一次讓用戶體驗了HMO的便捷。
從某種意義上講，醫療AI會成爲對醫生越來越重要的工具，它的出現讓醫生可以更加專注于與患者相關的事，讓久病成醫的無奈在未來消失。作爲工具，波瀾不驚是題中應有之意，而討論曾經落在醫療AI上的熱情，和它燒掉的大量資金是否錯付，換個視角，結論可能就不一樣。