中国生态健康产业网关于我们 | 收藏本站
当前位置: >> 学术论坛
当前位置: >> 学术论坛
2018年中国健康医疗大数据行业发展现状 及发展趋势分析
0
发布时间:2018-06-29 浏览数:890

一、健康医疗行业现状

人口的增长和老龄化, 发展中国家医疗市场的扩张、 医学技术的进步和人力成本的不断上涨将推动支出增长。2017-2021年全球医疗支出预计将以每年4.1%的速度增长,而2012-2016年的增速仅为1.3%。慢性病发病率提升,变化的饮食习惯以及日益增加的肥胖度加剧了慢性病的上升趋势,特别是癌症、心脏病和糖尿病,目前中国糖尿病患者约有1.14亿, 而全球患者人数预计将从目前的4.15亿增加至2040年的6.42亿。传统研发(R&D)成本上升, 产品上市速度慢, 2004年至2014年药物开发成本增加了145%。劳动力不足, 在人口结构的变化和技术的迅速发展下,熟练和半熟练医疗保健工作者将大幅减少。

中国特色困境供需结构失衡,2016年我国每千人口执业(助理)医师2.31人。2015年我国每千人口医师数量在OECD统计的国家中排名处于25-30之间。此外,我国医生执业环境较差, 使得进入医疗系统的优秀人才逐年趋少。医疗资源发展失衡, 2010-2016年三级医院诊疗人次及机构数量复合增长率分别为10.7%和8.3%,而基层医院仅为1.5%和0.4%。传统就医模式使得三级医院人满为患,导致就医体验差及优质医疗资源浪费严重,因此,我国仍把推行分级诊疗作为当前首要任务。医保透支, 《中国医疗卫生事业发展报告2017》 预测,到2024年将出现累计结余亏空7353亿元的赤字。提升医保控费能力,探索创新支付机制迫在眉睫。因此,改善现有就医模式,推行分级诊疗势在必行。

2015年,国家卫计委提出分级诊疗制度将在2020年全面确立,包括基层首诊、双向转诊、急慢分诊、上下联动分诊诊疗等。新模式的搭建过程中,主要存在以下3个问题。 1)信息不流通,各医疗机构间多为信息孤岛,患者信息无法进行快速共享流通; 2)资源不流通,优质医生多集中在各大省会的顶级医院,且三甲医院医生精力有限,每年可支援的基层医疗更是有限; 3)利益不互通,医院之间缺乏有效的利益捆绑机制,以促进患者在院间的流通。

1.png

2018年分级诊疗推行中遇到的问题

大数据技术的应用,将从体系搭建、机构运作、临床研发、诊断治疗、生活方式五个方面带来变革性的改善。由于我国医疗体系的强监管性,大数据若要在行业内实现其价值,需由国家建立一套自上而下的战略方针,从而引导医院、药企、民办资本、保险等机构企业构建项目,相互合作,最终实现从“治疗”到“预防”的就医习惯的改变,降低从个人到国家的医疗费用。麦肯锡曾在2013年预测, 在美国医疗大数据的应用有望减少3000-4500亿美元/年的医疗费用。

2.png

2018年大数据在健康医疗行业中的应用价值

我国健康医疗大数据已进入了初步利好阶段,国家作为政策引导方,已出台了50余条“纲要”或“意见”,可穿戴设备、人工智能等技术的发展也为产品研发奠定了基础,且头部资本已进入市场。下一步,各方需静待产品与市场需求相融合,共同探索具备商业化或临床价值的大数据产品。

3.png

2018年中国健康医疗大数据宏观利好

2015年8月国务院发布了《促进大数据发展行动纲要》 ,指出发展医疗健康服务大数据,构建综合健康服务应用。 随后,国务院、卫计委相继发布了多项政策,以促进各省市政府将健康医疗大数据提升至战略层面。

4.png

2015-2017年中国健康医疗大数据相关政策

2018年科技部官网发布了14个重点专项2017年度项目申报指南“精准医学研究”等生物医学领域的5大专项,累计共拨经费总概算12亿元。其中与健康医疗大数据密切有关的项目有,“重大慢性非传染性疾病防控” 4.5亿元,“精准医学研究” 1.3亿元,“生殖健康及重大出生缺陷防控研究” 0.9亿元。此外, 2月科技部发布了“主动健康和老龄化科技应对” 2018年申报指南。

5.png

2017-2018年中国健康医疗大数据相关项目梳理

2014年起健康医疗类大数据投融资事件增多, 2016年最多共66起, 2017年略有下降。 2018年,健康医疗大数据仅在Q1便发生了35起投融资事件,其中12件来自医疗信息化建设,多为利用AI、语义识别、数据模型,挖掘诊疗信息,连接院内院外平台等类别的企业。受人工智能热潮影响, 2017年辅助决策类共发生17次投融资事件, 2018Q1共5起,预计未来将会有更多资本进入该领域。

