《動脈網：2023醫療大數據白皮書（58頁）.pdf》由會員分享，可在線閱讀，更多相關《動脈網：2023醫療大數據白皮書（58頁）.pdf（58頁珍藏版）》請在三個皮匠報告上搜索。

1、前言前言過去十年，國內醫療大數據產業從零開始發展，如今已然初具規模。但受地域政策、數據倫理等因素影響，整個產業一度在 2019 年抵達巔峰，隨后陷入停滯，直至今年才又重新復蘇。推動產業回到“高速公路”的動力主要分為兩個層面。政策層面，“十四五”大數據產業發展規劃出臺，數據被重新界定為“生產要素”，重要性直接升至國家戰略高度；“數據二十條”的發布與國家數據局的建立，為大數據產業基礎制度體系指明建設方向，確立指導制度建設責任主體。技術層面，新興的大語言模型、生成式 AI 借助底層邏輯的重構帶來了一批類似 Chat GPT的“殺手級應用”，反哺上游大數據產業發展。該趨勢下，醫療數據持有方開始進行主動

2、改革，規?；_展醫療數據治理，為未來可能的數據資產化做好準備。多重因素復合之下，醫療大數據產業迎來重大發展機遇。為了厘清醫療大數據的發展現狀及未來價值，蛋殼研究院此份報告，全面梳理醫療大數據產業，繪制醫療大數據的產業前景。核心觀點核心觀點一、因擔憂數據因素、數據安全方面的風險，醫療大數據產業在 2020 年前一直重基建而輕應用，但自 2020 年開始國家政策風口開始轉向，“數據二十條”發布、國家數據局建立，均在推動醫療大數據朝著標準化、產業化的方向發展，進而建立完善的交易體系。二、伴隨信息技術和網絡技術的跨越式發展，現代醫院的運營特征表現為醫療業務的智能化與應用部署的敏捷化，使得醫院業務產生的

3、信息朝著復雜化、專業化、海量化的方向發展，并對各系統之間的互聯互通提出更高層級的要求。因此，部分醫院開始轉變信息化建設思路，借助云技術打造新一代醫院數據中心，綜合利用各類數據服務臨床、決策和科研過程，提高醫院管理的科學化、規范化、精細化水平，由此創造了一個千億級的新興醫療 IT 市場。三、盡管基礎設施已經初具規模，但多數醫院大數據應用開拓情況仍處于低位，三級醫院應用數量占比不足 20%，二級醫院應用數量占比不足 5%。因此，在大數據應用供不應求的情形下，在找到有效商業模式的前提下開拓大數據應用是醫療 IT 公司面臨的重要機遇。四、大語言模型（LLM）的出現為醫療大數據產業確立了新的增長點。目前

4、醫療垂直大模型使用的數據仍局限于互聯網醫療過程中產生的行為數據，未來若能將臨床數據規?；{入其中，國內醫院的智能化建設將進一步加速。目錄第一章：數據基礎建設即將確定，數據資產化亟待破解.11.1 聚焦醫院：產生醫療大數據發展問題的原因.21.2 聚焦政策：政策頻出，醫療大數據宏觀環境迎來多輪利好.31.3 數據資產化，需打通四重要素.5第二章：基建擴容，千億市場的根基.72.1 新一代醫院數據中心開啟千億市場序幕.92.2 影像補位，AI 企業成為基建主角.122.3 臨床科研發力，科研藥研加速數據庫建設.132.4 物聯網、AI 支持的醫院智慧后勤.172.5 大數據賦能的智慧醫學教育.18

5、2.6 醫院大數據中心建設的常見問題探討.19第三章：應用創新，數字醫療建設進行時.223.1 臨床大數據應用.233.2 運營大數據應用.263.3 院外其他大數據與應用.30第四章：數據安全，成為應用推廣的必要保障.354.1 醫療大數據安全現狀.364.2 大數據安全體系的構建.374.3 數據安全的保障邏輯.38第五章：前沿討論，大語言模型的構建與數據交易的可能.415.1 討論一：LLM 對于多模態大數據治理的潛在影響.425.2 討論二：應用級醫療大數據的交易可能.43第六章：企業價值，助推醫療信息化進程的重要力量.47參考目錄：.53122014 年，為推動整體化衛生信息系統建設

6、，國家衛計委規劃了開創性的“46312”工程。意在搭好醫療大數據基礎設施建設的骨架，將碎片化的“大量醫療數據”轉化為規范、可用的“醫療大數據”。圖表 1 國家衛計委規劃的“46312”工程數據來源：蛋殼研究院這是一種“自上而下”的建設模式。沿著這一路徑進行推進，框架內的衛生信息平臺、基礎數據庫、融合網絡、業務應用、信息安全防護體系、人口健康信息標準體系相繼建立，國家層面的數據基礎設施基本建設完畢。不過，完好的頂層架構雖有效推動了區域、醫院的大數據相關建設，但卻未能全面覆蓋整個大數據產業。實際之中，這些建設更多圍繞基礎設施展開，真正能夠傳遞價值的應用部分相較式微，沒有達到等同于基礎設施建設的投入

7、規模。探索這一問題的成因及現階段的解決之道是本報告的研究目的之一。本章之中，我們將從多個角度分析限制醫療大數據的關鍵要素，并回答“醫療大數據前景幾何”這一問題。1.11.1 聚焦醫院：隱私與認知制約醫療大數據發展聚焦醫院：隱私與認知制約醫療大數據發展千禧年后的第二個十年，移動醫療、人工智能等前沿技術的發展喚起醫療數據的需求。作為算法、算力、數據三要素中最常見但又最難獲取的要素，醫療數據彼時仍以碎片化、非標準化的形態分散于醫院各個系統中。為了尋找智能模型所需的養料，大量科技醫療創業公司找到三級醫院進行合作，在幫助醫院進行數據治理的同時，打造智慧化的臨床應用。醫院科室的參與、政策對于信息化建設的強

8、制要求，合力促使醫院圍繞互聯互通、智慧醫院等方向開啟規?；ㄔO。不少醫院開始打造醫院大數據中心、科研級大數據平臺，完成了醫3療大數據基礎設施的構造，也與企業合作開發了不少智慧化的應用。但在 2019 年中美貿易爭端開啟后，包含個人私密信息醫療數據成為關注重點之一。由于對此類數據進行治理、集成、應用存在一定泄露風險，醫院與企業的合作目的開始轉變。為避免政策風險帶來的不確定性，不少醫院期望大數據及其研究結果以醫院范圍為界限展開，使得醫療大數據的研究重心轉向醫院科研需求。此趨勢下，醫療大數據產業轉化一定程度減少，醫療大數據行業發展整體放慢。不過，政治因素并非鉗制醫療大數據發展的唯一因素，更需關注的是

9、該類建設投資回報及參與度問題。對于絕大多數而言醫院而言，院內外規范化的 IT 建設是一項難以計量回報的投資，在缺乏合適的工具估算大數據建設的產出時，醫院對于相關投資仍然持有保守態度。此外，要讓該項建設發揮價值，醫院動用資金支持僅是一部分，更重要的是醫院深入了解醫療大數據建設內容，將系統與業務有效融合，才能構造行之有效的大數據體系從目前來看，盡管存在各類標準推動醫療數據的互通互認、治理應用，但只有完整做好每一類場景全流程數據的收集、清洗、歸納、存儲都一系列步驟，才能形成多模態、跨流程、可服務于應用的大數據，真正將醫療數據沉淀下來。這個建設過程應由所有相關成員的共同參與的過程，目前醫院還需提升主體

10、積極性，實現全流程、高參與度的數據治理。只有將醫療大數據的被動應用轉變為主動管理，才能真正用好醫療大數據。1.21.2 聚焦政策：政策頻出，醫療大數據宏觀環境迎來多輪利好聚焦政策：政策頻出，醫療大數據宏觀環境迎來多輪利好盡管院內的大數據建設存在諸多問題，但自 2020 開始，政策的加持與技術的推動已在潛移默化中消解這些問題。2020 年 4 月，中共中央、國務院印發關于構建更加完善的要素市場化配置體制機制的意見，將將“數據數據”列為勞動力列為勞動力、土地土地、資本等之外的第五大生產要素資本等之外的第五大生產要素，明確要加快培育數據要素市場，推進政府數據開放共享、提升社會數據資源價值、加強數據資

11、源整合和安全保護，制定出臺新一批數據共享責任清單。2021 年 11 月，“十四五”大數據產業發展規劃 提出了更為精確的總體目標，要求“到到 2022025 5年我國大數據產業測算規模突破年我國大數據產業測算規模突破 3 3 萬億元，年均復合增長率保持萬億元，年均復合增長率保持 25%25%左右左右，創新力強、附加值高、自主可控的現代化大數據產業體系基本形成?！?022 年 12 月，中共中央 國務院關于構建數據基礎制度更好發揮數據要素作用的意見4（后簡稱：數據二十條）對外發布則以構建基礎制度為目標以構建基礎制度為目標，從數據產權、流通交易、收益分配、安全治理等四個方面，對制定數據基礎制度進行

12、了全面部署，最終構建公平與效率相統一的數據要素按貢獻參與分配的制度。2023 年 3 月，國家數據局組建完畢，中央網絡安全和信息化委員會辦公室、國家發展和改革委員會共同管理，兩大機構將在后續協調推進數據基礎制度建設，統籌數據資源整合共享和開發利用，統籌推進數字中國、數字經濟、數字社會規劃和建設等。圖表 2 國家數據局的管理義務劃分數據來源：蛋殼研究院上述政策中，關于構建更加完善的要素市場化配置體制機制的意見與“十四五”大數據產業發展規劃 為醫療大數據的產業化做好背書，有效提升了醫療機構及相關大數據企業的信心?！皵祿畻l”、成立國家數據局則聚焦于成立良好的市場制度，完善交易流通所需的市場要素，

13、保障大數據市場公平、高效地開展下去。雙管齊下，眾多政策突顯了國家規范發展數據相關產業的決心。技術方面的迭代同樣推動著醫療大數據產業的發展。2022 年末，大語言模型（LLM）ChatGPT的火熱帶動人們重新審視人工智能的價值，并聚焦于背后支撐應用的技術生成式 AI（Generative AI）。2023 年開始，不少醫療 IT 公司、醫療 AI 公司、互聯網醫療公司均已開發出自己的大語言模型，并嘗試在醫院場景之中開發各項新式 AI 應用。拆解這一新興人工智能仍是算法、算力、數據、知識四要素，但對于國內企業而言，算法部分均用的開源模型，算力可以根據需求購置 GPU 實現，知識可以通過向權威知識庫

14、購買或達成戰略合作得到，唯獨數據需要企業與醫院達成合作，在脫敏、不出院的情況下訓練模型。政策與技術雙向驅動，醫療大數據產業再度火熱。如今，更多醫院開始參與大數據基礎及應用建設，大企業們也嗅到風向，廣泛參與其中，為產業注入新的活力。51.31.3 數據資產化，需打通四重要素數據資產化，需打通四重要素宏觀條件完備后，微觀層面同樣需要跟進，即需要各個醫院一改過去滿足政策要求、被動建設的模式，主動參與到醫療大數據的相關建設中。目前，醫管部門通過強化醫院對于科研相關能力的要求，促使醫院主動收集數據推動回顧性試驗研究、前瞻性試驗研究，已經一定程度推動醫院轉向主動數據治理。而要進一步提升這一主動性，轉變醫院

15、對于醫療大數據的認知態度，則需推動數據資產化，將醫療大數據的治理工程由成本項轉變為收入項，讓醫院醫生將數據視作一種極具潛力的資產。這是一個極具挑戰的轉變?；仡檮趧?、土地、資本等生產要素形成的市場，流通是其最大化價值實現的必經之路。對于數據這類新式生產要素，怎樣保證流通過程的安全順暢，怎樣保障要素市場的公平穩定等問題，需要多個參與方協力解決。目前，限制數據流通的核心要素可歸納為以下幾點。數據要素服務相關制度亟需完善數據的交易流通需要數據歸屬、定價、交易、權益分配、安全等基礎制度的保障。當前制度尚未形成統一的保護機制，從國家到省市再到區縣，跨委辦局、垂管系統的數據共享仍然困難。國家數據局或在未來解

16、決統籌建設的問題，推動各項數據標準的制定，但從成立到發揮關鍵作用，尚需時日化解從理論到實踐過程中遭遇的種種問題。缺乏有效的數據歸屬權界定標準目前尚無法律法規對醫療數據的歸屬權進行界定。有觀點認為醫療大數據反映的是個人的健康狀況，理應屬于患者個人；有觀點認為醫療大數據是由醫院采集、錄入才能產生的，存儲和保存也在醫療機構，理應屬于醫療機構；還有觀點認為醫療數據的所有權在于患者個人、控制權在于醫院、管理權在于政府，第三方機構需借助政府支持和醫院配合方能對其進行商業化開發和利用。一方面，模糊的數據歸屬權可能導致利益分配糾紛，進而提高數據流通成本。因此，產業必須及早明確數據歸屬權并建立合理的分配制度，保

