春雨医生曾柏毅:从众包、医患匹配和辅助诊疗谈移动医疗 AI 机会| WISE · 2016 时代峰会

36氪 12-07

12 月 7 日,春雨医生CTO 曾柏毅在由 36 氪主办的 "WISE · 2016 时代峰会 " 上,就《移动医疗领域的人工智能机会》发表了演讲。

曾柏毅表示,在春雨医生成立的过去 5 年中,移动医疗这个领域正在从蓝海逐渐向红海发展。但医疗领域十分复杂,他们也是在不断地探索和学习,不断地想如何能够改善整个行业。

从去年开始,他们思考的一个问题是:人工智能(AI)和大数据,能够给移动医疗领域带来什么样的体验变化?于是,曾柏毅分享了过去一年来的思考和实践。

曾柏毅认为,用户对于医疗服务的期望是高效和优质,大规模的效率和质量会来自于人工智能和大数据。对此,春雨医生探索了 3 个方面:众包、医患匹配和辅助诊疗。

其中,众包是聚合医生所有的零碎时间,来保证用户在任意时间问诊时在最快的时间内得到答案;医患匹配所需要的算法是推荐算法,也有点击率预测的算法,它们广泛的应用在各大互联网公司,能促进用户体验和购买销售的提升;辅助诊疗则主要分成三个层次:帮医生获取更多信息的辅助追问、给医生推荐治疗方案的辅助诊断、以及做不良用药的监测和补充治疗建议的辅助治疗

曾柏毅还谈到,如果考虑用户和平台整体的体验和效率,移动医疗或在线问诊领域有很多机会可以运用人工智能。

以下是 36 氪整理后的演讲全文:

首先给大家分享一名用户的故事——

在刚刚开始创业的时候,有一天我们收到了来自网易前同事的感谢,她说春雨医生救了他一命。她当时的情况是非经期出血,因为工作太忙的关系,她没有去医院。恰好知道我们做了一个 APP 可以用手机来问医生,于是她下载了这个 APP,并且把自己的症状描述给医生。医生经过几次仔细问诊以后,断定她有可能是宫外孕,要求她马上放下手上的工作去医院检查。经过进一步的确认,医院的检查证实了这名医生的判断,随后这名用户做了手术也恢复了健康。

我们讲这个故事,不是说移动医疗有多厉害,或者在线问诊有多牛。其实我们也在思考,在这个故事里,它充满了各种各样的偶然性。比如,这个用户恰好知道春雨医生,春雨医生恰好能够给她推荐一个比较好的医生,这个医生恰好也做出了准确的判断和比较快的回答。这里面,任何一步出现问题的话,我想结果都不会太好。

当然,我们感到非常自豪。因为我们确实解决了用户的问题,同时我们又觉得肩上的责任非常重大。医疗健康是一个非常严肃的行业,我们希望把每一个细节能够打磨好,这样我们才能在关键的时候去挽救更多人的生命。

回过头来想,用户到底想要什么样的医疗服务?我们的理解是:非常高效、有质量的服务。对于单个这样的案子很简单,但难的是,我们怎么样能够长期、持续、低成本的去服务很大规模的用户?

拆解来看,大规模的效率和质量从哪来?我们认为这个事情只能从技术中来、从机器里面来。机器能做的事情,尽可能让机器去做。我们既能得到效率和质量,又不会提高很多成本。机器能够做的事情,我们总结大概有几个是比较关键的。

一是众包。这是我们整个在线问诊模型里比较关键的点,它其实在过去几年已经经过了市场的验证,能够非常好地进行资源配置。在这个模型里,只要我们有足够多的医生,这些医生所有的零碎时间加起来就能够覆盖全天 24 小时,用户在任何时候来提问的话,我们都能够给到比较快的回答。

但是,我今天并不准备展开讲众包的过程,因为众包其实本质上已经在所有的在线问诊的公司里面实现了。我们今天要讲其他两个比较关键的,一个叫做医患匹配,一个叫做辅助诊疗,这是我们认为比较新的东西,也是我们觉得人工智能或者技术能够做得比较好的地方。

医患匹配

医患匹配对于人类来说是一个复杂的任务,即便是在实体的医院,也只有 70% 的患者在首次就诊的时候能够选对科室。比如说,头疼到底应该看什么科室?就不是很多人能够第一次选对,因为它涉及太多的变量了。

从医生专业上来说,医生有不同的职称,也有不同的经验区别。也不是说每一个病都需要找到最牛的医生,在经济上也不划算;

从医疗需求上来说,不同的疾病有轻重缓急,意味着所需要的医疗服务是不一样的;

从患者自身上来说,患者的经济水平、支付能力、所在地域、对中西医的偏好、以及他对医院的认知是不尽相同的。

因此,这么多的变量,加上用户本身时间和精力有限,在短时间内很难做出最佳的选择。但医患匹配对于机器来说,是拿手好戏。

医患匹配所需要的算法是推荐算法,也有点击率预测的算法,它们广泛的应用在各大互联网公司。亚马逊有大概 30% 的销售额,是与推荐系统相关的;今日头条市值 100 亿,主要做的事情就是通过机器给用户推荐个性化新闻;百度的搜索广告,本质上也是推荐。

推荐的问题从 0 分做到 60 分并不难。在医患匹配的问题上,60 分是基本可用的,用户本身有二次选择机会,即在我们给出来的选项里面再选择。从 60 分往上,我们要把这个事情做得更好,需要依赖于算法的优化。另外,在我们实际系统跑起来以后,每次用户选择、医生转诊等都会给机器很多信息和数据积累,让机器变得更聪明。

医患匹配这个事情,最终带来两方面的收益:

1、用户体验上面的收益,体现在用户整体满意度变得更高了。

2、销售额或购买率的上升。我们用人工智能改造我们整个医患匹配的流程之后,整体用户购买率提升了 3 倍,这个是相当惊人的。

辅助诊疗

当我们给用户选择了一个好的医生,接下来可以提升这名医生的个人能力和效率,这就是辅助诊疗做的事情。在线问诊领域,辅助诊疗主要可以分成三个层次:辅助追问、辅助诊断、辅助治疗。

辅助追问

它的目标,是帮助医生获取更多信息进行疾病诊断。

我们知道,低年制医生跟高年制医生最大的区别就是,能否形成一个比较合理、规范的问诊思路,一步步像侦探一样找到用户的病因。

正因低年制的医生难以做到这一点,我们的机器就会通过学习很多更有经验的医生的问诊方式,来辅助低年制的医生。即便是对于那些非常有经验的医生,辅助追问也可以起到减少医生输入、提高整体输入效率的作用。

在辅助追问这个事情上面,在线问诊是有独特数据优势的。对于在线问诊来说,它能够拿到整个医患交流的全过程,包括用户组数、问诊详情、以及医生最终的结论,可以帮助我们去构建一个比较好的辅助追问系统,它底下的技术细节是类似于垂直医疗领域的自动问答系统。传统的系统里只能包含经过医生总结加工的用户症状、医生诊断、还有处方,中间的过程是缺失的。

在学术界和工业界,对自动问答的系统也有了比较多的、有意思的研究和进展。我们也看到了市面上也有一些新的人工智能产品,比如百度推出了百度医疗大脑,它也是在做辅助追问这个事情。我们春雨医生最近也在医生版本里面加入了辅助追问的功能,帮助医生提高他首次问诊的效率。

辅助诊断

我们获取了足够多的信息以后,最终医生要给出一个清晰的判断:到底用户是需要到医院去做进一步检查,还是说医生已经能够把疾病范围锁定到一定程度,并给出相关的建议?机器在这个过程当中是可以帮到忙的。

机器可以读取所有医患交流的文字信息和图片信息,也可以识别化验单,所有的这些信息处理在一起,它再跟我们后台其他用户的问诊记录,以及我们所得到的医院病例,还有教科书和最权威的临床指南做比对。最后,它可以生成一个给医生看的最终可能的疾病诊断,包含不同的可能的疾病、以及对应的自信度和相关的证据。

医生可以根据这些证据来去选择是否采纳,来减少误诊、漏诊。

辅助治疗

除了上述的治疗方案推荐机器也可以做不良用药的监测。比如,如果医生不慎给孕妇开了一个避孕的药,那我们的机器是非常容易检查出来的。

另外,就是补充治疗建议,这个对于医生是比较管用的。由于医生在线下整体行医的习惯,他们不会给患者提供非常详细的治疗、预防、注意事项的讲解。机器则可以根据医生给的初步治疗方案,扩展出来一个更详细的、用户友好的治疗建议。

最后总结一下,移动医疗或者在线问诊整个领域有很多机会可以运用人工智能,我们在这个过程当中是在考虑用户整体的体验和效率,以及怎么样在中间的每一步提高我们的体验和效率。

谢谢大家!

相关标签: 医生 医患 移动医疗 春雨 峰会

36氪
原网页已经由 ZAKER 转码排版 查看原文
最新评论
分享 返回顶部