6.png

2013-2018Q1中国健康医疗大数据相关领域投资事件梳理

2017年,我国65岁以上人口占比11.4%,出生率12.43%(2016年出生率12.95%),人口结构呈现老龄化趋势。以2013年为基础, 65岁以上人群两周就诊率26.4%,且在现代生活习惯的影响下,糖尿病、高血压等慢性病发病率也在不断提升。诊疗人次仍将持续上升,医疗体系也将面临巨大压力。

  健康医疗大数据领域涉及的相关技术范围非常广,如底层数据采集中包括信息化、 物联网、5G技术,处理分析中包括深度学习、认知计算、 区块链、生物信息学及医院信息化建设等。全球大健康数据正以每年48%的速度增长,在2020年数据量将超过2300Exabytes。预估2020年,全球健康物联网设备出货量将达到161万台。院内数据方面,2016年医院管理信息系统整体已实施比例在70-80%之间,且集中于三级医疗机构,大量健康医疗数据的积累为算法搭建提供了基础。在处理分析方面,人工智能、生物信息学需要与实际应用场景相结合,以便搭建有效模型。

7.png

健康医疗大数据分类及应用

健康医疗大数据行业以数据规模为基础,且在政策和资本鼓励下,部分应用场景进入市场启动期,如健康管理、辅助决策(全科辅助决策、影像病理辅助诊断等)、医疗智能化等。下一阶段,随着企业大数据/AI技术长期的应用实践探索,产品不断更新完善,预估2-5年的内,产品将首先在B端客户中进行推广;随后,伴随软件友好度和准确度的上升,在B端客户使用的影响下, C端市场将展开竞争。

8.png

2013-2022年中国医疗大数据应用场景市场发展趋势

  健康医疗大数据产业链的上游是数据供应商(医疗机构等)或存储计算服务(云服务商。中游为产业链核心企业,多为具有影像识别、深度学习、自然语义分析等核心技术的技术型企业。该类企业可为聚集了大量健康医疗相关数据的机构提供数据处理服务,在分析及可视化后赋予数据价值。下游为应用场景,分为B端和C端。 B端包括医院、药企、政府、保险、PBM等企业,其最终的目的是提升医疗服务的效率和质量,降低患者及健康人群的就医费用。

9.png

2018年健康医疗大数据产业链概况

10.png

2018年健康医疗大数据产业链图谱

健康医疗大数据产业链上游所提供数据的质量与样本量将决定,中游企业是否可以快速有效的进行模型训练。 整体来看,院内、院外及基因数据供应方均面临三个问题,质量、样本量及安全。 1)院内数据在质量和规模上最具竞争力。各省市TOP级的三级医疗机构多存有高质量的诊疗数据,且已具备一定规模 。医院外联系统中多存有大量就医行为数据,然而这类数据的应用将依赖政策指导,且面临隐私安全等文图。 2)基因数据为企业的核心资源,已具备一定规模和质量,且多由中游企业自建数据库自行采集,或者通过与实验室合作的方式获取。 3)健康类数据多由智能硬件或在线医疗企业采集,该类数据增长快速,但是维度多且缺乏整合,质量参差不一。

11.png

2018年健康医疗数据供应概况

主要集中在北上广深一线城市,该现象受医疗资源、政府态度、医生接受度三方面影响。 1)北上广深拥有多家TOP级三甲医院,优质医疗资源丰富且信息化程度高,因此企业能够获得可观的高质量数据样本; 2)初期阶段,医疗大数据技术的探索多由地方政府拨款支持,如2018年2月由北京大学医学部和大数据研究院共同筹备建立北京大学健康医疗大数据研究中心。因此地方性政策支持变得尤为重要; 3)一线城市的医生对新技术接受程度较高,因此在产品上市后相对较易试运行。

12.png

2018年中国健康医疗大数据细分领域企业分布

平安好医生IPO报告中公布, 2017年互联网医疗市场规模达到150亿元人民币,在线咨询量达到23.8千万次。由此可见,互联网医疗可触达的用户规模将越来越大,而仅靠医生或相关从业人员在后台回答问题并不能满足日益增长的用户量。因此,企业需依赖大数据或AI等技术优化问诊、健康/慢病管理等产品的功能,从而有效满足用户需求,最终提升付费率。此外,对于不断扩张的企业,大数据及AI技术辅助提升服务效率,降低人力成本;使得在付费率低的情况下(好医生IPO披露2017年付费转化率为2.7%),也可以形成稳定的营收与较高的利润率。艾瑞认为,随着企业AI智能分诊、 AI健康管理路径等模型成熟且全面应用后,院外数据的应用市场将进入快速成长期。

13.png

大数据及AI技术对在线医疗企业的应用价值

能够提供健康管理服务的企业主要分类两类。一类是偏健康数据收集类企业,针对健康或慢病人群提供饮食、运动等个性化健康方案。另一类是偏轻问诊类,提供智能分诊、轻问诊、预约、转诊等服务。目前, C端服务盈利能力有限,部分企业依托其健康管理或问诊能力,为企业端客户服务。如妙健康依托其多维度健康数据及平台搭建能力,为雇主提供内部员工的健康管理服务,为疾控慢病中心搭建健康信息平台提供技术服务。如平安好医生结合其终端智能应用,为用户提供智能分诊,为医生提供辅助决策等服务,辅助政府搭建区域信息化。

14.png

2018年健康管理企业服务能力展示

  大部分移动医疗公司在经历了4-5年数据沉淀后,积累了大量的数据样本,然而如何通过技术将其转化为可被解读的报告仍需时间。目前,健康医疗大数据行业的支付方主要集中在B端,包括医院、药企、药店、保险、政府等多类企业;且在主要支付方中,药企、保险已形成了一定的支付习惯。健康医疗大数据的收费方式有多种,包括项目制、 Saas服务收费、软件租赁费、增值服务费等;前三种为现阶段主要的收费方式,而增值服务费将随着大数据及AI应用场景的增多而增加。

15.png

201703-201802中国健康医疗排名前10的APP月度设备数及占全行业设备数比例

16.png

2018年院外数据企业端客户类型及收费方式

在研发成本、运营成本的不断提升下,医疗机构、药企、药店、保险等机构或企业均急需一套解决方案, 以便在降低临床研发、运营管理、 营销成本的同时提升顾客满意度,最终增加营收。该类企业利用人工智能技术分析挖掘已有信息,为医疗机构、药企提供有效的改善运营、提升服务效率的解决方案。目前,提供相关业务的企业主要来自三种, 1)创业型,多为AI技术公司,如推想、羽医甘蓝、博识医疗语音等技术型企业; 2)信息化/互联网等企业新业务拓展,如东软医疗的区域信息化、微医的微医云业务等; 3)政府主导的健康医疗大数据集团,如中电集团将在程度规划、建设和运营国家健康医疗大数据平台,开展健康医疗领域的数据汇集、治理、共享开放和应用生态建设。

17.png

2018年院内数据主要业务及客户类别

就院内数据付费方来看, 药企、体检的付费意愿及能力最强;医院、保险、药店等机构企业的付费意愿较弱,需要时间进行市场培育。此外,在商业化道路上,医学影像类公司也可以针对器械、美容等高端机构进行产品研发,满足其高端用户的服务及心理需求。现阶段,针对不同客户常见收费方式有三种, 1)软件租赁或解决方案,企业为医院机构或政府(省市卫计委)搭建系统或软件服务(语音录入、电子病历搜索等), 获取一定技术服务费或软件租赁费。 2)数据分析收入,企业为体检机构提供影像识别服务,提高影像读取效率;或利用机器学习为药企提供服务,以便提高药物发现的“命中”几率。 3)产品绑定,将成熟模型与健康医疗器械绑定,辅助提升其市场竞争力。大数据企业将获得一定比例的提成或资源。 4)按使用次数收费, 未来AI技术在获得三类器械认证后,患者可在就医时实现按次付费。

18.png

2018年大数据企业客户商业模式概况

辅助决策类企业采用的技术多为认知计算、深度学习、计算机视觉、 自然语言处理。针对科室或疾病领域的不同,其领域也不同,包括影像辅助诊断、病理辅助诊断及全科辅助决策等。其中全科辅助决策准确率85%左右,仍有较大提升空间;影像和病理辅助诊断的准确率超过90%,其产品正在落地中。现阶段,各企业主认为辅助诊断的价值在于为医生提供病灶性状描述、 自动生成报告、精准定位病灶,降低漏检风险。 1)针对三甲医院医生,辅助诊断将替代医生重复性工作,为其提供更多的信息,以便医生制定最佳的治疗方案。或者在短时间内监测患者的肿瘤变化,以便医生及时观察患者术后恢复情况。该类解决方案单价较高,从几十万到上百万均有。 2)针对基层医疗机构,系统将直接给出结果,快速有效的进行肿瘤的初筛,提高基层医生的诊疗效率及质量,释放医疗资源。针对基层医疗机构的解决方案价格相对低一些,未来可能以按次收费为主。 3)全科辅助决策,将帮助大型三级医院或在线医疗公司实现快速分诊,提升效率。其价格将在几万到几十万之间。

