曜立科技聯合創始人韓瀟：構建醫療標準字典，醫療大數據必經之路

調研 | 李喆 關蕾

撰寫 | 關蕾

醫療大數據應用場景眾多，但苦於數據處理和分析積累不足，整體市場仍處於早期探索階段。從眾多場景應用中，為醫院科室解決數據處理、科研和管理需求，目前看是較好的突破口之一。

曜立科技成立於2015年，五位創始人來自臨床醫學、通信、計算機、移動醫療等多個領域，在垂直領域和跨行業資源層面積累較深。

創立之初，曜立科技便致力於通過大數據技術為醫生高效智能的分析和處理數據，以單病種數據切入，為醫生提供智能軟體工具，解決醫生科研和管理需求。

經過兩年發展，曜立科技在數據源獲取、數據平台搭建、應用場景、產品打磨、客群獲取等環節，形成一定的商業閉環，目前已在30餘家醫院等落地。

曜立科技發布了Willow平台應用軟體模塊，為醫療人員、醫療機構、醫藥企業、醫療保險等客群，定製數據集成處理平台，將大數據演算法、人工智慧技術與醫療信息相融合，幫助客戶便捷地獲得最有價值、可直接應用於實際場景的醫療數據。

Willow的四個軟體模塊既可單獨使用針對某種數據處理需求，又可融合成完整解決方案。曜立將根據客戶需求和應用場景，為其安裝適合的單個或組合應用模塊，幫助其高效、可視化地完成工作。

曜立科技聯合創始人韓瀟醫生認為，用戶需求是做產品的根基。曜立科技由需求引導研發，所切的應用場景與醫生工作流程結合緊密，產品以工具集的形式呈現，滿足多元化的應用。

客群層面，有臨床、科研、管理應用需求的醫療機構是其種子客群。隨著經驗體系的積累、演算法和結論的逐漸豐富，更深層次的分析應用將被觸及，例如臨床輔助決策、藥物調查、精準醫療等需求。客群也由單一的頭部醫院客群，拓展至私立醫院、葯企、保險公司等客群，進一步釋放市場空間。

在美國市場，醫療領域的數據結構化環境較好，法律法規建立較早，數據分析成果豐碩，市場更加廣闊。相比之下，中國醫療體系數據結構化程度低、數據標準不統一、數據孤島較多，在當前階段，建立優質的數據環境是行業焦點，獲客將是業內的主要競爭力。

縱觀當前市場格局，入場大部分創新公司主攻收集數據、清洗數據等單一步驟，理解分析需求不夠充分，盲目構建「醫療大數據平台」，在應用時有斷層性和局限性的問題。能夠完成數據分析，後端數據處理，最後走到前端應用，目前能實現幾步完整的走下來的公司較少，需要具有豐富經驗的跨專業人員組成的團隊來完成。

由此判斷，數據處理和分析仍是行業內未來一段時間的發展重點。中國市場優勢在於良好的新技術環境、政策的積極信號、以及未來市場大環境需求充分等因素，在數據積累相對充分後，醫療大數據公司有望迎來快速崛起的機會。

韓瀟認為，曜立科技聚焦在單病種的知識體系構建，當前的業務模式獲取了市場的初步驗證，曜立科技的未來目標在於實現「醫療+」的理念，以醫療為基礎在這之上植入技術以及嫁接其他領域應用，為醫療相關各領域提供數據決策依據。

近日，愛分析對曜立科技聯合創始人兼首席醫療官韓瀟進行專訪，現將訪談部分內容分享如下。

數據源高度集中，以科研需求介入優質客群

愛分析：醫療大數據中，曜立科技選擇哪個需求點切入？如何考慮？

韓瀟：我們的創始團隊中有兩名醫生，基於自身從醫經歷，我們了解醫生需要在臨床、科研、教學中對應用數據有迫切需求，現有的醫療數據處理方案無法有效的解決，不能深度結構化、標準化數據，且轉化效率低。醫生仍然需要耗費大量的人工時間完成數據收集整理等工作，同時數據的準確性仍不能得到保證。

我們希望改變醫療數據不能被充分利用的弊端，以醫生的需求為最主要切入點。

愛分析：數據源層面，除了醫院是否需要接入第三方數據？

韓瀟：我們可以處理以病人為核心的各種數據，包含醫院的相關文本，如病歷記錄、檢查記錄、醫囑等；也包含病人在非醫院場景產生的數據，如體檢報告、基因檢測結果、智能穿戴設備記錄等。同時我們也可以在非醫療機構有需要時提供數據處理分析服務，例如幫助藥廠臨床研究項目數據處理分析。