17、障數據流通的公平公正公開。另一方面，由于數據易復制的特性，數據提供給其他實體后，兩者是價值關系，而不是一次性收益。因此，需要法律法規確保供應商獲得應得、持續的收益流。市場機制尚無法滿足流通交易需求6數據的需求方和數據的擁有方當前沒有合適的發現對接機制，市場沒有形成上下游的關系。專利權和著作權有國家知識產權保護，數據權益當前缺少相應法律法規的保護。雖然國內已有不少大數據交易所開始運營，但數據要素流通市場整體形式仍較為單一，通過交易所掛牌數據較少，從量和質上都無法滿足數據市場的需求。相較之下，大量的場外數據交易市場活躍，但缺乏有效監管和安全保障。醫療方面，已有不少交易所將為“醫療衛生”數據設置交易

18、品類，但絕大部分交易所該品類下并無供應商品，僅貴州大數據交易所上架了一款“兒童構音障礙早篩語音數據”的產品，售價25 萬元，僅交易兩筆。圖表 3 兒童構音障礙早篩語音數據截圖數據來源：蛋殼研究院要解決這一問題，數據交易市場必須建立以政府為主導、市場化的數據要素交易機構和服務平臺組成的體系。數據供應方進行有效的數據歸集、加工；交易中心提供供需對接服務，實現數據升值、數據變現，監管機構保障市場監管和質控，營造良好的流通環境?？偟膩碚f，我國數據要素流通市場仍處于發展的初級階段，在數據交易需求持續高漲的趨勢下，一方面需要國家主導完善數據要素服務相關制度，引導培育數據要素交易市場，另一方面也需培養更多供

19、應商豐富數據供應體系，并加大數據交易所傳播力度，最終實現在有效市場支撐下的數據供需匹配，讓各類數據要素高效安全地流通起來。78醫療大數據的價值挖掘是對醫療數據的收集、整理、再利用。換句話說，高效掘取醫療大數據價值，首先需要建立先進的信息技術系統和數據平臺，幫助醫療機構有效存儲、整合數據，其次才是構建、利用工具，對治理后的醫療大數據進行分析，進而為醫療決策提供科學依據、提升醫療效率。相較于后一環節的醫療大數據應用，前端的治理顯然更為繁瑣。一個患者的全生命周期數據不僅包含產生于醫療機構的就診、治療、康復等臨床數據，還包含與生俱來的基因組數據、可穿戴設備生成的個人健康數據。以醫療機構產生的臨床數據為

20、例，患者在選擇醫療機構時需考慮疾病嚴重程度、地理位置、優勢學科等要素，一生之中的就診不會局限于單家醫院，因而其臨床數據往往分散于多個醫療機構中；一家醫院的臨床數據分散在多個不同業務系統中，HIS、CIS、PACS、RIS 之間未必能夠實現互聯互通。有需求就有市場。為了治理過往沉積的數據，標準化后續生成的數據，不少醫院開始投身于數據的數據中心的建立與數據平臺的運營，兩個模塊如今已經孕育起一個十億級的市場。全民健康信息化調查報告曾對醫院信息平臺的基本功能統計。數據表明：已有超過一半醫院進行了一定程度的數據中心部署。但在人工智能、物聯網、語言模型等一眾新式技術的推動之下，越來越多的數據中心面臨升級、

21、擴容、云化等需求，進而演化為新時代的醫療大數據市場。圖表 4 2021 年各類醫療機構大數據應用開展情況（單位：%）數據來源：全民健康信息化調查報告92.12.1 新一代醫院數據中心拉開千億市場序幕新一代醫院數據中心拉開千億市場序幕伴隨信息技術和網絡技術的跨越式發展，現代醫院的運營特征表現為醫療業務的智能化與應用部署的敏捷化，使得醫院業務產生的信息朝著復雜化、專業化、海量化的方向發展，并對各系統之間的互聯互通提出更高層級的要求。此趨勢下，圍繞網絡帶寬、服務器性能、交換機處理能力等設備運行特征建設數據中心機房的思路無法應對新型數據結構下涌現的數據安全保障、線上業務支撐、數據資產管理等需求，亟需引

22、入新的 IT 架構來應對新的業務對計算資源、存儲資源、網絡資源的新要求。因此，部分醫院開始轉變信息化建設思路，借助云技術打造新一代醫院數據中心，綜合利用各類數據服務臨床、決策和科研過程，提高醫院管理的科學化、規范化、精細化水平。2.1.12.1.1 新一代數據中心的優勢新一代數據中心的優勢傳統大數據中心分為兩類形式。一類是以業務支撐為主、整合電子病歷的臨床數據中心（CDR），其作用是支撐日常的醫療活動，收集與呈現醫療過程中的數據，繪制常規報表統計等。另一類以管理和科研為主的大數據中心，其作用是面向臨床研究、醫院管理與智能產品開發，滿足科研、管理活動中的數據批量處理的挖掘與分析需求。目前國內大部

23、分全院級 CDR 完成了醫院各業務數據的物理匯聚，但數據質量仍處于原始狀態，對數據的深層架構與邏輯關系尚未進行梳理，針對現有 CDR 開展臨床相關的數據分析挖掘仍具有極大困難。此外，由于不同科研數據庫一般采用自定義的數據模型，在建立多中心數據池、數據共享或數據合并時需要花費大量時間和資源進行數據映射和重新編碼，一旦出錯很容易導致計算機數據調用、分析過程和結果出現混亂。要解決傳統大數據中心存在的問題，新一代大數據中心應具備以下能力。1.滿足醫院創新業務需求。提供多種大數據應用開發工具并支撐大數據應用部署，例如利用 NLP 從海量電子病歷數據中提取知識，輔助臨床科研；利用深度學習從海量的醫學影像中

24、訓練人工智能模型，輔助醫生臨床診斷。2.滿足醫院管理發展的需求。支撐人工智能應用為醫院運營管理提供更深的洞察和更敏捷的反應；支撐實時流計算，能夠應用大數據分析技術并將分析結果實時反饋到臨床業務；支撐邊緣計算與物聯網技術實現智慧后勤。3.滿足醫院智慧應用配置需求。支持搭建安全、有彈性、可擴展的對外服務平臺；支撐區塊鏈等創新技術解決數據共享、流通、歸集和安全問題。104.滿足跨部門業務協同需求。支撐云網融合技術，能夠在保證內外網間數據交換的安全性的前提下以打通院內系統、外部系統及云上系統，以實現醫院業務的連續性。5.滿足數據治理需求?？商峁┑娜謹祿招枰采w數據標準管理、基礎數據管理、數據采集

25、、數據匯聚、數據深度加工、數據資產管理、數據質量管理、數據安全管理等對數據的全生命周期治理服務。6.滿足數據服務需求。支撐醫院內部實現系統互聯互通和數據對接共享的需要；醫院提升海量數據資源質量的需要，數據驅動醫院進行科學決策的需要，面對數據安全風險的需要。圖表 5 云上新一代醫院數據中心主要特征數據來源：新一代醫院數據中心建設指導2.1.22.1.2 新一代數據中心的架構新一代數據中心的架構在新一代醫療數據中心建設指導一書中，新一代醫院數據中心被定義為以私有云為主，多云結合為特征的醫療云數據中心，并將新一代醫院數據中心的架構劃分為醫院基礎設施服務層（laaS）、醫院應用支撐服務層（PaaS）、

26、醫院應用層（SaaS）。圖表 6 新一代醫院數據中心架構11數據來源：新一代醫院數據中心建設指導在基礎設施之上，醫院應用支撐服務層提供平臺應用服務，包括應用開發和測試的平臺服務、通用應用服務、數據服務（DaaS）以及醫療行業特定的服務。最上層的醫院應用層提供各種類型的醫院業務應用，主要分為三大類，即事務型業務、數據分析型業務以及跨院業務。這些業務應用通過平臺即服務（Plantform-as-a-Service，PaaS）層提供的 API 使用平臺服務。此外，統一安全管理及統一運維管理將貫穿數據中心的各個層次，保證整個系統在安全環境穩定運行。2.1.32.1.3 新一代數據中心的部署方式新一代數

27、據中心的部署方式目前，醫療健康行業對安全和隱私方面的高要求使得醫院數據中心主要以私有云為主，這種方式不但可以保證醫院完全控制其安全措施，也可以確保其數據中心能夠滿足相關法律法規。私有云部署也可以使醫院明確知道自己所購買軟硬件成本，使數據中心成本可預測。但是私有云部署的總體成本相對較高，也帶來了醫院管理的復雜性，而且數據中心的擴展性也受到醫院本身條件的限制。有些醫院為簡化管理，提高靈活性等因素考慮部分非核心業務也可能會選擇托管公有云，由第三方服務商進行管理和運行，成本可控但其靈活性仍然有限。但出于對公有云可擴展性、高性能、低成本等優勢的需求，醫院越來越多地選擇將其一些對外服務業務和 IT 能力部

28、署在公有云上。12混合云技術的使用仍在探索中，該部署方式使得醫院未來能夠在私有云和公有云之間靈活地部署和遷移其工作負載，其典型的場景是將單個或多個私有云和單個或多個公有云結合為一體的混合云和多云環境。醫院云數據中心也會通過互聯網或專線與第三方平臺對接，例如區域影像中心、全民健康信息平臺和醫保信息平臺等。2.22.2 影像補位，影像補位，AIAI 企業成為基建主角企業成為基建主角自深度學習廣泛應用于計算機視覺后，圍繞醫學影像展開的人工智能開發催生了獨立建設影像大數據中心的需求。因此，不少企業嘗試在 PACS、RIS、PIS 等涉及醫學影像的業務系統之上，以中臺形式搭建一個能夠綜合管理應用全院所有

29、影像的大數據平臺，更標準、更便捷、更經濟的方式對影像類數據進行匯總，進而推動相關科學研究的進行。對比新一代數據中心，影像數據中心的需要同樣寬泛。作為醫療數據大國，我國的影像數據占據了 80%90%的份額，維持 30%的增速持續增長，但大量數據停留在紙質化的階段，超過 80%的數據為非結構化數據。因此，圍繞影像展開的醫療大數據中心建設能夠有效觸及此類需求，易聯眾、卡易、富士膠片等傳統醫療 IT 企業及深睿醫療、匯醫慧影等人工智能企業均圍繞此業務深化信息化布局，一方面為醫院搭載治理影像數據的平臺，另一方面借助平臺協同醫院推出新的人工智能解決方案?，F有的醫學影像大數據中心通常具備兩類智能。其一為集成

30、智能化影像應用。伴隨人工智能技術的規模落地，一家醫院常常會安裝多個人工智能輔助診斷應用。為了方便醫生在不同應用之間無感切換，醫學影像大數據中心可以起到業務中臺的作用，將眾多人工智能軟件集成，便于醫生使用。同時，大數據中心還可以通過互聯網實時更新新的人工智能應用，醫生需要時可直接聯網下載。其二為助力影像數據資產化。由于影像數據量本身體量較大，醫院很難精準評估影像數據集價值，可能在數年之后需要調閱時才發現文件發生損壞。在這一場景下，影像大數據可以助力影像數據治理，在數據生成后便及時打上標簽并歸類，并注明其可能存在的價值。核心能力外，還有一些企業的大平臺會打造一些特色功能。以深睿醫療新發布的 Dee

31、pwiseMetAI 智慧影像&數據新平臺為例，該平臺以計算機視覺、NLP、深度學習等 AI 技術為基礎，實現影像掃描后重建、打印、診斷、會診、教學、科研的一站式影像科全周期智能管理。這個過程中，深睿醫療能夠幫助醫院生產高效精準的結構化數據，逐步積成影像科的優質數據資產。同時，深睿醫療也在借助大數據平臺打造以科研創新及應用為導向，實現數據到成果再到應用的創新閉環模式，加速科研成果轉化，助力學科高水平發展。目前，深睿醫療已與四川大學華西醫院、南京市中醫院、浙江大學醫學院附屬兒童醫院等國內多家醫療機構合作，依托13全院級科研數據中心，探索疾病智能化診療的新模式、產出高質量的成果、全面促進成果轉化。

32、2.32.3 臨床科研發力，科研藥研加速數據庫建設臨床科研發力，科研藥研加速數據庫建設臨床科研數據庫的建設需求基本可分為兩大類：一是數據沉淀需求，通過積累數據資產，為尚未明確的研究課題和研究方向做探索準備，如醫院對積累患者多組學數據的需求；申辦方對積累臨床研究數據資產的需求；積累醫患管理數據的需求等。二是臨床研究需求，如輔助已明確方向和課題的研究者發起的臨床研究（IIT），以及藥企發起的臨床試驗（IST）完成定向數據治理、質控、鎖定和應用等相關工作。人工智能、大數據等技術出現后，臨床科研數據庫的部署開始由“人力支撐”向“智能支撐”、從“強平臺能力”和“強科研服務”的轉變；專病庫與臨床研究數據采

33、集系統（EDC）兩類重要產品開始融合，逐步合并為一套系統。臨床科研數據庫的價值隨之深化。某腫瘤醫院每年收治數千例宮頸癌、子宮內膜癌、卵巢癌等婦科惡性腫瘤新發病例，診療數據均存儲在該院業務系統中，沒有統一的標準規范和格式，且為非科研所需的結構化數據，非常不利于臨床醫生精準定位患者和統計分析數據。而在搭建了本地專病庫后，患者群體定位能力和科研效率顯著提升，數據處理成本降低，醫院還獲得更多科研機會。此外，該項目還反哺臨床場景，幫助提升院內病歷質量，增強規范診療能力。圖表 7 臨床科研數據庫的分類及特點數據來源：臨床科研數據庫系統的現狀與未來2.3.12.3.1 臨床試驗數據庫臨床試驗數據庫伴隨數據科

34、技的發展與醫院對于臨床試驗數據庫的日益重視，臨床試驗數據庫的能力界限與發展路徑都迎來的新的改變。其一，融合院后隨訪數據。院后隨訪數據作為患者臨床結局的反映，是多數臨床研究中必須收集的數據。但傳統的院后隨訪要么需要患者前往門診主動隨訪，要么依靠臨床研究人員電話隨訪。前者需要患者頻繁往返醫院，患者體驗較差、后者存在隨訪工作量大、失訪率高、數據質量受限等普遍性問題。14移動通信技術及應用廣泛發展，臨床研究人員如今可通過網頁、微信、App 等多種形式提供患者院后隨訪服務以及收集患者自報告結局（PRO）。由于隨訪問卷、查體原始報告等信息可以由患者直接錄入或上傳，隨訪頻率及隨訪質量均得到有效提高。為了更好

35、地融入院后隨訪數據，臨床試驗數據庫應與新型的院后隨訪系統相集成，實現臨床數據與隨訪數據的一體化整合，從而有效提升科研數據完整度。其二，融合電子病歷數據。臨床科研數據采集需求會更多地體現在醫療業務信息系統中，兩類系統之間的協同互補將是發展的趨勢，但與醫療業務信息系統的協同，從醫療記錄中回顧性提取科研數據，實踐中始終存在著原始記錄不全、結構化技術要求高的困難。為此，醫院應建立“臨床科研一體化”的電子病歷系統，補全缺失的結構化數據。但就國內醫院目前的互聯互通建設水平而言，絕大部分醫院無法實現全結構化的電子病歷。要解決這一問題，一方面可把結構化的科研數據表單以“插件”形式集成到臨床電子病歷系統中，兼顧

36、臨床記錄的描述性和科研數據的結構化，另一方面可從?？苹臋z查方面推行結構化報告，逐步向全院進行延伸。其三，完善數據加工功能?；仡櫺匝芯繑祿占媚Ｊ降母淖冊谀壳暗目剖覍？茖２祿熘?，有相當一部分是為未來的回顧性研究而建設。一方面，在研究問題不確定的情況下，建設和維持科研數據庫需要投入專門力量，長期持續難度大；另一方面，隨著電子病歷數據的完善和數據處理分析技術能力的提升，研究人員提出問題時，能夠針對研究問題直接從原始數據中提取所需特征變量開展研究。在專業化的數據服務能力支持下，直接提取科研數據有更高的效率，能最大程度地減輕臨床科室工作量，這一趨勢在醫院的大數據中心工作實踐中已經開始顯現。未來

37、，臨床科研數據庫系統的數據加工功能會進一步優化，入庫的數據會更為精準、數目縮小，預先建庫的模式將更多地轉為有研究問題時的即時建庫和數據加工，整個過程將進一步簡化。2.3.22.3.2 病例注冊數據庫病例注冊數據庫病例注冊數據庫主要用于支持疾病或治療措施的觀察性研究，通常為多中心數據庫。研究設計者圍繞研究主題和特定的研究問題，設計統一的病例數據采集表單，組織真實世界病例數據錄入匯集，形成大規模的觀察性病例數據庫?，F實中，一些隊列研究數據庫具有與病例注冊數據庫相似的特點，亦可歸入此類。病例注冊數據庫具有以下特點：通常為多中心數據庫，對數據標準化定義要求較高；各個醫療機構的信息系統并不相同，病例注冊

38、系統與各醫療機構信息系統建立接口的可能性較低，數據采集主要依靠人工錄入，因而病例登記表所涉及的變量數通常不宜設計過多；多中心采集場景下，對病例注冊系統的數據錄入和共享權限有特定要求。152.3.32.3.3 ?？茖２祿鞂？茖２祿鞂？茖２祿熘饕糜谥С峙R床科室按?？苹虿》N收集病例數據和開展觀察性研究，其所收集的病例數據項較廣。在實際工作中，科室建立?？苹驅２祿炜煞譃閮煞N情況：一種是有研究目的但研究問題尚不明確，建庫是為未來的科研問題積累數據，其所收集的病例數據項較廣，病例表單構成較復雜；另一種是圍繞特定科研問題的病例數據收集，數據項相對較少，病例表單相對簡單。隨著醫療信息化的發展

39、所提供的便利性增加，近年來此類數據庫的建設需求越來越多。此類數據庫與注冊數據庫的特點有類似之處，但由于屬于單中心數據庫且未來研究問題存在不確定性，所以多數數據庫設計包含數據項較多，數據標準化定義要求相對寬松；對從醫院電子病歷數據資源庫（CDR）獲取數據的要求較高。2.3.3.12.3.3.1 專病數據庫的構建趨勢專病數據庫的構建趨勢傳統臨床科研數據收集因采取人工錄入而存在數據格式、標準不規范以及利用率、成果轉化率較低等問題，無法滿足日益增長的科研需求。因此，各分支學科均存在專病大數據建設需求，即通過建立專病數據庫對醫療大數據進行整合與分析利用，提高?？萍膊♂t療服務質量及預測治療效果，進而規避和

40、降低醫療風險、抑制醫療成本等。醫學科技和信息技術的飛速發展，使得醫院診療數據和病理及影像等數據，正在以驚人的速度增長。包括基因組、表觀組、蛋白組和代謝組在內的組學技術迅猛發展，促使生物醫學領域快速進入“大數據”時代。依靠快速增長的生物醫學數據，重新審視疾病，對疾病進行細化分層，使得醫學研究的重點更加精細和深入，逐漸集中于亞專業和專病，特別聚焦在高發病率、高死亡率、高疾病負擔，嚴重影響人群健康的重大疾病上。此趨勢下，專病數據庫的建設也需沿著新的建設方向發展。首先，建立目標專病數據模型及相關技術標準和規范專病大數據平臺建設難點在于多源異構數據整合，需要建立通用數據標準，形成統一數據模型及相關技術標

41、準和規范，以匯聚更多模態、來源更廣的專病數據。其次，應實現規范化數據匯集機制為對接醫院業務系統臨床信息進行底層數據集成，基于目標專病特點，利用標準化、規范化的數據元、術語庫和同義詞庫，通過前置機及在線分析技術，根據機器學習智能推斷數據結構、主外鍵關系、數據字典等元數據信息，采用自然語言處理、知識圖譜和人工智能等技術對數據進行清洗、質量控制、結構化和歸一化等處理，根據患者主索引及標準化數據模型建立肝硬化專病數據倉庫，實現源數據自動化采集、數據解析與清洗、結構化與標準化預處理、基于邏輯與規則編寫的指標抽取以及規則挖掘、知識查詢、關聯分析、圖像處理、異常檢測和預測分析。同時，需建立統一的規范化數據匯

42、集機制，兼顧數據安全、處理性能和跨域傳輸能力，提供全量規則的醫學臨床真實數據。16最后，應建立高性能、高可靠性、高擴展性的存儲架構目標專病大數據存儲既包含 NoSQL類型的數據庫如 HBase、MongoDB 等，也包含 MySQL 等關系型數據庫；存儲架構引入 Redis、Memcached 等內存型數據庫以提高實時計算速度；分布式計算框架則包含 Spark/Flink 流處理框架、Hadoop 等批處理框架、圖計算引擎、數據挖掘引擎、TensorFlow 等人工智能處理引擎的多種分析框架，以滿足不同分析場景需求。該存儲系統具有分布式特點以應對數據規模增長；具有分層特點，即由高速和低速存儲混

43、合構成，高速存儲保障在線實時或近實時分析，低速存儲實現離線批處理等；同時具有完備的數據管理能力以滿足數據冗余備份、同步、隔離等處理。2.3.3.22.3.3.2 專病數據庫的應用及效率評價專病數據庫的應用及效率評價?？茢祿熘С轴t院各級醫療工作者和科研人員對目標專病的常規臨床診療與醫院管理所需的數據管理、查詢、統計與可視化；可為臨床與科學研究提供有力支持，可根據特定研究目標選定納入標準、排除標準及輸出指標來選擇研究人群特征，以進一步在線特征描述、特征分析或下載相關數據開展更深入的數據挖掘和人工智能應用研究，例如大型隊列、多模態數據融合的疾病預后、隨訪等臨床科學研究；可支持基于標準應用程序接口的

44、大數據分析挖掘及機器學習、深度學習等人工智能分析算法和模塊的接入、嵌入，支撐未來數據驅動的目標專病臨床與科學研究。效率方面，過去通過編程方式實現 CRF 表單的設計與制作需要 13 個月的時間，而可視化、交互式的 CRF 表單配置可將時間縮短至 3 天；醫生手工整理 1 份病歷花費約 1 小時時間，而借助 NLP 處理，輔以手工填寫補充，可將時間縮短至 20 分鐘內。2.3.3.32.3.3.3 尚需解決的問題尚需解決的問題盡管科研專病數據庫系統平臺建設已為醫院科研帶來一定成效，但現有的信息化系統仍存在一定不足：大量不同時期電子病歷文件、檢查報告、病理報告等非結構化的內容需要做結構化處理，但針

45、對醫學用語的 NLP 其數據理解能力仍有提升空間，對電子病歷的語義分析有待加強?，F有的科研專病數據庫系統中缺乏隨訪數據，后續還需加強互聯互通建設，將專病數據庫與隨訪系統對接，補齊科研數據短板，實現隨訪數據的共享利用。數據庫的維護和應用還不理想，建庫容易維護難，課題結束后大部分的科研專病數據庫處于無人問津的狀態，造成新的資源浪費，需建立長期的數據采集和維護管理及獎勵機制，鼓勵臨床醫生和科研專病數據庫研發建設的 IT 工程師，不斷完善平臺功能、定時補充更新數據，豐富科研專病數據庫的內容。172.42.4 數智化技術賦能，智慧后勤打開新需求數智化技術賦能，智慧后勤打開新需求伴隨醫院的規模及能力日益增

46、長，越來越多的數字化設備（醫技設備、監護設備、智能樓宇和視頻監控等）進入到醫院。此趨勢下，過去粗獷式的后勤管理模式已經難以控制高漲的后勤成本。面對水、電、氣、電梯、停車、物流、視頻監控、高值耗材等要素組成的復雜的后勤體系，醫院必須尋求創新技術實現更為精細化的管理。要解決上述問題，首先需要醫院進行有效的頂層設計，將繁多的設備統一至單個系統管理，并保證運營過程中的數據采集、數據治理、數據應用。人工智能支持下的 IT/OT 系統是一種理想的管理方式，該系統將信息技術（IT）與操作技術（OT）融合，并融入大數據技術進行包括物聯網數據在內的異構數據存儲以及快速數據訪問和處理；借助邊緣計算與物聯網技術實現

47、對智慧后勤業務需求的支撐。不過，現階段少有企業能夠提供融合多重信息流的一體化系統。實際中，供應鏈、物流分屬不同解決方案。峰禾科技、國醫科技、海遇醫療、德榮醫療、萬序健康、醫貝、微萌、圖特、愛惠、聯眾智慧等企業可提供 SPD 及對應硬件，賦能醫院供應鏈管理；三維海容、瑞仕格等則可提供特定環境下的物流系統。美的樓宇科技、達實智能等少數企業能夠提供醫院級的后勤系統。以美的樓宇科技旗下智慧醫院 LIFE2.0 解決方案為例，該解決方案從交通流、信息流、體驗流、能源流四個維度進行頂層規劃，全面覆蓋醫院所面向的管理者、醫護人員、病患和后勤人員等多維度人群不同空間的多元化需求。圖表 8 美的樓宇科技 LIF

48、E 智慧醫院框架體系數據來源：美的樓宇科技18大數據工具支持下，醫院各個場景產生的數據不再獨立，且可實時傳輸至控制中心。在這一情況下，醫院可以根據各個場景的運行情況調度及時調度資源，并根據歷史時間數據對未來場景流量進行預測。如在暖通工程這一場景，美的暖通設備匹配驅動算法軟件有效聯動，能夠自動控制各等級手術室及病房的室內溫度、空氣濕度、空氣潔凈度、氣流分布，提高患者就醫環境的舒適度和醫院用能效率，可將相關能耗降低約 30%?？偟膩碚f，全局性的智慧后勤將為醫院帶來一場管理革命。但由于醫院物流設計、暖通工程安裝等環節對于醫院的空間設計提出了很高要求，且很多醫院在設計前并未考慮復雜工程的改造。因此，智

49、慧后勤的市場規模會伴隨醫院院區的更迭不斷提升，有望在未來持續發力。2.52.5 大數據賦能的智慧醫學教育大數據賦能的智慧醫學教育隨著現代醫學技術不斷更新和創新，醫學教育也必須不斷創新，保證教育方式與教育內容的先進性，以便培養出具備先進醫學技能和知識的醫生。智慧醫學作為一種新的醫學教育方法，采用了現代信息技術，結合大數據和人工智能技術，將醫學知識技能和經驗轉化為數字化數據，已在教育和臨床醫學實踐中豐富應用。相較于傳統醫學教育，智慧醫學教育具備以下特征：人性化教學。智慧醫學在臨床醫學教育中可以根據學生的學習能力、興趣和需求進行人性化教學。例如，使用虛擬仿真技術和實驗室等工具和資源，對于不同的學生可

50、以提供不同的個性化課程和培訓模式?！疤摂M患者”可以提供一系列的可控情境，幫助學生進行實踐操作和審診，同時又不會造成真實患者的危險和風險。實時監測。智慧醫學可以利用傳感器和移動設備等技術實時監測學生的實踐操作和診斷過程。這樣可以在實踐中及時發現學生的錯誤和欠缺，及時糾正和給出指導，引導學生不斷改進和提高。協同學習。智慧醫學在臨床醫學教育中可以應用協同學習技術，使學生之間的互動和合作得到增強。這樣有利于增加學生之間的交流，從而促進學術研究。我們可以結合成套的代表醫學病例，對學生進行分組的探討，進而學習各種臨床技能，比如醫學寫作技巧、臨床操作操場技，以及團隊合作技巧等?？鐚W科合作。智慧醫學可促進不同

51、專業之間的合作，進而為擴大學生的科學視野和增強交流平臺出現，促進跨學科合作交流。臨床醫學教育可以將生物醫學科學、信息科學和生物信息學等相關學科知識結合起來，增強學生的綜合能力和創新意識。目前，竹石數據、憶信捷等從事臨床教學的信息化企業，以大數據、人工智能等技術應用于19臨床教育醫療大數據平臺的搭建中，柯林布瑞等企業也深入其中，嘗試打造專注于教育服務的“EDR”。以竹石數據為例，其大數據平臺能支持學校和附屬醫院不同系統的多源數據對接，在架構上能滿足對這些數據進行統一存儲、處理、共享、分析、發掘；從業務上能支持學校對教育數據的最大化利用，實現數據的互通共享，科研、教學、管理等多個層次的使用，發掘教

52、育教學規律，輔助教育決策，提升教育治理水平。圖表 9 竹石信息醫教大數據平臺整體架構及功能分層定位數據來源：竹石信息此外，該大數據平臺能夠對接和治理臨床教學過程中海量的臨床教學數據，并且能夠使用流處理來應對學校系統中的一些實時數據（如設備和資源使用情況的監控數據），進而為學校提供功能豐富且安全可靠的教育大數據平臺和相關的配套分析應用。2.62.6 解答解答 5 5 個醫院大數據中心建設中的常見問題個醫院大數據中心建設中的常見問題盡管大量醫院已經意識到了醫療大數據的潛在價值，但在實際基礎設施建設過程中，仍會存在一定問題。整合各位專家觀點，蛋殼研究院將其梳理如下：出于怎樣的需求，醫院需要建設新一代

53、大數據中心？臨床數據中心，即臨床數據存儲庫（clinical data repository，CDR），是一個通過標準信息表達和臨床術語支撐的臨床數據庫，集成了來自醫院不同臨床信息系統的業務數據，實現多個業務域之間臨床數據的存儲。過去，CDR 一直承擔著日常業務的支撐功能，能夠針對患者個體進行多方面的信息收集，實現醫療過程中的數據收集與呈現、常規報表統計等功能，具有實時性、長期性與穩定性。20相較之下，新一代大數據中心則是服務管理和科研過程中的數據分析處理，其作用是面向臨床研究、醫院管理與智能產品開發，滿足數據批量處理的挖掘與分析需求。目標對象不同外，兩類數據庫的差異還在于數據收集、工作模式、

54、技術形態。數據收集方面，大數據中心在進行分析工作時，不僅需要業務數據，還需要患者的隨訪數據、基因數據等。工作模式方面大數據中心的統計挖掘工作具備主觀、大批量的特征，目的性較強，而 CDR 處理的工作具備日常、規律性等特征，義務性較強。技術形態方面，大數據中心需要分布式并行系統進行數據挖掘，而 CDR 會采用關系數據庫，保障實時處理醫療數據?？偟膩碚f。在以臨床為中心的單一目的醫院管理時代，醫院建立 CDR 已經足夠滿足業務方面的需求。但隨著科研需求的增加，新一代大數據中心將借助 CDR 的基礎能力，在醫院系統之中發揮更為重要的作用。信息中心部門之外，醫院是否需要另設大數據中心部門？大數據中心和信

55、息中心的職能與特點不同：傳統的信息中心通常以信息系統建設和運維為主要職能，而大數據中心的職能是提供數據服務，尤其是為臨床醫學研究提供服務，這些服務是個性化的，需要特定技能的團隊來提供。大數據中心和信息中心的關系又非常緊密，大數據中心的建設緊密地依賴于醫院的信息化建設，所有的數據都來源于信息系統，二者密不可分。另外在數據質量方面，也需要通過信息化建設來不斷提升數據質量。解放軍總醫院信息科高級工程師薛萬國曾在 HIT 專家網上發表意見，他認為：理想的狀態是信息中心提供原始數據，大數據中心分析數據、建立模型，所得成果再通過醫院信息系統賦能臨床。二者的緊密結合，可以在諸如靜脈血栓栓塞癥（VTE）風險預

56、測、醫療質量控制、臨床輔助決策等方面發揮重要作用。他還表示：大數據中心和信息中心并非簡單的分與合的問題，應該在醫院內建立一個大信息體制，這個體制要體現出大數據中心是傳統醫院信息化內涵的擴展。至于大數據中心是否需要獨立設置，這只是行政管理、分工管理上的形式問題。專病數據庫是不是數據研究的必由之路？目前醫院常見的專病數據庫分為兩種：一種是基礎病例庫，也即在建庫時并未確定具體的研究問題，因此一般要求特征數越全越好，數據整理的工作量很大；一種是面向問題的病例庫，也即針對特定科研課題的數據收集，對數據質量要求較高。過往在建立專病數據庫時，需要臨床科室對所有病例數據進行人為加工，其優點是數據質量高、后期的

57、數據處理量小，缺點是工作量巨大，需要建立長期的工作機制，臨床科室往往很21難把這件事堅持下來。這也是大部分專病數據庫效果不佳的主要原因。薛萬國認為：當醫院建有大數據中心和相應的服務能力以后，可以將病例原始數據整合在數據資源池內，臨床科研人員針對具體的研究問題，利用大數據中心提供的服務進行數據加工、特征抽取和數據分析。這種方式的優點是前期的工作量小、難度低，適合缺乏長期專門團隊的臨床科室，缺點是數據質量不及專病數據庫。這種方式的好處在回顧性科研課題中表現較為明顯。數據安全問題能否解決？在信息使用權限方面，醫院大數據的信息安全領域并沒有明確的法律規定，這就造成醫療大數據信息安全防火墻缺失，構成了信

58、息安全隱患。醫療大數據的有關信息，也在一定程度上涉及個人隱私問題，因此必須對個人數據安全給予高度重視。部分醫院在推進醫療大數據建設的過程中，并沒有全面認識到建立隱私保護、知識產權、數據信息安全等方面的醫療大數據法律與技術保障體系的重要性。因此，醫院不僅需要加強對隱私保護立法的認識，為個人醫療信息的保密提供法律保障，還需要在居民健康信息管理過程中，明確信息使用權限。醫療數據安全技術保障領域，部分醫院的醫療大數據的安全和個人醫療數據的隱私保護同樣需要加強建設。關于系統保護方面，部分醫院在這方面的系統保護做得還不夠。就目前來看，對于個人信息的管控還不是非常嚴格，“脫敏”“去標識化”處理不足，容易對個

59、人隱私產生影響。因此，醫院應建立安全信息通報制度，規范化風險隱患化解方案和應對工作措施。是否需要獨立招募大數據治理相關人才？醫療大數據建設是一項具體的龐大工程，在這項工程建設中，許多專業性較強的事務需要大量的專業性人才來完成。當前，大部分醫院嚴重缺少醫療信息人才，更缺少高素質的復合型信息技術人才，嚴重制約了醫療大數據建設。由于醫療大數據建設中的技術工作對人員要求較高，一般技術人員難以勝任，導致醫院內高水平的信息技術人員數量不足。因此，醫院應招募特定人才執行大數據治理相關工作，保證建設的合理性與高效性。2223早期紛繁復雜的存儲、清洗、分類，其根本目的是要構成標準化的數據集，服務于應用的打造及運

60、營。因此，如何在構建醫療大數據集之后實現數據的高效應用，成為輸出醫療大數據價值的關鍵所在。全民健康信息化調查報告 曾對現有的醫療數據的應用情況做出分析：現階段醫院各項大數據應用仍處于低位，三級醫院應用數量占比不足 20%，二級醫院應用數量占比不足 5%。其中，三級醫院的運營、臨床數據；二級醫院的健康數據應用相對較多，其余數據仍需進一步發掘應用。圖表 10 各類醫院大數據應用開展情況數據來源：全民健康信息化調查報告缺失的應用比率正是科技醫療公司的機遇所在。本章將圍繞大數據下的智慧應用建設，討論科技公司在大數據時代面臨的歷史性機遇。3.13.1 臨床大數據應用臨床大數據應用作為數據資產化中最具價值

61、潛力的一類數據，臨床信息化建設的進步不斷推動基于大規模醫療數據的臨床真實世界研究，以電子病歷為數據源建立臨床研究數據庫的需求愈發繁多，臨床科研數據庫系統的功能需求及支撐技術也在不斷發展演化。因此，在傳統的病例數據收集和利用模式發生變化的背景下，總結分析臨床科研數據庫系統的發展對于完善臨床科研數據庫建設、提升臨床科研支撐水平、打造基于臨床大數據的相關應用具有重要意義。3.1.13.1.1 臨床輔助決策系統臨床輔助決策系統根據臨床決策支持系統的構建與應用的定義，臨床決策支持系統（Clinical Decision24Support System，簡稱 CDSS）是指運用系統的臨床知識和患者基本信息

62、及病情信息，加強醫療相關的決策和行動，提高醫療質量和醫療服務水平的計算機應用系統。簡而言之，CDSS的出現是為了幫助醫院通過“數據治理”觸達“臨床管理”。CDSS 的結構通常由知識庫、推理機和人機交流三個部分組成。最早的 CDSS 又稱專家系統，雖也能對已知信息和數據的分析與解釋，確定它們的含義，但由于數據庫包含數據有限、邏輯推理規則較為簡單，這類一方面嚴重依賴專家經驗，且無自主學習能力，難以應對復雜問題。人工智能與大數據相關技術及相關企業的出現重新定義了 CDSS 的能力，推進了?？?CDSS的發展。數據層面，衛和醫學等權威知識庫提供方以實時更新、自動化處理、可解釋內核的動態數據庫取代了傳統

63、靜態數據庫，為知識圖譜的構建提供的權威全面的醫學知識支撐。圖表 11 衛和數字生命體征醫學模型數據來源：衛和醫學算法層面，NLP 等智能技術的崛起，使得 CDSS 能夠清晰“理解”需求，為臨床醫生提供診斷、治療、護理、手術、合理用藥等方面的決策支持；為具體疾病提供建議、提醒、報警、計算、預測方面的決策支持。圖表 12 醫院采購 CDSS 產品涉及的主要系統25數據來源：蛋殼研究院現階段下，CDSS 需要突破的難點大致分為兩點。其一，全科 CDSS 已經很好地將權威的知識庫融入了模型中，但絕大多數的 NLP 仍需提升語義理解能力；其二，?？?CDSS 已經 VTE、房顫等醫療場景中獲取一致認可，

64、但受制于數據獲取、場景認知等因素，創新產品的開發速度仍有待提升。3.1.23.1.2 人工智能輔助診斷系統人工智能輔助診斷系統人工智能的能力界限取決于算法、算力、知識、數據四大要素。對于初創公司而言，算法可以借助開源模型修改，算力可以購置 GPU 獲，知識可以尋求權威知識庫合作。唯獨數據，既需要企業同醫院取得合作，協助治理數據，建立高質量數據集，又需要導入模型，逐步調試參數，取得合適的訓練結果。與?？?CDSS 面臨的問題類似，創新人工智能輔助診斷系統的開發同樣受制于病種數據的限制，因而醫療大數據的快速發展將幫助 AI 公司以更低成本獲取更高質量、更大規模的數據，突破現有應用場景的局限性，進而

65、顛覆 AI 賽道的發展。伴隨影像數據標準化的推進，人工智能輔助診斷系統已經突破了眼底、肺結節等傳統應用場景，實現了多模態、多病種、全流程的覆蓋，甚至深入治療領域，輔助手術導航。以沛心科技的“智心”CardioVerse 為例，該 AI 是一種基于 CT 影像數據的瓣膜評估及手術規劃系統，可幫助術者進行手術風險評估，指導手術策略，保障 TAVR 手術安全性，提升手術成功率，助力 TAVR 術式下沉。推想醫療的“龍點睛穿刺手術機器人”則瞄準了經皮穿刺，利用人工智能技術，融合磁、機、電、控、軟、算等多學科，實現全自動組織病灶識別、手術自動路徑規劃和穿刺引導及消融規劃評估，幫助醫生準確定位病灶、提高穿

66、刺準確度、減少患者手術創傷、縮短手術時間、降低術中和術后并發癥的發生、減少術中 CT 掃描次數和輻射，從而輔助醫生更準確、更快26速的完成經皮穿刺下的早期癌癥消融的手術操作。3.1.33.1.3 真實世界研究真實世界研究真實世界研究是指針對預設的臨床問題，在真實世界環境下收集與研究對象健康和疾病有關的數據（真實世界數據）或基于這些數據衍生的匯總數據，通過分析，獲得藥物或相關器械使用情況及潛在獲益風險的臨床證據（真實世界證據）的研究過程。真實世界研究可以是觀察性研究，也可以是干預性研究。與傳統隨機對照試驗（randomized controlled trial,RCT）不同，真實世界研究的數據來

67、自真實臨床場景，證據外推性好，可用數據量大，研究易于開展，成本相對較低，可幫助研究者發現臨床實際情況與理想 RCT 研究之間的差距。有效的真實世界研究一定程度依賴于研究者對于醫療大數據的分析管理能力。在構建數據集時，研究者應執行可行性評估、數據質量控制、方案分析、方案評價、輸出與反饋、安全與合規六個環節，過程中需要完成數據評估、數據獲取、數據存儲、數據清洗、模型建立等工作，非常依賴大數據平臺的處理能力。3.23.2 運營大數據應用運營大數據應用將大數據分析技術應用到醫院運營管理當中，能夠在海量的大數據中挖掘出最具價值的數據信息，保證醫療企業中的各項管理工作得以順利展開。在相關醫療 IT 企業的

68、支撐下，部分醫院經營數據已得到了充分分析應用，管理人員結合大數據分析平臺提供的各項數據，全面了解醫院各科室經營管理情況，對原有的經營管理制度及經營狀態進行實時調整。3.2.13.2.1 為為 DIPDIP 提供技術支撐提供技術支撐基于大數據的病種組合（DIP）是利用大數據優勢建立起的完整管理體系。該體系應用“隨機”與“均值”的經濟學原理，借助真實海量的病案數據，發現疾病與治療之間的內在規律與關聯關系，提取數據特征進行組合，并將區域內每一種疾病與治療資源消耗的均值與全樣本資源消耗的均值進行比對，形成 DIP 分值。目前，DIP 主要適用于住院醫療費用結算，精神病、康復類及護理類等住院時間較長的病

69、例不宜納入，其適應性及擴展性可探索應用于門診付費標準的建立。DIP 與 DRG 的邏輯大致相同，均以將資源消耗相似的病例進行聚類作為理論基礎，形成若干病種組。但 DRG 分組按照 MDC-ADRG-DRGs 的三層邏輯，一般只包含 600-800 組，而DIP 以一級至三級目錄遞進的方式完成建立支付病種表，二級目錄約 3000 組，三級目錄共計 16000 組。此外，DRG 從醫學理論出發，落足于數據分析，每一組都嚴格遵照從解剖系統，到疾病治療方式，再到病案個體特征的分層邏輯；而 DIP 則是基于客觀的大數據事實，27即病種“存在便為合理”。目前，DIP 的落地方式通常分成兩步走：第一步僅基于

70、主目錄，即主診斷+主操作+病例數進行落地，不考慮次要診斷，腫瘤轉移，放化療及離院方式等因素，故對數據質量要求較低。第二步則需加入病種第三層輔助目錄進行考量，即腫瘤程度及病情程度，對次要診斷填寫要求較高。因此，信息化水平較差的地區可以率先開展第一步，待基礎數據質量得以提升后，再對病種進行細分更新。這種模式下，支付改革的進程就不會受到數據質量的制約，更容易在數據基礎建設較差的醫院進行推廣。信息化水平較高的地區可直接進行第二步，快速完成 DIP 部署。3.2.23.2.2 以以 DIPDIP 輔助醫院運營決策輔助醫院運營決策DIP 對于醫院運營決策的促進作用主要分為以下三點。一、DIP 促進醫療機構

71、加強費用控制，提高經濟運營效率。DIP 結算對樣本醫院的經營管理提出了較高要求。樣本醫院圍繞病種分值與單價、時間與費用消耗指數等關鍵指標，建立院內運行評價體系，提質控費，促進科室提高經濟運行效率。樣本城市醫療保障部門要求，醫療機構每年人均費用增長不高于當地 GDP 增幅，同時將費用消耗指數及時間消耗指數兩項資源消耗指標納入考評范圍該院多部門協同，緊密圍繞 DIP 病種，進行成本效益分析，努力降低病種費用。DIP 改革賦能三級醫療機構發展內涵的實踐與應用研究 以子宮多發性平滑肌瘤行腹腔鏡子宮病損切除術為例分析了 DIP 的價值。該研究將某醫院的子宮多發性平滑肌瘤行腹腔鏡子宮病損切除術病歷分為五組

72、，應用 DIP 后計算費用結果。數據顯示：不同診療組之間盈虧狀況具有明顯差異（P0.05）。診療組 C 盈利 1245.53 元，診療組 E 虧損 1263.14 元，診療組 C 與診療組 E 的藥品折合分值分別為 35.93、44.47，耗材折合分值分別為 53.47、60.46。虧損診療組藥品、耗材分值均高于盈利診療組，不同診療組間藥品、耗材分值具有明顯差異（P 0.05）該病種成本結構可以進一步控制、優化。圖表 13 不同診療組子宮多發性平滑肌瘤行腹腔鏡子宮病損切除術費用比較（P 0.05）28數據來源：DIP 改革賦能三級醫療機構發展內涵的實踐與應用研究二、通過入組規則及輔助目錄促進醫

73、療機構提高病案編碼與質控水平DIP 嚴格按照診斷編碼前四位及手術、操作編碼組合入組，同時考慮患者具有多項并發癥、高齡與疾病嚴重程度等因素，建立輔助目錄內容包含疾病嚴重程度、腫瘤 嚴重程度分型、次要診斷病種_年齡特征病種、CCI 指數等多項內容。上述規則促使醫療機構加強病案首頁質控管理，準確填寫各項診斷與操作，不漏填、少填，爭取醫保費用得到合理結算三、促進醫療機構提高 CMI 值，提升核心競爭力DIP 支付體系鼓勵了三級醫療機構嚴格控制基層病種的收治，提高疑難危重患者收治比例。對于費用極高患者，醫保實行特例單議。醫保多種措施促進醫院調整病種結構，不斷提升核心競爭力。DIP 付費實施以來，樣本醫院

74、按院科組能力評價結構，確定“學科、技術、質量、費用、效益”五個維度評價的基于病種管理的臨床發展能力評價體系，共 16 個二級指標、51 個三級指標，全面評價臨床科室發展能力，確定優勢病種，推動價值醫療，構建醫院學科發展新格局。3.2.33.2.3 DRG/DIPDRG/DIP 助力醫院國考助力醫院國考在 DRG/DIP 發展過程中，大量醫院為滿足政策要求將 DRG/DIP 體系的能力范疇局限于第一維度。而醫保數據貫穿不同醫療業務單元，其應用場景串聯全院管理鏈條，它不僅僅可充當29醫?？刭M的工具，亦有能力激活全院數據智能，成為醫院精細化高質量“轉舵”的抓手。因此，在第二維度中，醫院需要與資源消耗

75、管理、精細運營管理、臨床路徑管理等路徑深度結合，幫助醫院從全過程規范管理，到一體化精細運營，直至以資源消耗路徑優化臨床路徑，實現臨床診療“質效”融合提升。以國新健康的“DRG/DIP+”解決方案為例，該方案對于首先是數智賦能醫院全過程規范管理。通過將病案質控、診間監管、醫保結算清單質控融入 DRG/DIP/APG 醫院智能管理系統，實現醫生填寫病案時即開始審方、監管、質控，并利用預測性分析技術，根據即時診斷和手術預測分組展示不同分組方案，幫助醫院在 DRG/DIP/APG 預分組、支付標準和結算差異等方面前置干預，過程預警。在動態監測、靶向定位可能存在的監管風險后，適度、規范管控，一站式結算質

76、控上傳歸檔反饋申訴，保障數據上傳及時、準確、全面，提升醫院一體化管理能力。其次是“DRG/DIP+”精細化資源消耗管理驅動精益運營。面對醫院醫保醫療服務與運營管理的痛點及實際需求，基于豐富的病案質控規則，國新健康“DRG/DIP+院內績效分配”針對醫保支付和衛健考核形成一體化解決方案，深入各業務場景持續挖掘分析，聚焦問題、落實精準，有效幫助醫院將績效考核指標轉化為業務運營管理。在此基礎上，其“DRG/DIP+醫院全成本核算和預算管理”，從院級成本、科室成本、項目成本向病組成本和病種成本深化，促進臨床診療規范，并挖掘醫院優勢病種，助力形成特色學科。同時，國新健康依據成本核算數據做出成本預算，將預

77、算管控點前移至業務端，在符合臨床服務與科研教學業務發展要求、人財物聯動資源配置需求的前提下，預警醫生端藥耗使用、監測運營端設備資源配置，并融入績效考核中，從而激勵醫務人員主觀能動性，助力醫院逐步從“收入增長”轉變為“降低成本”，從財務視角轉向價值鏈視角，全面、精準地實現以成本核算為基礎的醫院精益運營。最后是優化臨床路徑實現質效融合。DRG/DIP/APG 在院內形成的是資源消耗路徑，以資源消耗路徑優化臨床路徑，實則是通過對 DRG/DIP/APG 的指標分解，從服務能力、服務效率、質量安全三個方面，建立一套診療全過程管理工具，重塑“質量效益”管理新模式。在DRG/DIP/APG 的政策觸發下，

78、醫院將以提升藥物合理使用、提高檢查檢驗合理使用、加強平均住院日管理、加強超支病組管理等為關鍵抓手，打通以臨床業務為源頭，通過合理診療、因病施治，改善資源配置，提高服務質量，激勵協同合作，進而反哺臨床的 PDSA 醫院一體化精細運營管控路徑，實現兼顧醫療質量與衛生經濟雙提升的“質效”融合?？偟膩碚f，國新健康的方案立足于醫保支付本位、深入醫療業務及管理全過程、擴展“DRG/DIP+”一體化運營服務的行業布局，有助力醫療機構逐步形成數據采集標準、使用規范統一，以病種和臨床路徑為單元、醫保支付為基準、全成本核算為結果、價值醫療為導向30的全面精益運營管理體系，進而實現三級醫院“國考”排名的有效提升。3

79、.33.3 院外其他大數據與應用院外其他大數據與應用相較于院內大數據，院外大數據歸屬于數據生產方，產權清晰，能夠更加針對性地構建平臺，開發應用。因此，不少 IT 企業針對藥房、保險等機構設計大數據應用，提升經營管理效率，縮減銷售運營成本。3.3.13.3.1 藥店智慧管理藥店智慧管理新冠病毒的肆虐為社會帶來了許多消極影響，但也推動了不少互聯網技術的進步。在藥店領域，消費者對于智慧藥店的認知大幅度進化，進而也倒逼藥店經營者理念發生轉化，智慧門店無疑成為新零售的前臺和主戰場。該形勢下，藥店同時面臨挑戰與機遇，一方面需要利用人工智能、大數據等技術建立智能化平臺，通過分析各類數據提升連鎖藥店管理能力，

80、另一方面可利用現有互聯網資源幫助連鎖藥店探索新的盈利途徑。部分企業協同智慧藥房為患者提供個性化、專業化的健康管理服務。通過患者的身體數據和健康狀況等信息，智慧藥房可以為患者提供更加全面、細致、貼心的健康服務，例如為患者推薦合適的藥品、健康飲食和運動計劃等，擴展藥房業務范疇。也有企業借助大數據技術及模型創新著力極具潛力的創新藥院外市場，打開藥房銷售新增長點。譬如，上藥云健康通過樹立“益藥”全國一體化品牌，以構建專業藥事服務能力為基石，全渠道打造全國領先的一體化專業藥房體系。2021 年上藥云健康收購融合百濟新特藥藥房、康德樂大藥房；同時整合上藥院邊藥房，納入“益藥”網絡，DTP 業務進一步整合，

81、逐步形成以“益藥”系列為核心的全國新特藥銷售與服務品牌，已覆蓋全國 25 省 66 市。作為中國最早開展新特罕?？撇》N服務的專業藥房，上藥云健康“益藥藥房”經營 6 大病種科組，130+個重大疾病和慢病病種。擁有業界認可的培訓團隊、藥師團隊及患教團隊，以更好地為患者提供標準化、專業化的藥學服務，確保用藥的安全性和有效性?！耙曰颊邽橹行摹?，通過藥學服務準備（內容建設、藥師培訓）、標準化患者服務過程、專業化藥物治療管理（線上科普、患者治療跟蹤、信息完善和數據分析、患教活動）實現全程化的藥學專業服務路徑，提升患者的治療信心和用藥依從性。3.3.23.3.2 DTPDTP 助力助力 RWSRWS 研究

82、研究與傳統零售藥店模式不同，DTP 藥房銷售主要是單價較高、存儲條件較為嚴格的新特藥，主要包括腫瘤藥、罕見病用藥等，且構建了一個連接醫、患、藥、保的綜合服務平臺，以病人為中心提供專業化、個性化、全周期的健康管理服務。31同時，作為院外重要的患者管理與服務場所，DTP 藥房對腫瘤患者的全程管理具有重要的作用和價值。一項在美國西維斯特藥藥房開展的回顧性研究顯示，在藥房藥師和患者間建立雙向的信息溝通模式可有效提高慢性粒細胞白血病患者的治療依從性。相比之下，國內與DTP 相關的 RWS 較少，但伴隨上藥云健康、思派健康、零氪科技等企業的介入，相關探索有所增加。2021 年思派健康旗下思派大藥房聯合北京

83、大學醫學部展開國內首份DTP 藥房患者管理服務效果的真實世界研究，該研究采用回顧性隊列研究設計方法，利用全國 79 家思派大藥房的銷售及隨訪數據，對 2019-2020 年間購買 PD-1/L1 類藥物患者的購藥和隨訪數據進行回顧性分析。研究結果顯示，與隨訪接通率小于 30%的人群比較，隨訪接通率大于 70%的患者治療中斷及隨訪中斷的風險分別下降 21%和 42%；治療中出現不良事件的患者，中斷治療及隨訪的風險分別下降了 24%和 31%。上藥云健康同樣在專業化患者服務和提升患者依從性方面進行了廣泛研究。該企業打造了DTP 一體化平臺，擁有 60 余個品規，鏈接 600+家自營以及合作 DTP

84、 藥房。通過完整的數據鏈條和全景圖，為藥企提供患者療效分析報告、患者黏性報告、用藥人群畫像、渠道分析報告、銷量分析報告等全生命周期患者旅程服務。未來，基于與藥企長期在臨床領域開展對照藥、器械、患者招募等方面的合作，業務觸角將進一步向全周期數字化賦能方面延伸?；谒幏烤W絡和線上平臺，匯集完善的患者數據池，通過專業的藥事服務，增加與患者的觸點，提升患者洞見的深度和廣度，優化患者服務能力。圖表 14 上藥云健康益藥 DTP 一體化平臺32數據來源：上藥云健康3.3.33.3.3 基于大數據的健康險定價及風控基于大數據的健康險定價及風控歷經 30 余年發展，我國健康險行業已經取得長足進展，2019 年

85、健康險原保險保費收入達到 7066 億元，近十年的年復合增長率超過 28%。健康險，尤其是醫療險，非?？简炂髽I精細化運營，過程中的風險定價需要大量的數據支撐。但由于缺乏醫療數據對接和共享機制，精算數據庫無法得到擴充，因此健康險的產品創新受到抑制，同質化現象愈發嚴重。以惠民保產品舉例，本應“一城一策”、根據不同地區居民健康狀況來定價，但在市場白熱化競爭的驅使下，為了盡快搶占市場，不僅條款相似度非常高，定價缺乏足夠的醫保數據支撐。同時，在基本醫療保險形成廣覆蓋、?；A供給的同時，商業健康險的發展相對滯后，沒有完全發揮其市場靈活性，在產業鏈中的地位也相對弱勢，尚未能借助其支付者的優勢串聯起醫療健康產

86、業鏈。在經營管理上，許多險企也很難脫離“泛壽險化”經營的慣性，產品結構單一、渠道開拓使用成本高、專業化水平低、風控手段滯后、盈利難度高等問題一直未能得到很好地解決。33從長期角度看，商業健康保險需重新定位其醫療健康產業鏈支付角色這一優勢，通過串聯用戶、醫、藥、健康管理等多方利益體，構建醫療健康生態價值鏈，形成事前預防、事中診療和事后管理的閉環健康服務：同時通過與基本醫保的差異化定位、充分依托大數據技術優化行業經營，尋找新的利潤空間，改變被動支付、依靠傳統三差的單一盈利模式，探索新的商業發展模式。在廣度上，構建覆蓋全渠道、全人群、全生命周期的健康險產品供給體系。在深度上，依托社保目錄到建立供需聯

87、動、風險可控的動態商保目錄。在生態上，變基礎采購為融合共生，平衡和重構保障邊界帶來的風險成本。在風控上，串聯醫療資源與商保供給，創新支付模式，建立風險共擔機制。實現上述轉型發展，一個重要的依托就是健康醫療大數據。在以前信息化和數字化程度還沒有達到極大豐富、互聯互通的時候，主要是以人工方式來搬運信息；隨若醫改深化和醫保信息化水平不斷提升.社商數據聯通成為可能，這就讓商業健康險有機會走出現有的經驗邏輯，真正地從客戶保障需求出發，建立面向不同用戶的、精準定制化的全生命周期保險保障供給，基于數據突破現有的以保健康險體為主的經營瓶頸，從“保健康人”走向“保人健康”，構建新的健康管理和醫療支付的生態供給體

88、系。此外，健康保險業務對客戶個人信息的安全和保密性要求非常高現在有越來越多的健康數據可供利用，如智能手表、健康監測器等，這些設備可以收集到客戶的身體健康狀況，如心率、血壓等。如果可以將健康數據與個人風險結合，保險公司可以更準確地評估客戶的風險水平，并為客戶提供個性化的健康保險服務。3.3.43.3.4 公衛大數據的應用公衛大數據的應用科學高效的突發公共衛生事件防控措施是應對突發公共衛生事件的關鍵。在突發公共衛生事件爆發后，能夠基于聯邦學習，關聯醫療、交通、通訊、教育等多源數據，可視化展示疫情發展相關數據和知識，并支持大規模核酸檢測、密接和次密接排查、社區隔離管控、患者治療、應急物資調配、疫苗接

89、種等。如在患者治療過程中，通過聯邦學習開展跨地區、跨機構協作共享，涉及病人隱私的電子病歷、電子健康檔案、病癥、病理報告、檢查檢驗結果等數據各級醫療機構可實現共享，通過患者癥狀、檢查檢驗結果、診斷、治療等數據，運用決策樹算法，發現大量病例中蘊含的規律，建立疾病診斷和治療模型，輔助醫生疾病診療。在應急物資調配中，需要涵蓋各級衛生健康行政部門、政府、疾病預防控制機構、醫療機構、街道社區等龐雜的機構體系，如何動態掌握應急物資儲備情況、缺口種類和數量，最大限度發揮應急物資使用效能，是保障突發公共衛生事件防控的關鍵?；诼摪顚W習，能夠在保障數據安全共享的基礎上，實現應急物資狀況的精準監測，并能夠通過人口分

90、布、人口結構、人口流動情況、感染人數、死亡人數等指標對各類應急物資使用情況進行預測。34傳染病監控對傳染病報告卡的數據質量要求較高，包括傳染病報告的及時性、傳染病報告數據的完整性和準確性都是重要指標。這本是一件好事，但客觀上也使得醫生在實際傳染病報卡過程中會遇到很多問題。首先是及時性?，F行規定甲類傳染病必須在 2 小時內，乙類傳染病及丙類傳染病須 24 小時內上報。然而，醫生填寫傳染病報告卡信息需要花費較多時間，遇到就診病人多時，就很容易出現疏漏造成沒有及時上報，這樣就會導致傳染病的遲報和漏報情況的出現。其次則是傳染病報告數據的完整性和準確性。目前多數醫院掛號系統中并沒有完整的地址及電話等信息

91、，在填報時無法滿足傳染病報卡對病人信息完整性的要求。醫生只能現場詢問并錄入，過程耗費 35 分鐘時間甚至更長。最后，醫生對傳染病疫情的認知也影響到傳染病的監測。在疾控直報專網的傳染病報卡中有“不明原因肺炎”的選項，實際上可以對應早期未明確的新冠肺炎?，F實情況則是醫生基本上都沒有選擇此項選擇報告，因為上報就意味著后續需要完成一系列登記填表及調查工作，對于他們是額外的負擔?；蛘?，即使知曉有此選項，但缺乏明確的診斷也不敢輕易上報或無法通過現有系統的規則進行上報。對于上述問題，大數據、人工智能等前沿技術組成的融合方案或能一定程度解決上述問題。目前，國內已有和宇健康、雙數科技等企業的系統入疾控中心。以雙

92、數中心的傳染病疾病智能監測方案為例，其利用大數據和人工智能的雙數傳染病監測方案可以將杜絕遲報漏報的有效率做到 95%以上；將醫生的平均傳染病報卡所耗時間從以往的 58 分鐘大幅降低到 40秒以內；疾控直報專網上報所耗時間也從 23 分鐘縮短至幾秒鐘，有效應對上述問題。圖表 15 傳染病疾病智能監測方案運行邏輯數據來源:蛋殼研究院3536與勞動力、資本等生產要素相似，醫療數據的價值體現于應用與流通過程。但無論是在數據平臺間應用流轉，還是未來他通過交易所變更歸屬主體，只要存在流動，必然會數據泄露、數據濫用等問題。因此，只有保障醫療數據流動的安全，才能保障醫療大數據產業的良性發展。4.14.1 醫療

93、大數據安全現狀醫療大數據安全現狀為推動醫院加速信息安全基礎設施，我國從 2011 年便開始陸續推出相關政策，一方面借助衛生行業信息安全等級保護工作的指導意見（衛辦發201185 號）、關于印發醫療質量安全核心制度要點的通知（國衛醫發20188 號）、關于印發全國醫院信息化建設標準與規范（試行）的通知等一系列文件，以等級保護建設為中心推動醫療機構網絡安全建設；另一方面在 電子病歷系統功能應用水平分級評價方法及標準（修訂征求意見稿）國家醫療健康信息醫院信息互聯互通標準化成熟度測評方案（2017 年版）國家醫療健康信息區域衛生信息互聯通標準化成熟度測評方案（2017 年版）等多項評級要求中提出目標，

94、將宏觀目標拆分為微觀細則督促醫院執行。作為這一無形核心資產的持有方，醫院對于信息安全的關注度也在持續提升。CHIMA 調研數據顯示：2018-2019 年統計的三級醫院通過等級保護三級測評的比例為 52.57%，三級以下醫院通過等級保護測評（包括二級和三級）的比例為 24.92%。多數醫療機構，尤其是三級以下醫院網絡安全等級保護建設仍處于較低水平，整體未開展比例為 26.87%。圖表 16 2018-2019 年度中國醫院信息化狀況調查醫院等級保護工作情況不同等級醫院對比數據來源：CHIMA政策支撐后，2022 年通過等級保護三級測評醫院已經到達 63.56%，較 2019 年翻了一倍有37余

95、，未開展三級以下醫院僅有 24.92%通過等級保護測評（包括二級和三級），整體比例也從 26.87%縮短至 8.1%。圖表 17 醫院開展等級保護工作狀況不同年度對比數據來源：CHIMA2021-2022 年度中國醫院信息化狀況調查報告4.24.2 大數據安全體系的構建大數據安全體系的構建盡管等級保護工作的推進有效保障了醫院數據的信息安全，但要應對大數據時代的數據資產化及可能的數據流通，醫院必須進行符合全新需求的安全體系建設，才能避免數據相關問題帶來的損失。（1）數據存儲和處理保護需求。按照國家及衛健委出臺的各類政策及法規要求，醫院均會采用“雙活”及容災備份方式進行數據的物理安全性保護和業務連

96、續性保護，但是考慮到各類醫療數據自身的業務特點、數據特征、數據泄露途徑等多方面因素，不可能采用一個產品或一種技術手段實現數據存儲保護；醫院相對開放的網絡環境和脆弱的安全防御措施，極大地增加了診療數據可能的盜訪、破壞，甚至遭遇勒索，對患者安全、醫療安全及質量、醫院聲譽、患者隱私等構成嚴重威脅，甚至釀成社會事故。（2）數據傳輸和交換保護需求。當前我國有關醫療數據保護的處理、分析等核心技術仍需完善，醫療機構的關鍵信息基礎設施或系統數據傳輸、交換技術嚴重依賴發達國家，數據保護技術能力有限；眾多的數據交換業務，急劇上升的互聯互通需求，各種政策要求的數據上報，遠程醫療工作需要，勢必對單體機構的醫療數據私密

97、性保護形成挑戰；醫學教育、培訓、科研等以數據驅動的醫療發展帶來的需求，對數據脫敏，海量數據的傳輸、檢索，與應用安全防護形成矛盾。38圖表 18 新一代醫院數據中心安全體系架構數據來源：新一代醫院數據中心建設指導通過對醫院數據安全的現狀調研分析，摸清安全技術的需求，針對醫療大數據的數據保護需要關注多個維度，特別是數據的物理安全、邏輯安全、隱私安全，形成安全防護體系，才能有效實現數據保護。業務數據的安全按不同維度可以分為三類：數據的物理安全性、數據的邏輯安全性以及數據的隱私安全性。4.34.3 數據安全的保障邏輯數據安全的保障邏輯業務數據的安全按不同維度可以分為三類：數據的物理安全性、數據的邏輯安