19.png

2018年辅助决策应用合作医院及应用案例

行业发展初期,企业的主要困境集中在产品研发落地阶段。在研发落地过程中,企业需要不断丰富数据库,发现CornerCase。目前,大多企业进行数据标注主要来源以下三种形式,人工标注、机器标注以及医院已有结构化数据。 1)人工标注为主流方式,该方式能够提供较高质量的标注数据, 但也面临着高成本的问题。原因是, 数据标注人员多为医生或具备临床经验的执业医生或医学生,该类人员收费较高每人每天在百元以上, 且一张图标注时长多达半小时 。 2)机器标注,体素科技提出了AFT*标注法,将主动学习和迁移学习整合成单一框架。在肠镜检查帧分类、息肉监测和肺帅塞检测中表明该类标注成本至少可以减少一半。 3)已有结构化数据,医院本身会存储一定量的结构数据,然而该部分数据仍要在处理筛选后才可使用。此外,针对新技术的应用,医疗机构缺乏相应的上线流程,因此,企业在模型训练过程中,建立可复制的临床流程与标准,针对不同层级医疗机构的应用场景提供有效解决方案是关键所在。

20.png

2018年辅助诊断数据模型搭建及应用中的主要问题

全球基因测序数据分析市场规模发展迅速, 2012 年市场规模不超过 2 亿美元, 预计 2018 年将接近 6 亿美元,复合增长率为 22.7%。艾瑞分析认为,随着高通量测序设备的广泛应用,基因数据量也呈倍数增长。数据量的增长,也使得基因测序的工作重心从繁重的人工测序转到了中游的数据分析上。下游临床应用及消费基因的成熟,为数据分析提供了客观的支付方。 因此在应用终端的推动下,中游数据分析产业将迎来快速增长,现阶段生物信息公司业务往往大而杂,而专注某一医疗领域的生物信息公司(如精准癌症)少之又少。国内市场专注基因组数据分析的生物信息公司并不多,该领域值得期待。

21.png

二、发展趋势

AI技术填补大数据到信息转化路径的空白,完善产品价值健康医疗数据多具有非结构化特性,以往的数据分析软件多针对结构化数据进行研发应用。人工智能(自然语义处理、卷积神经技术、机器学习等)技术的成熟与应用,开启了健康医疗的“大数据时代”,为如影像类的非结构化数据应用提供了可能性。

22.png

数据+AI技术构建疾病模型,实现应用价值

在行业发展初期,企业端客户的购买需求、支付意愿和能力远大于用户端,因此企业端客户是健康医疗大数据企业主要支付方。医院药企是最早的支付方,如湘雅, 2014年围绕数据互联互通、区域信息、精细化管理进行系统搭建。 2016年,21家医院的肿瘤专家与IBM Watson进行合作获得个性化服务。药企,如默沙东, 2015年将人工智能技术应用到药品研发中。随后,在2016、 2017年,更多的药企、体检机构通过合作、收购等方式先后进入市场。艾瑞认为,在市场初步探索后,政府、医院、药企、体检等企业将成为健康医疗大数据的主要支付方。

23.png

医院药企为先行者,国家队进入引导市场发展

24.png

正在或即将进入市场的支付方

随着行业发展,产品、 用户教育及上下游产业的逐渐成熟,服务于用户端的企业将迎来无限商机。 如,影像识别、 基因测序在经过临床验证后,作为常规检测项目,将列入医保或健康险的可报销项目。健康慢病管理场景下,用户线上进行的建议、干预、上下转诊等健康或轻医疗服务的收费模式也将更加灵活多变,形成以按次、按会员、按年卡等多种收费形式。

25.png

健康医疗大数据应用发展路径

在健康管理、慢病管理以及诊前、诊中、诊后环节打通的场景下,单家企业或机构的服务供给能力有限。只有依赖多方角色协同合作,配合提供健康医疗服务,才能满足用户需求。未来健康医疗产业中的胜出方,不单再是个体,而是不同领域的企业共同合作完成的生态体系。因此,企业在构建核心优势的同时,还需要具备战略眼光,及发现投资优秀合作伙伴的能力。该体系的核心产业包括健康医疗大数据公司、医生、健康医疗服务提供方,辅助产业包括数据采集方(智能硬件等、区域信息平台)、运营商、物流服务、云服务等。

26.png











Tags:
宣言书更多>>
中国生态健康产业责任宣言
改革开放35年以来,中国经济以前所未有的持续高速发展,迅速摆脱了贫穷落后的面貌,成为具有重要影响力的世界经济、科技、贸易和产业制造大国。但是,在中国共产党带领中国人民走向中华民族伟大复兴的中国梦想的时候,我们与严峻的资源、环境形势不期而遇。习近平总书记所指出:我国依靠要素成本优势所驱动、大量投入资源和【详细】
联系我们
  • 联系人:汪珊
  • 电话:
  • 手机:137-3419-9996
  • 邮箱:ceh1501@163.com
  • 办公地址:北京市丰台区六里桥北里
  • 邮码:110000
  • 网站:http://valeriabrossphotography.com