愛分析：在對接不同數據源時有哪些難點？

韓瀟：在醫療領域，醫療信息內容存在專業壁壘，醫療數據的複雜度高導致產生龐大的非結構化數據。由於缺乏規範數據沒有統一格式並且數據會被分散儲存在多個地方，給每次的數據尋找收集使用都帶來很大的困難。當然我們在對接數據的同時也要充分的理解需求，真正做到針對不同難點採取不同解方案。

愛分析：目前合作的有哪些科室？

韓瀟：我們按病種對接科室，目前主要集中在心血管類系統疾病、腫瘤、慢性病以及非傳染性疾病的科室。

構建醫療標準字典，數據基礎造就中美差異

愛分析：在改良數據收集方式的過程中，會用到哪些新興技術？

韓瀟：我們認為，我們所做的事情不是以應用前沿技術為導向，而是基於之前對需求的深入了解，在明確問題後選擇合適的技術去解決。目前採用的技術為了更好的處理這些非結構化、格式不統一、醫療專業性極高的數據，我們嘗試將大數據、AI、統計學方面的技術進行融合，探索出曜立的核心技術。

我們使用NLP技術（自然語言處理技術）、醫學本體論等適合我們的前沿技術來創建曜立特有的MSOL本體醫學通用字典，成果也經歷了市場驗證。

愛分析：怎麼理解這個字典？

韓瀟：字典的目的是對構建資料庫起到綱領性的作用，完成索引關鍵數據完成數據清洗，所以我們將字典分類做的很細緻。字典的特點是數據是非線性的，每個疾病會有多種癥狀，多種癥狀又會對應多個疾病，它們之間的關係是多維度的，可能存在同一層面，也可能是不同層面但存在隱含的邏輯關係。

字典是根據醫生的邏輯建立的，所以引導著我們最後給出的產品也是從醫生的角度出發的，只有理解並符合醫療上邏輯關係來搭建字典架構，才能讓字典在應用層面能夠真正的被使用。

愛分析：在數據處理過程中，需要有人工介入？涉及哪些環節？

韓瀟：我們目前需要使用演算法教計算機按照一定邏輯進行數據處理，之後根據結果再對演算法進行調試。參與者不僅有計算機工程師還有AI、統計等領域的專業人員，與醫生共同參與完成整個過程。這也體現了曜立人員橫跨多個學科的特色。

我們最終需要讓計算機實現自動化的採集和整理越來越多的內容，逐步減少人工的部分。

愛分析：做文本結構化有哪些難點？

韓瀟：文本結構化是在處理句子，句子有語法，有單詞，還需要正確的理解。例如：你不知道我在哪裡嗎？這句話可以用NLP識別語法並切詞自動放入我們建立好的字典，但這時需要用經驗判斷這句話是詢問對方知不知道我在哪裡，還是在責備對方竟然不知道我在哪裡。這在中文中是兩個意思，在醫療文本的處理中也會經常出現這種情況，所以需要使用醫生的經驗來做出判斷。

愛分析：語音識別類AI公司也在做醫療行業字典歸類，業內能否共享這些成果？

韓瀟：兩者的字典構建方式以及結構存在差異，語音識別的字典是為了更好地實現語音轉換成文本，我們做的字典是需要理解文本之後進行切詞，字典共享相互幫助意義不大。兩者存在上下游的關係，我們可以考慮進行合作。

愛分析：人工審核難點有哪些？

韓瀟：在每個環節都需要找到合適背景的人，需要他們是在某個相關學科的專業人員。因為審核工作是連續的工作，沒有現成工具可以替代這項工作。

愛分析：人工審核的業務能否外包？

韓瀟：因為我們比較注重質量所以目前沒有選擇業務外包，上面也提到了這是一個有連貫性的工作，自己團隊的人員方便交流與管理更能保證完成的質量。我們有五位來自國內頂尖三甲醫院的醫生，心血管和腫瘤背景，主導研發，還有一些長期的簽約醫生。

曜立最核心的兩個資源，第一，醫生團隊資源，第二，有一個團隊負責醫生與工程師之間的翻譯對接，這群人有醫學背景又學習過編程，是我們整個鏈條中關鍵的過渡角色。

愛分析：在醫療大數據領域，中美市場有哪些差異？

韓瀟：宏觀來看，中美兩國的大環境不同，導致了管理制度，醫療相關的規範都存在不同，數據來源也不也一樣，數據結構化存在差異。國外做字典起步較早，像SNOMED，已經做了20餘年的醫學術語字典。國內缺乏這樣專業的術語標準體系。

