医疗数字化转型的机遇与挑战

医疗保健领域的数字化转型——当前与未来信息技术的架构

摘要

全球的医疗服务提供者都面临着一个共同挑战：在控制成本的同时改善患者治疗效果。推动因素包括老龄化人口对慢性病管理的需求不断增长、技术进步以及 empowered patients 主动掌控自身健康体验。通过建立丰富的健康数据基础，并集成物联网（IoT）、高级分析、机器学习（ML）和人工智能（AI）等技术，医疗保健领域的数字化转型被认为是应对这些挑战的关键组成部分。这可以提升诊断、预防和患者治疗水平，最终使护理人员能够采用循证方法来优化临床决策。实时交互使得医生能够实时监测患者，而非每隔几周进行一次互动。运营智能可确保医疗资源和服务的高效利用，从而优化成本。然而，按程序付费模式、遗留系统、分散的数据源、数据标准应用有限、技术债务、数据安全及隐私问题阻碍了健康信息的有效利用，限制了所有医疗保健利益相关方的价值创造。这导致该行业高度受监管且发展受限。最终目标是通过打造智能化医疗服务提供者，全面实现基于价值的医疗保健和无缝患者体验，从而提高生活质量并挽救生命。支持这一目标的信息技术必须具备可扩展性、安全性、可靠性和经济性，并应根据各个组织的数字化成熟度水平量身定制。

关键词 ：高级分析；人工智能；大数据平台；数字化转型；医疗保健；物联网 (IoT)；机器学习

医疗保健中的机遇与挑战

我们生活在激动人心的时代。一方面，医学和技术的进步正在推动全球人类医疗保健水平的提升，但另一方面，不断上升的成本已成为各国政府、医疗服务提供者和患者的重大关切 [1]。

预计到 2020 年，全球医疗支出将达到惊人的 8.7 万亿美元，主要原因在于护理服务提供的低效率以及药物开发成本（每种新上市药物高达 26 亿美元）[3]。随着全球预期寿命的提高，对更好的老年医疗保健和专科护理项目的需求不断增加（例如老年性痴呆、阿尔茨海默病 [4]）。另一个关键因素是慢性病和生活方式相关疾病的日益普遍。2015 年，全球 70% 的死亡人数归因于非传染性疾病（如中风或糖尿病 [5]）。这凸显了在预防、诊断和优化护理方面制定战略的紧迫性。

empowered patients 进一步加剧了系统的压力，因为医疗保健的消费者化促使患者希望积极参与治疗决策，追求更便捷的即时护理选项、增值服务、家庭诊断和健康信息共享 [6]。人类生命至关重要，因此法规和合规要求在药物开发和治疗中发挥着重要作用。然而，这些要求也带来了额外的成本和负担——可能阻碍医疗行业的数字化进程 [7]。

尽管如此，随着技术持续快速进步，医疗保健领域的“古腾堡时刻”正在迅速到来。技术正日益在患者与医生之间创造信息平等。人类基因组测序成本在大约 15 年的时间里下降了百万分之一。

智能手机所包含的数据比以往任何时候都多，并被许多人视为微型医疗设备，能够实现高速监测和分析。技术有潜力使医疗保健民主化到这样的程度：医生将能花更多时间陪伴真正需要支持的患者，而其他护理则可以通过虚拟方式半自主地完成。医生将成为计算机系统的指导者，并分配任务 [8]。

数据与分析挑战

尽管医疗保健的数字化进程进展缓慢，但在过去十年中，可用的患者级别数据量已显著增加 [9]。毫无疑问，健康相关产业集团确实属于大数据领域；全球数据量的 30% 均产生于医疗行业（以尧字节 ~10²⁴ 千兆字节规模 [10] 计）。

一名患者每年通常会产生 80 兆字节的影像和电子健康记录数据 [11]。然而，医疗领域的挑战并不仅仅是数据体量问题，更大的挑战在于数据类型多样性。这包括患者人口统计信息、就诊记录、诊断、病理学、实验室检测、药物、放射学、放射治疗、外科手术治疗、治疗后护理、笔记和文档、运营信息、财务信息和保险信息，以及医疗服务提供者的特征。最大的数据来源是用于诊断的影像、组学数据（如完整基因组序列数据）以及蛋白质组学信息。每位患者均可收集数千个数据字段和文件，所有这些数据都描述了其健康状况。此外，还需解决真实性这一典型的大数据问题。确保信息质量至关重要，因为它直接影响患者的生命，是实现可靠临床决策的关键。

随着物联网、传感器和移动技术的进展，可以从连接的医疗设备、智能手机和医疗级可穿戴设备收集并解读更多的诊断信息和电子患者报告结果（ePROs）。

2017 年有 32.5 万个移动医疗应用可供使用，同比增长 25% [12]。在许多情况下，智能手机和健身追踪器已被视为医疗设备，但大多数缺乏适当的测试和监管授权。

由于这些挑战，医疗数据仍然高度孤立，其价值未被充分挖掘。

医疗设备通常以结构化格式提供患者数据。这些内容可由软件进行挖掘，一种相对简单的方式。然而，电子病历（EMR）系统中可用的数据允许挖掘的程度较低，因为这些患者数据仅为部分结构化。用于治疗癌症的大部分数据是非结构化的，因此真正的挑战在于仅以自由文本形式存在的患者信息，例如医生信件中的内容 [13]。

医疗服务提供者正努力将这些挑战转化为机遇。这些数据资产的数字化和分析程度能够提高生产力。然而，与媒体、金融、保险和零售等行业相比，医疗保健行业的数字化水平、使用率以及数字创新采纳程度最低，导致劳动生产率增长有限 [14]。

所有这些挑战以及不断上升的医疗成本凸显出迫切需要确定合适的激励机制和商业模式，以确保可持续的商业创新和护理质量。例如，医疗系统缺乏互操作性这一问题完全可以通过现有技术轻松解决，但目前仍缺乏解决该问题的激励措施。围绕有意义使用指南（如蓝色按钮或阿戈诺特）的近期倡议在一定程度上解决了问题，却未触及根本原因 [15]。挑战的核心在于，医疗服务提供者目前主要按服务量获得报酬。缺乏基于价值的“竞争”和风险分担机制，导致了医疗服务和资源的低效利用以及患者结果不佳。在许多其他行业中，价值能够在更低的成本下被创造出来，因为这些行业是基于价值进行竞争的 [16]。

因此，支付方和政策制定者正致力于通过衡量护理价值来报销医疗服务提供者，重点关注改善患者结果和优化成本。最终，医疗保健领域的创新路径将通过医疗经济的系统性变革来推动。

这一进展的发生速度存在广泛的不同，具体取决于组织的地理位置、规模和战略。在医疗保健提供机构中，可以识别出数字化的四个成熟度等级。

• 第一级 。患者数据以 paper-based 方式采集。这极大地限制了对信息进行有用的分析，制约了生产力以及高价值任务中资源的高效利用。
• 第二级 。只有在下一阶段，当数据被数字化后，才有可能开始从数据中获益，并获得更深入的洞察。尽管电子病历系统加速了健康数据数字化，但它们在很大程度上仍然是传统纸质系统的数字复制品，挖掘和分析信息的能力有限。
• 第三级 。一旦数字化全面实施，组织便可变得智能化，应用新一代的数据管理、分析以及机器学习（ML）/人工智能（AI）技术，以及新的服务模式，来应对提升业务绩效的挑战 [17, 18]。
• 第四级 。智能系统现在是基于价值的医疗保健的核心推动者，这种服务模式根据患者健康结果向医疗服务提供者支付费用（与根据提供的医疗服务数量付费的按服务收费或按人头付费方式相反）[19]。

可能的解决方案——数字化转型加速器

成本激增促使所有利益相关方更愿意共同考虑基于价值的模型，利用与患者结局相关的透明指标。全球卫生领导者提出了以下五个战略重点 [20]：

• 提高组织的运营效率，以增加创新资源和提供更好的护理
• 优化每位个体患者的治疗结果
• 应用数据驱动的创新，并利用基于证据的决策来指导照护者和研究人员
• 改善整体体验，满足所有医疗消费者的需求
• 赋能医疗工作者，使其发挥最佳水平

因此，在医疗生态系统内实现更广泛的合作、全面的系统连接性、完整的数据访问以及强大的预测分析能力（例如，智能化的实时内存计算），以从这些数据中获取更大价值，变得至关重要。这可以通过数字化转型以及在业务流程中嵌入智能系统来实现。此外，近期分析 [21] 显示，2016 年与医疗保健的可负担性、可及性和医疗质量相关的六个领域获得了 73% 的投资资金。这些领域包括：提供者效率（12 亿美元）、虚拟护理/协调、可穿戴设备、个性化医疗、增强诊断以及大数据与分析。

为应对前文所述的挑战，必须构建一个逻辑数据仓库，以解决大数据分析的五个 V：速度、体量、价值、多样性和真实性 [22]。内存数据库技术以及用于高级预测分析的实时洞察在实现这五个先决条件方面发挥着重要作用。

高德纳 [23] 使用“待完成的工作”来描述此类系统：

• 工作一由结构化数据的分析承担。
• 工作二涉及少量甚至非结构化数据的添加，而
• 工作三由新旧数据分析引擎的集成承担。

这种分阶段方法有助于克服护理中的最大挑战 [24]，并帮助医疗保健利益相关者：

• 获取真实世界数据的可及性；
• 解锁、整合并进行隐私保护分析患者病历；
• 帮助医生识别患者中的不良事件集（例如导致意外负面结果的特定药物使用或组合）；
• 通过确定最佳的循证护理方案提供指导；
• 衡量与基准比较护理质量；
• 发现模式以生成知识。

这一知识有助于例如开发现有药物的更优疗法（也称为通过扩大适应症重新利用药物），或开发监测疾病进展的更优无创方法（也称为生物标志物）。

主流采用标准有助于解决不同系统之间数据共享和通信方面的一些挑战。例如，快速医疗互操作性资源（FHIR）[25]，是由 HL7 定义的一项标准，目前正迅速被行业采纳。FHIR 描述了数据格式和元素（“资源”），以及用于交换电子健康记录的应用程序编程接口。

需要智能化、自适应、可学习的临床信息抽取技术以及高精度的基于规则的系统，将非结构化信息转化为语义标准化的结构化数据源 [26]。临床数据仓库必须扩展为功能完备的知识发现系统，不仅依赖本体用于编码和代码转换（例如国际疾病分类（ICD）、医学系统命名法—临床术语（SNOMED CT）、观测指标标识符逻辑命名与编码系统（LOINC）[27]），更要广泛采用语义推理方法，以实现假设生成和知识发现。除了简单的分析性报告外，预测分析至关重要。护理人员必须提升自身技能，逐步转变为（至少部分地）临床知识挖掘者和机器学习系统的训练者。此外，知识系统需要高度依赖本体：进行分组

根据疾病或其他医学原理的相似性和差异性进行分类，以及编码服务。

许多组织目前正将注意力转向降低成本的方法。创建和维护数据及软件的本地部署实例可能被视为确保数据控制和安全的正确选择。然而现实可能有所不同，云系统提供了极具吸引力的优势[28]。更便捷地归档和使用患者记录与医学影像、更低的存储成本、更快的创新周期、更轻松的协作以及增强的远程医疗能力；这些是云计算在医疗保健领域的一些承诺。考虑到数字化的四个阶段（上文所述），医疗保健领域对云技术的采用将以不同的速度进行。因此，该技术将继续以不同形式被使用：部分为本地部署，部分在云端。因此，需要充分支持能够无缝连接这些数据世界的混合系统。

将人工智能和机器学习应用于大数据，在运营智能、优化业务流程、提高护理质量以及获得成本效益方面具有巨大潜力。最近，美国食品药品监督管理局（FDA）批准了一种用于诊断目的的人工智能算法。机器学习的应用包括：

• 将重新定义患者交互并为医疗专业人员提供更大灵活性以投入时间处理复杂任务的聊天机器人和数字助理 [31]
• 将成为指导和支持医疗专业人员决策的关键组成部分，并预测死亡率、再入院和住院时长等多种医疗事件的临床决策支持 [32][33]
• 启用机器学习的自然语言处理，将建议患者翻译文档，以将科学术语简化为通俗易懂的语言 [34]
• 能够通过机器学习实现临床信息抽取的系统，可从安装的医院中自主学习，并从医学叙述中提取高质量的知识
• 实现自动化且更精准的计费和开票，加快理赔处理速度，并可能防止欺诈行为。

智能医疗企业愿景

在过去的50年中，信息技术产业在为用户创造商业价值方面发挥了关键作用。大型机和个人电脑（20世纪60年代和70年代）推动了工业自动化，随后客户端‐服务器架构和互联网（20世纪80年代和90年代）带来了业务流程自动化。自2000年以来，云计算、移动技术、大数据和社交网络的技术进步通过数字数据平台的建立加速了数字化转型。高级分析、机器学习、人工智能和物联网（IoT）等智能化技术的兴起将推动智能企业的创建（见图1）。

根据国际数据公司（IDC）[35]的数据，人工智能和机器学习支出预计将从2017年的120亿美元增长到2021年的576亿美元。当其他行业纷纷转向采用智能系统时，医疗行业仍在应对数字化转型及这些新趋势带来的挑战。

主要障碍是数据隐私问题（也需通过隐私保护型知识挖掘系统加以解决）、需要安全的系统环境[36]、遵守常常不完整的监管指南[37]，以及缺乏稳定且广泛接受的标准。在信息技术方面，对遗留系统的投资以及短期的编程和系统架构决策，加剧了“技术债务”——即为纠正方向所需付出的代价，这阻碍了在数字时代扩大创新规模的能力。

全球医疗保健领导者面向未来的战略之一是“数字解耦”。这要求通过建立“数据湖”将数据从遗留系统中分离，将应用程序从遗留系统和业务流程中分离，并利用数字平台确保仍能获得最大价值[38]。

采用智能技术将要求医疗保健领导者不仅要重新构想围绕护理服务提供的运营和临床流程，还要将这些技术嵌入现有的核心业务流程中，以获得其带来的益处。这还将确保护理人员专注于高价值任务和结果，例如改善患者结果以及进行战略规划，以加速提供创新解决方案，从而在不干扰其核心业务流程的前提下实现吸引人且无缝的患者体验。所有这些都应建立在能够处理大数据并实现实时处理的数据基础之上（见图2）。

通过整体地审视业务流程和创新解决方案，并将基本患者需求置于医疗企业战略的核心，智能技术在加速基于价值的医疗服务提供方面的长期影响，将成为医疗行业的改变游戏规则者。这将改变医患关系的本质——从被动医疗（针对体征和症状采取家长式方法进行诊断和治疗）转变为主动医疗（基于早期预警信号检测，结合被动数据采集和相关生物标志物、连接表观遗传易感性的预测模型以及来自多个互联数据源的持续监测，实现个性化的患者交互和护理服务提供）[39]。

一些探索数字化转型和先进技术的举措已从单纯的学术练习发展到更贴近真实世界的临床护理环境。例如，美国临床肿瘤学会（ASCO）[40]的目标是建立一个超越不断扩展的社区肿瘤学实践、学术机构和主要卫生系统网络的真实世界大数据学习系统，以提供癌症患者诊疗历程的代表性且全面的视角，支持质量改进和发现。该系统（CancerLinQ）利用了传统临床试验数据队列之外以及医学肿瘤学视野之外存在的信息。CancerLinQ 还与美国临床肿瘤学会以外更广泛的肿瘤学界开展合作，成员包括整个肿瘤学护理团队的综合视角，以创建肿瘤学领域最大、最可靠的真实世界证据（RWE）来源之一。

Flatiron的研究人员与美国食品药品监督管理局（FDA）协作，利用在即时诊疗诊所收集的电子病历数据（EMR数据），分析了在常规临床护理与临床试验队列中接受纳武单抗和帕博利珠单抗治疗的转移性非小细胞肺癌（NSCLC）患者的人口统计学和治疗特征[41]。研究发现两个队列之间存在差异，并揭示了有必要在代表性不足的群体中进一步收集真实世界证据（RWE），以支持免疫治疗决策并优化真实世界中的护理。

此外，一些整合了复杂临床数据和组学数据（基因组、转录组、表观基因组、蛋白质组和相互作用组）的转化研究平台能够快速探索患者数据，从而加速个性化医疗的发展。其中 notable 的平台包括 BRISK、caTRIP、cBio癌症门户、G‐DOC、iCOD、iDASH 和 tranSMART [42]。

展望

智能企业和智能化医疗服务提供者通过有效利用先进的 IT 系统和数据资产，能够更快地实现预期成果，并降低风险。响应个体患者/客户需求、以新的方式吸引人才以及创造颠覆性商业模式，是各行业的关键业务需求——对健康相关产业和医疗服务提供者而言尤其如此。尽管许多医疗保健组织已启动数字化转型项目，但极少达到数字化成熟度。随着机器学习、人工智能、物联网、大数据和高级分析等技术日益主流化，组织必须及时调整以充分利用其优势[43]。全球医疗领导者需要考虑长期技术债务，并采用“数字解耦”策略，以确保构建可扩展、灵活且弹性的企业IT。

消除数据孤岛，自动化数据整理与集成，识别未被发现的模式，并为服务患者和护理人员提供新智能，将在整个护理连续体中创造价值。迫切需要将有限资源集中到能产生最大影响的领域。模拟潜在治疗方案的结果至关重要。医疗服务提供者和其他医疗保健组织需要敏捷性，以改善患者结果并控制成本，而在许多情况下，还需要以此打破现状并超越竞争对手。因此，构建灵活性与洞察力至关重要。

通过数字化转型将人工智能融入业务流程，以快速响应变化，转向正确的成果，并确保可持续竞争优势 [43]。只有通过数字化转型，借助智能化、集成就绪的应用程序和平台，才能实现对患者、网络、员工和核心流程的有效管理。这些系统必须易于扩展，并提供一致且直观的用户体验。未来，医疗保健组织将更多地采用并试验机器学习、人工智能、物联网、大数据和高级分析等技术，以推动持续创新。嵌入智能技术的应用程序将是成功的关键。