98、全性以及數據的隱私安全性。4.3.14.3.1 保障醫療數據的物理安全性保障醫療數據的物理安全性物理數據的安全性是數據安全的基礎，保障數據物理安全性可以通過“雙活”、數據快照技術、容災備份等技術手段實現。按照國家出臺的網絡信息安全等級保護條例、“智慧醫院”建設標準，以及醫院信息化互聯互通成熟度測評標準等政策，需從數據的物理安全性以及業務的連續性角度，三級醫院數據物理安全需要做到“4321”四項標準。其中，“4”代表相同的數據應該保存 4 份，其中 2 份數據為本地數據中心“雙活”數據平臺數據，1 份為本地數據備份，另一份為異地數據實時保護數據；“3”代表為應該采用 3 種不同的技術手段實現數據

99、的保護，例如選擇常見的各種數據保39護技術手段：存儲“雙活”技術、數據快照技術、本地數據備份、異地備份技術、CDP 連續數據保護等；“2”代表至少保證醫院有 2 個數據中心在同時運行，這樣可以實現數據的應用“雙活”；“1”代表為所有的數據的物理安全性應該統一管理，防止出現數據異步、割裂等。醫院應盡量滿足上述要求，以實現全面有效的數據物理保護。4.3.24.3.2 保障醫療數據的邏輯安全性保障醫療數據的邏輯安全性邏輯存儲安全是數據存儲安全中的一個重要部分，醫院需要對數據的邏輯存儲（如認證鑒權、訪問控制、日志管理、安全配置等）進行管理，保障數據存儲安全。有效的醫療數據邏輯存儲安全手段需要針對不同特

100、征的業務系統采用不同的保護手段來實現，按業務系統場景分為核心業務數據庫、虛擬化系統應用以及海量醫療數據。一、核心業務系統數據庫。例如 HIS、PACS、EMR、LIS 等核心業務系統，數據庫容量不大，均可采用數據庫自身的備份接口，通過自身備份功能或者第三方商業備份軟件完成數據庫備份，按時間節點和數據庫性能，實現數據完整備份和增量備份，結合簡便性和易用性更高的FC-SAN 存儲，同時將備份任務和備份存儲空間做好故障切換，提升備份速度。醫院亦也可采用其他高性能、具備源端、變長數據消重的專業備份設備，通過萬兆網絡以NAS 的方式向數據庫集群提供備份空間。二、虛擬化方式運行的應用系統。針對以虛擬化方式

101、運行的應用系統，各個虛擬化平臺都提供相對應的備份接口，其實現方式與第三方商業備份軟件思路類似，通過虛擬化平臺快照來進行虛擬機的整機備份。三、在線快照。傳統的備份方案面對海量數據，其處理能力和資源耗用太大，技術上采用在線快照的方式來實現數據的邏輯安全性保護。目前實現快照有兩種方法：重定向寫快照技術ROW 和拷貝寫快照技術 COW。四、COW 在進行快照操作之前，不會占用任何的存儲資源，也不會影響系統性能。但該方式降低源數據卷的寫性能，且如果主機寫入數據頻繁，那么這種方式將非常消耗 I/O。ROW不會降低源數據卷的寫性能，解決了COW重復寫入導致的性能問題，在分布式存儲上，ROW的連續讀寫性能比

102、COW 好，但 ROW 的快照卷數據映射表保存的是源數據卷的原始副本，而源數據卷數據指針表保存的則是更新后的副本。因此，當創建了多個快照時，會產生一個快照鏈，使原始數據的訪問快照卷和源數據卷數據的追蹤以及快照的刪除將變得異常復雜，在恢復快照時會不斷地合并快照文件，造成較大的系統開銷。4.3.34.3.3 保障醫療數據的隱私安全性保障醫療數據的隱私安全性在對醫院內部的數據進行私密安全性建設時，必須構建完整的敏感數據保護體系，在醫院內40部做好兩個基礎，管好三類人員與各類系統。(1)做好兩個基礎。指做好敏感數據分類分級機制和以三權分立為基礎的制度保障。從總體角度看，數據庫環境敏感度遠遠大于主機系統

103、和網絡層面，因此首先應該將敏感數據管理聚焦到數據庫層級上，考慮以表為單位的敏感數據分類，把不同的表歸類到不同的敏感數據集合中去；數據管理類似財務管理，必須按職權區分權、責、利三個角色，通過互相監督降低問題發生的概率，對所需要保護的敏感數據，通過設立三權分立機制保障敏感數據的安全性。(2)管理好三類人員。三類人員主要是指業務操作人員、運維和開發隊伍、入侵者，前兩者是系統應用、維護的主體，入侵者則帶有典型的攻擊目標特性。不同的人員，訪問數據的行為特征也不盡相同。(3)管理好常見 HIS、PACS、EMR、RIS 為代表的核心業務系統與其他一般醫院業務系統。以基因測序、人工智能輔助影像診斷為代表的新

104、興醫療應用系統以及從事運維開發管理的運維開發類工具。要嚴格控制應用程序的訪問和操作行為，通過從訪問工具的合法性上管理好四類應用，同時根據醫院自身情況及 IT 投入等多方面因素，將這四類應用數據進行不同級別的數據加密、脫敏。41425.15.1 討論一：討論一：LLMLLM 對于多模態大數據治理的潛在影響對于多模態大數據治理的潛在影響盡管 NLP 的發展有力推進了智慧醫院的建設，但落在具體場景中，如自動書寫病案、智能問診、智能隨訪等，該技術仍然沒有脫離關鍵詞映射數據庫的邏輯，沒有能夠真正做到智慧智能。大語言模型（LLM）的出現能夠一定程度解決現有技術面臨的智能程度不夠問題。在分析文本類信息時，L

105、LM 不僅能夠從大量給定信息中找到任務需要的關鍵項，還能對未知信息進行預設，綜合上下文做出推理。相較于千億級參數的通用大模型，醫療中文本類大模型的參數可控制于 100 萬以內，包含文本與多模態影像的大模型參數可控制于 500 萬內，因而非頭部互聯網公司也能參與醫療LLM 的建設。圖表 19 醫療大模型企業圖譜（截至 2023 年 9 月 20 日）數據來源：蛋殼研究院不過，從概念到落地，現階段的醫療 LLM 仍需解決兩個問題。一是部署。當企業將大模型部署至醫院時，需要醫院購置相應 GPU 驅動模型運行。通常而言，服務一個科室的應用需要的 GPU 成本在數千元左右，但要負擔全院需求，醫院可能劃分

106、百萬元級的成本購置芯片，因此，要推動 LLM 應用大規模落地，一方面需要推動醫院主動部署 LLM 運行環境，另一方面需要企業方優化模型，盡可能降低醫院在基礎設施方面付43出的成本。二是應用。目前基于 LLM 構建的智能應用仍然沒有脫離傳統醫療 IT 應用的范疇，如病案質控、智能問診等，企業需要圍繞醫院需求構造“殺手級”應用，喚起醫院購置的 LLM 的需求，進而實現 LLM 的規模落地。構建 LLM 需要的成本不菲，且需大量醫療數據，因而競爭仍存在于頭部醫療 IT 企業與互聯網企業間。由于 LLM 應用需置于醫療信息系統中，因而非醫療 IT 公司只能使用外掛的方式進入 IT 環境，操作流暢性受限

107、，相較之下，擁有醫療信息管理系統的醫療 IT 公司占有優勢。同時，LLM 對于醫院的架構要求嚴苛，能夠支持 AI 應用的智能架構將比傳統 EA 企業架構更好展現 LLM 的能力界限。圖表 20 傳統企業架構與 AI 加持的架構的對比數據來源：衛寧健康5.25.2 討論二：應用級醫療大數據的交易可能討論二：應用級醫療大數據的交易可能就目前數據生產要素化形式看，臨床數據可能是最具價值且能最快完成資產化的數據類型，但由于相關模式缺乏政策支持，僅能借鑒海外經驗，探索應用級醫療大數據的交易可能。杭州國際數字交易聯盟、浙江墾丁律師事務所研究顯示：國外對于公共數據的利用大多采取類知識產權的“授權許可”模式在

108、歐盟開放數據和公共部門信息再利用指令中，歐盟對公共數據采取使用許可證書的授權方式，即公共部門通過行政許可機制授予企業對于公共數據的使用權。通過公共部門與企業達成的數據開放協議，作為企業取得公共數據使用權的法律依據，以及企業后續開發與使用公共數據的行為規范。在公共數據開發利用的收費問題上，歐盟采用多種方式的收費原則。一是引導公共數據低成本開放并對開放數據免費，但允許收44取復制、提供和傳播公共數據產生的成本，以及消除個人隱私、為保護商業秘密而采取措施而產生的成本；二是對公共事業單位和需要自主創收的公共部門，按照客觀、透明、可核查的標準進行數據定價，歐盟成員國在官網上公布此類公共部門名單，三是對高

109、校圖書館、檔案館、博物館等機構允許合理的投資回報以保障發展。美國依據著作權法對具有版權或相關權利的公共數據庫，采取知識共享 COO 許可，開放數據庫許可等方式，授權用戶用以商業或非商業目的開發利用。英國依照 政府許可框架自由保護法案等，對受版權或數據庫權利保護的數據采用開放政府許可，允許用以商業或非商業的免費復制、發布、分發、傳輸及改編數據：針對超過公共部門信息再利用條例規定范圍的數據再利用設置收費許可。相較于發達國家，國內數據資產化程度緩慢，流通要素缺失。要構建完善的醫療數據交易體系，應協同監管機構、醫院、交易所、第三方服務機構合作，共建醫療數據流通體系。圖表 21 理想狀態下的數據要素平臺

110、閉環數據來源：蛋殼研究院1.構建以患者個人信息為中心的全流程醫療數據安全防護體系國標委 2019 年發布的個人信息安全工程指南（征求意見稿）中對醫療健康行業信息安全風險考慮要點，認為醫療健康行業是一個特殊的行業，其特殊性在于它以“人”為研究對象，所有醫療行為及其結果都以獲取個人信息為基礎，因此其信息安全風險非常高。目前的患者個人信息安全防護，大多只是注重脫敏，進行匿名化、去標識化及加密等處理。由于醫療機構收集患者個人信息的特殊性，常規的“去標識化”無法完全保證個人信息不被復45原，還需要在專業醫學人士、信息安全人員共同努力下對個人信息進行“去標識化”處理。在無法準確判斷時，對于已進行“去標識化

111、”處理的患者個人信息應采取嚴格的技術保護措施。而對于?？漆t院，比如兒童醫院，還需要遵從兒童個人信息保護的相關法律法規規定及國家標準，比如國家網信辦 2019 年發布的兒童個人信息網絡保護規定；個保法（草案二審）第十五條指出，處理十四周歲未成年個人信息的，應當征求未成年人父母或其他監護人同意；國家標準信息安全技術 人臉識別數據安全要求（征求意見稿）提出，在開展人臉驗證或人臉辨識時，原則上不應使用人臉識別方式對不滿十四周歲未成年人進行身份識別。構建“以患者為中心”的個人信息風險評估和防護體系，覆蓋個人信息收集、存儲、使用、加工、傳輸、提供、公開等多個環節，有助于醫療機構促進和規范當前數據合規工作的

112、推進和管理。2.建立完善的數據合規組織保障體系，設立數據保護官崗位目前一些大型的醫療機構都設置了信息處及法務處，但其崗位設置和管理制度并不完善，組織機構職能割裂，難以更好地融合，隨著醫療數據監管的日趨嚴格，將不能支撐醫療機構復雜的數據合規管理體系。數據安全法規定：“重要數據的處理者還應當明確數據安全負責人和管理機構，落實數據安全保護責任”。而我國的個人信息保護法從第一稿開始即設立了“個人信息保護負責人”的崗位，并沿用至二審稿。為充分保障醫療數據的安全，更好地進行數據合規體系建設，建議醫院機構組織成立醫療大數據安全領導小組，在組織架構中至少還應該包括醫療大數據安全委員會和醫療大數據安全工作辦公室

113、，以確保做好醫療數據安全管理工作。其中醫療大數據安全委員會對醫療數據安全工作全面負責，討論決定醫療數據安全重大事項；醫療大數據安全辦公室指定專人，設立數據保護官（DPO）崗位，負責醫療數據安全日常工作。數據保護官負責制定醫療數據安全和個人信息保護策略、風險評估方案、合規評估方案、風險處置方案和應急處置方案；負責建立數據安全和個人信息保護相關規章制度；負責人員的數據安全和個人信息保護方面的教育和培訓；審計醫療數據使用和應用情況等。3.引入第三方服務，提高數據合規建設的能力大多數醫療機構在體制上屬于事業單位，人員主觀能動性欠缺，醫療機構建立的內部安全管理制度和設計是否合法、合規、合理是個問題。引入

114、第三方服務，比如律師、技術專家、咨詢顧問等，是提高對醫療機構數據合規能力建設的有效方式。這些人員應在數據安全和個人信息保護領域有一定的工作經驗，具備相關知識，熟悉法律、行政法規、規章及政策規則，46醫療機構可以在第三方的支持下，構建科學的醫療數據安全防護體系，切實保障醫療數據安全，保障患者的個人信息安全?？紤]到數據安全法已于 2022 年 9 月 1 日起正式實施，個人信息保護法可以預見今年內會正式通過。我們建議醫療機構密切關注立法和監管動向，重新審視自身在數據處理和個人信息保護方面的疏漏和不足，進行合規差距核查和風險評估，盡快開展數據合規工作，以適應法律規制和監管要求。47沛心科技沛心科技沛

115、心科技成立于 2021 年 9 月，由蘇州市產業技術研究院介入醫療技術研究所孵化，主要從事醫學影像人工智能輔助決策類產品的研發和生產，現有產品包括 CT、超聲、磁共振等醫學影像自動標測及圖像融合的 AI 系統、輔助診斷和手術規劃 AI 平臺系統。其中，沛心科技的“CardioVerse 心臟瓣膜分析系統”已進入商業化。專注瓣膜手術，沛心科技以專注瓣膜手術，沛心科技以 AIAI 輔助風險評估輔助風險評估心臟 CT 檢查是 TAVR 術前必不可少的環節?！敖泴Ч苤鲃用}瓣置換術（TAVR）流程優化專家共識 2022 版”明確指出，術前應仔細研讀超聲心電圖、計算機斷層掃描影像（CT）評估瓣環大小、主動

116、脈弓角度、冠狀動脈開口高低、主動脈瓣膜鈣化情況。目前國內瓣膜手術的 CT 術前規劃，多由醫生與瓣膜企業的技術人員共同完成，對技術人員較為依賴。國外雖有成熟的術前輔助產品，但購買價格昂貴，單機授權動輒數十萬元。從這一需求出發，沛心科技自主研發的心臟瓣膜分析系統“智心”CardioVerse 便是為了解決上述問題。具體而言，“智心”CardioVerse 是基于 CT 影像數據的瓣膜評估及手術規劃系統，幫助術者進行手術風險評估，指導手術策略，保障 TAVR 手術安全性，提升手術成功率，助力 TAVR術式下沉。與其他企業相比，沛心科技在研發及商業化的過程中具有其與眾不同之處在于以下四點：“智心”Ca

117、rdioVerse 在研發迭代的過程中，全程獲取一線瓣膜公司和臨床醫生真實反饋，在反饋基礎上高頻率迭代，使產品更符合中國醫生的操作習慣；該系統對電腦操作系統和配置的兼容性強，可推動介入瓣膜手術在基層醫院的普及，造福更多瓣膜病患者；交互界面友好，兼顧不同醫生的訴求，擁有簡單模式和進階模式，既能幫助基層醫生快速上手應用，也能滿足資深醫生靈活的科研需求；可結合嵌入式硬件系統（CT、DSA、手術機器人等）匹配術中導航系統，利用多模態影像融合技術優化瓣膜手術流程。目前，沛心科技的 TAVR 模塊已經進入商業化進程，全國已裝機授權數百臺，裝機醫院近百家。此外，沛心科技還與多家瓣膜公司合作，初步實現該領域的

118、國產替代。完全自主知識產權支撐，完全自主知識產權支撐，AIAI 能力向神經介入擴充能力向神經介入擴充據沛心科技表示，該公司擁有完全自主知識產權的底層代碼庫，產品的延展性、復用性及移48植性極高。同時公司擁有一支經驗豐富和年輕化相結合的研發團隊，產品迭代速度極其快?！爱a品好用、團隊反應速度極快、迭代速度驚人”是公司獲得最多的評價。在主動脈瓣模塊成功應用的基礎上，沛心科技已布局二尖瓣、三尖瓣、肺動脈瓣及結構性心臟的其它領域。TAVR 模塊商業化后，沛心科技加快了研發和產品定型速度，并在算法優化的基礎上應用圖像融合技術拓展功能至瓣膜病輔助診斷及早期篩查。未來，公司將擴展神經介入領域及影像云系統的應用

119、，布局“智影”和“智腦”產品矩陣，借助人工智能進一步解決神經介入診療流程中的痛點。49衛和醫學衛和醫學北京衛和醫學科技有限公司是一家以健康危險因素大數據為基礎的科技型公司?；跈嗤尼t療健康行業知識引擎，為健康管理公司、數字化醫療行業等提供針個性化健康管理服務及醫學知識圖譜。動態數據庫創新，衛和醫學緊隨智能化時代知識庫需求動態數據庫創新，衛和醫學緊隨智能化時代知識庫需求伴隨智能化時代的推進，市場對于醫學知識庫的需求不斷轉變，已由單一靜態知識庫需求轉為動態需求。這意味著，知識庫提供方不僅需要滿足使用方對于知識節點的單體描述進行查詢與搜索，還需要根據單一知識點能夠獲取該知識領域相關信息，并且能夠定

120、位到該知識點的多維描述，讓用戶一目了然看懂整個知識結構。為了應對上述需求，衛和醫學打造的動態醫學知識庫可以對每一個數據節點及知識點都有很好的描述與關聯。并且根據疾病癥狀、體征、鑒別診斷、藥品、檢查、檢驗等能很清晰快速地定位。此外，該動態知識庫也是一類基于人工智能技術的醫學知識服務系統，它可以根據患者的病史、癥狀、檢查結果等綜合診療信息，自動生成相應的診療、護理及康復等符合臨床需要的方案。具體而言，動態醫療知識庫的特點包括實時更新、自動化處理、可擴展性三點。實時更新意味著動態醫療知識庫可以隨時更新最新的醫學知識和研究成果，以保證其準確性和實用性。自動化處理則表現為動態醫療知識庫可以通過機器自動化

121、實現快速補充及完善，減少人為錯誤?？蓴U展性體現為動態醫療知識庫可以根據需要進行擴展，以適應不斷變化的醫學需求?？梢暬忉寗討B醫學內核可視化解釋動態醫學內核，衛和醫學為醫學，衛和醫學為醫學 AIAI 構建強硬基底構建強硬基底由于衛和醫學知識庫擁有可視化解釋動態醫學內核，可輔助醫療 AI 公司進行輔助診斷、臨床路徑、醫療知識點結構、診療方法與環境、手術檢驗檢查、醫藥品知識庫等研究，打造CDSS、AI 輔助診斷、動態風險識別、AI 機器人、康養健康監護等應用。LLM 方面，衛和醫學已將其知識庫產品應用在家居產品方面，如智能馬桶，使得數十條檢測數據不再是看不懂的數字 1、2、3 或是陰性、陽性等只有醫

122、生才能看懂的結果，而是轉變成淺顯、通俗易懂的百姓語言?？纱┐髟O備方面，衛和醫學推出了衛和護心衣，可實時識別用戶生命體征綜合數據，如心臟年齡、壓力指數、各種心律失常及心臟病、心源性猝死等心臟健康相關醫學知識內核，助力百姓遠程醫療與養老健康等行業廣泛應用。到目前為止，衛和醫學已經為多家行業知名醫療 AI 企業提供動態知識庫支撐，助力國內近十款 AI 大模型的生成與發布。未來，衛和醫學將會繼續耕作醫學知識海洋中的探索與研究，更加緊密的與專家醫生聯合加強審核醫學內容嚴謹性、科學性及安全性，積極推進知識節點50的更加精細化與知識更新。衍生品方面，衛和醫學將進一步圍繞百姓生活打造健康解決方案，將醫療知識的

123、精準推送到合適的場景中，為百姓的健康預防與疾病干預盡一份力。51上藥云集團上藥云集團探索數字化醫藥與創新支付新空間，廣州益藥探索數字化醫藥與創新支付新空間，廣州益藥 云藥房打出標桿案例云藥房打出標桿案例歷經三年快速升級發展，位于廣州醫藥物流園區內的上藥云健康廣州“益藥云藥房”經營面積超過 1000 平方米，藥品陳列空間達 200 平方米；主要合作伙伴直線距離均在 1km 以內，以創造高效運輸模式保障藥品按時供給。同時，藥房設有 7*12 小時客戶服務呼叫中心，可承擔各大醫療機構延伸處方以及互聯網醫院電子處方藥品供應和配送需求，并可滿足保險企業、大客戶健康以及患者線上線下對于藥品的用藥需求。截至

124、目前，廣州“益藥云藥房”已成為專業特藥直付服務供應商，為保險企業、大客戶健康管理藥品提供服務 45 萬+人次；通過 B2B2C 藥品銷售新模式完成日均藥品服務 4000 單。通過創新支付、商保直付、惠民保準入的特藥直付模式，以及門診險、慢病組合包、企業防疫包的普慢藥增量模式，不斷突破患者的支付困境，加速藥品可及、推進渠道多元。與此同時，通過全面實現藥品供應“廣覆蓋+可及性”的專業化藥事服務，廣州“益藥云藥房”充分發揮集約優勢，為業務全鏈條拓展、持續探索數字化與創新支付新空間打下堅實基礎。大數據支撐，上藥云健康助力藥企精準營銷和臨床研究大數據支撐，上藥云健康助力藥企精準營銷和臨床研究上藥云健康的

125、藥企數字化服務業務是基于公司廣泛的專業藥房服務網絡和豐富的創新藥全生命周期服務經驗開發的創新合作模式。在創新藥的研發階段，上藥云健康是中國最具規模體量的臨床實驗用藥供應商，賦能 80+家國內外廠家，管理擁有 265+個在研項目，臨床試驗基地覆蓋 90+座城市。同時，上藥云健康的患者招募業務依托數字化創新基因，通過線上線下多元化患者招募方式，加速創新藥的研發進程。在創新藥的上市階段，通過面向藥企、患者和藥師的解決方案為藥企客戶賦能，如：DDI數據直連、進銷存數據管理、DTP 藥房調研及洞察分析、患者首訪隨訪服務、患者 DoT管理、藥師招募注冊、藥師培訓服務等。作為全國首批連鎖專業藥房，上藥云健康

126、深耕創新藥細分賽道多年，擁有廣泛布局的專業藥房體系、全生命周期配套服務、穩定成熟的創新模式設計，在幫助創新藥企實現患者可及的基礎上，也積累了寶貴的大數據和數據分析及應用機制。目前，上藥云健康就其經營的 6 大科組、130+個重大疾病和慢病病種，與協會組織、藥學專家共同編撰完成相關癌種比如肺癌、乳腺癌等治療藥品藥學服務規范，同時也是最早開設新特罕?？撇》N服務網絡的專業藥房，把專業藥事服務貫穿到用藥前、用藥中、用藥后的患者全周期服務旅程，挖掘患者群面臨的多層次需求，不斷探索增值服務模式，積累以患者為中心的全面、細致、完整的數據體系。52未來云健康將持續發揮“云”基因優勢，在業務層面全面延伸對藥企、

127、對患者、對醫療機構和政府部門的全渠道合作和服務鏈條，在運營層面建設貫穿各個業務板塊的前臺中臺后臺運營和數據一體化生態，確保公司作為領先互聯網+醫療科技平臺，持續有效運轉，建立行業標桿模式。53參考目錄：1.數據資產價值實現研究報告 杭州國際數字交易聯盟、浙江墾丁律師事務所2.DIP 改革賦能三級醫療機構發展內涵的實踐與應用研究 宋靜 徐克平 米燦 劉遠泉3.腫瘤大數據與真實世界研究中國專家共識（2022 版）張艷橋 徐建明4.全民健康信息化調查報告區域衛生信息化與醫院信息化(2021)國家衛生健康委統計信息中心5.2021-2022 年度中國醫院信息化狀況調查報告 CHIMA6.新一代醫院數據

128、中心建設指導 張雪高 胡建平7.薛萬國：醫院大數據中心建設的六個常見問題 HIT 專家網8.臨床科研數據庫系統的現狀與未來 薛萬國54免責申明：本報告的信息來源于已公開的資料和訪談，蛋殼研究院對信息的準確性、完整性或可靠性不作保證。本報告所載的資料、意見及推測僅反映蛋殼研究院于發布本報告當日的判斷，過往表現不應作為日后的表現依據。在不同時期，蛋殼研究院可能發布與本報告所載資料、意見及推測不一致的報告。蛋殼研究院不保證本報告所含信息保持在最新狀態。同時，蛋殼研究 院對本報告所含信息可在不發出通知的情形下做出修改，投資者應當自行關注相應的更新或修改。版權申明：本文檔版權屬于蛋殼研究院/北京蛋黃科技有限公司，未經許可擅用，蛋黃科技保留追究法律責任的權利。蛋殼研究院（VBR）:蛋殼研究院關注全球醫療健康產業與信息技術相關的新興趨勢與創新科技。蛋殼研究院是醫健產業創投界的戰略伙伴，為創業者、投資人及戰略規劃者提供有前瞻性的趨勢判斷，洞察隱藏的商業邏輯，集合產業專家、資深觀察者，盡可能給出我們客觀理性的分析與建議。研究人員：趙泓維 高級研究員