這也造成了中美同類別公司的差距，美國數據底層結構化程度較高，在此基礎上，分析和應用工具發展較快。中國數據的結構化發展時間較短，基礎相對薄弱，數據清洗工作量大，工具研發的速度相對較慢。

兩國醫療大數據的商業市場發展也有差距，國外的醫療商業鏈上下游比較成熟，比如健全的商業保險體系、投資巨大的藥廠研發體系等，使得醫療大數據公司的第三方變現相對容易。國內目前醫療大數據的商業市場仍處於起步階段，但未來也會迎來較好的前景。

醫療大數據的五大應用，直擊業務需求的四種產品

愛分析：數據應用是如何去體現的？

韓瀟：應用主要包括科研、醫院管理、臨床輔助決策、輔助藥廠運營（安全與追蹤）、協助優化醫療保險系統等。科研、醫院管理是我們現在在做的。隨著積累，後面的幾個會逐步涉及。

臨床輔助決策，需要大規模數據統計分析的支撐，像臨床決策支持系統CDSS，是一個知識性或結論性的輸出。當我們在單病種領域有了完整數據演算法之後，形成完整的知識結構，就能很好的服務基層醫生，或年輕醫生。

醫院管理是用統計的方式為科室管理做依據，產品已經具備，客群以科室和專科醫院為主。

愛分析：對接客戶時，Willow系統可否理解為大數據平台？

韓瀟：可以這樣理解。我們的產品是數據分析管理平台，包括BaaS和SaaS，提供後端演算法和軟體服務。將我們的產品視為一個平台，在平台上嵌入不同功能的軟體模塊，通過模塊的單獨或協同工作可以實現數據收集檢索、數據自動上報、高效撰寫報告、數據結構化、數據分析及可視化等工作，為醫生提供一站式服務。

從醫院賦能，目標是醫療周邊客群

愛分析：長遠來看，下一步戰略是什麼？

韓瀟：目前階段，我們希望通過與醫院合作，然後將服務對象發散到醫療健康行業的其他參與者、非醫療機構等，如政府、健檢、保險機構等。

從長遠來看，我們將致力於實現「醫療+」的理念，在醫療領域植入AI、大數據等技術或者嫁接其他領域的應用，改善與優化醫療數據處理與使用方式。並非單純依靠技術引導完成醫療數據的分析處理，希望站在整個醫療行業的層面以及醫療真實需要的角度來解決整個問題。

我們將持續地保持曜立的企業活力，不斷的迭代技術進行創新發展，提供更優質的演算法與解決方案。

愛分析：從這個角度來看，它的醫療屬性越來越淡化，社會屬性在變強？

韓瀟：我們希望能夠藉助我們的核心優勢協助社會與政府進行慢病、傳染病和腫瘤的有效預警與監控。我們將致力於使用標準演算法讓醫療信息成為符合標準、結構清晰的數據，讓醫療數據發揮潛在價值，促進醫療大數據的創新應用與醫療健康行業的快速發展，更好體現社會屬性。

愛分析：服務大客戶時，定製化需求比例有多少？

韓瀟：基於前期我們對行業的分析，挖掘理解到的是不同客戶群共同存在的相同痛點。我們產品也已經得到驗證可以在多種需求場景被廣泛使用。因此可複製性較強，成本最高的通用部分已經完全模塊化。可定製的部分也是基於我們成熟的產品模塊進行多種組合、優化調整，這樣來看前端定製化的成本相對較低。

愛分析：團隊規模和結構如何？

韓瀟：一共有20餘人，研發與醫生佔總人數的90%，我們團隊暫時不會快速的擴張，所以我們控制人數保持在緩慢的增長即可。

愛分析：在醫療領域，國外對標公司發展很慢，中國公司發展會有哪些不同？

韓瀟：未來中國醫療大數據將會進入快速的發展時期，政策的積極信號，專業人才的不斷湧現以及技術進步都是促進中國公司發展的優勢因素。中國公司將在醫療大數據的應用上將實現更多的創新突破，不僅可為大眾帶來更好的醫療健康服務，同時利用大數據方法可不斷發現新的知識內容，促進醫學知識和醫學技術的進步。

愛分析熱文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！

本站內容充實豐富，博大精深，小編精選每日熱門資訊，隨時更新，點擊「搶先收到最新資訊」瀏覽吧！

請您繼續閱讀更多來自 愛分析 的精彩文章: