人工智能在医疗大健康管理中的应用-《科技创新与品牌》杂志社

曹定爱：品牌战略 AI 系统工程首席科学家
天津科技大学特聘教授、博士研究生导师，第七届中国青年科技奖获奖人。品牌中国战略规划院执行院长，《累积法理论》和《品牌战略 AI 理论与技术》创始人。

人工智能（Artificial Intelligence），英文缩写为 AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。如果说“非典疫情”推动了物流配送行业的发展和行政应急体制的进步，那么“新冠疫情”必将加速实现AI 更多应用场景的落地，助推健康医疗领域的 AI 应用和大健康产业生态圈的融合发展。在此，就 AI 在大健康管理中的应用作一个初步的介绍。

一、大数据和 AI 在大健康中的应用领域

（一）医疗大数据

大数据是 AI 的基础。如果将大数据 AI 系统作为一个工厂，那么大数据就是原材料，应用场景就是创造健康价值所必须的一系列业务元素与条件的集合。大数据系统包括数据集成、数据识别、数据内生和数据处理。

1、数据集成。就是把各种数据按照一定的规律集成到一起，解决数据的来源问题，我们主要的数据源有三个：

（1）联通国家、行业等数据库。数据是一种重要的资产，但是没有应用就是极大负担，因为维护数据库的成本是巨大的。目前大建数据库的趋势明显，但是应用场景有待开发。进行数据联通是可行的。

（2）通过爬虫技术抓取数据。网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索；对于聚焦爬虫来说，这一过程所得到的分析结果还可能对以后的抓取过程给出反馈和指导。

（3）品牌 E 搜数据集成。该系统是我们自创的一个数据集成系统，目前已经列入国家有关部门重点推广应用项目。

2、数据的识别。互联网时代每天都产生海量数据，但绝大多数都是没有价值的，如何聚焦找到有用的数据？这就需要建立数据识别系统。通过《累积法理论》构建一个识别系统进行数据识别，实现数据收敛。

3、数据内生。在样本空间中，有很多数据原本存在，只是没有发现，通过建立数学模型可以寻找出这些隐藏的数据。同样通过数学模型可以预测尚未发生的数据，实现数据链上的相对闭环，使得数据处理更加科学，更加系统。

4、数据处理。在大数据系统中，数据处理是系统核心。“高新技术本质上是数学技术，核心是误差处理，累积法是最好的误差处理的方法”（见《累积法理论》一书，中国社会科学院学部委员汪同三教授“评累积法理论”）。应用累积法理论构建数学模型进行数据处理，可以实现高效无偏的目的，实现数据处理的有效性和递延性。

（二）医疗大数据的主要类别

医疗大数据库是 AI 在医疗大健康管理中应用的基础。具体包括： 1、药物信息数据库。通过收集药物的基本信息、药理信息、药物临床信息、药物销售信息、医药企业信息、药物研究信息等所建立的信息数据库。

2、医院医疗设备数据库。主要是通过对医院的调查，收集涉及与医院有关的医疗设备及低值易耗品的情况所建立的数据库。数据库包括了医院影像诊断系统、移植设备和相关附件、临床实验室设备和试剂、医院内设备、眼科设备、外科设备、物质管理产品、外科矫形设备、物理医疗设备、牙科设备、妇产科设备、一次性医疗产品等方面的信息。

3、癌症筛选等若干专业数据库。主要是筛选与癌症有关的信息而建立的数据库。数据库包括试验性和临床肿瘤治疗；体内和体外癌症的生物化学、免疫学、生理学和生物学；诱发癌症的化学、病毒和其它因素；致癌剂的结构、突变因子的研究、突变因子的试验、导致细胞分离的生长因子和其它因素等方面的信息。

（三）应用领域：

主要应用的方向包括：重大疫情监测控制系统；新药开发与测评系统；医疗事故监测与控制系统；健康经济系统工程发展模型；老年病防治模型等。

1、重大疫情监测控制模型。对疾病个案基本数据、地理环境数据及既往流行情况进行相关性分析，研究仿真重大疾病（如重大传染病）发生与流行相关的地理环境主导因素，并进行主导因子影响的参数估计。在此基础上，建立疾病预警模型。针对不同流行病的特殊性建立针对性更强的专门数学模型，基于传染病流行数据的规律建立更具灵活性和开放性的疾病模型。

我们采取的研究工作主要包括：结合病毒机理的研究设计动力学模型结构与模型调控参数, 改善病毒的传播和预测模型; 进一步的数据采集整理和分析, 这部分工作包括与有关部门合作, 获取流行病学调查资料, 估计并设定比较符合实际的参数取值, 从而完善动力学模型以及模拟结果; 最后是开展传播与控制特征、规律在不同地域上的比较研究和研究影响模型构造因素。疾病的发生与诸多因素相关，模型的构造需要引入的不仅是线性作用因素，同时可以有非线性作用，且因素间常有交互作用存在。

2、构建新药开发与测评模型，实现精准制药。

精准制药是基于病人特定的病理结构而进行精准开发，实现药性与病理映射，提高治理疗效。其核心思想是确保有限的卫生资源发挥最大、最佳的产出效益。目前在药品使用上却存在着“看病难、看病贵”、“天价处方”等现象。为了解决类似问题，通过 AI 仿真技术对药物开发进行成本—效果、成本—效用、成本—效益和效益—风险分析，制定出科学合理的药物评价指南、合理的价格补偿机制、符合实际的药物基本目录和公费医疗用药的报销范围等，结合政府的政策规范和引导，不仅可以实现有限药物资源获得健康程度的最大化，还将引领整个社会医药研发、生产的方向和临床用药的方案、方式等，在全社会形成药物研发、生产和应用的和谐局面，统筹兼顾国家、企业和患者等多方面的利益。

3、构建医疗事故监测与控制系统，实现精准治疗

医疗事故是一个世界性的难题，所谓难，一是指医疗行业的特殊性。构建一个监测评估医疗事故控制系统是制定一个全国通用的治疗每种疾病的标准方法，建立一个能全面控制事故发生的监测网将对医患关系的处理提供一个公平公正的平台。不仅可以避免作为隶属于卫生行政部门的医疗质量管理系统监测的“报喜不报忧”或“行政袒护” 之嫌，也可纠正“监督惰性”。

4、构建健康经济系统工程发展模型应用系统，实现精准管理大健康经济系统工程是用系统工程的方法对国家、部门或地区宏观经济系统进行预测、规划、组织、管理、控制和调节的技术,又称宏观经济系统工程。而经济系统工程的主要技术是建立经济数学模型，对宏观经济系统进行定量分析和实现最优控制。健康经济系统工程从宏观上对健康经济系统实现最优控制或次优控制。它主要应用经济数学模型来分析和研究经济系统的动态过程和结构特性，预测健康经济变量的变化规律，制订健康经济发展规划，提出国民健康经济宏观控制和调节的最优方案。由于 AI 建模和仿真技术的发展，经济数学模型具有越来越重要的作用。借助于电子计算机技术，它不仅可以用来制订宏观大健康经济系统的最优控制方案，而且可以用来协助最优地实现这些控制方案。

5、构建老年病防治模型系统

构建老年病的防治模型已经成为防治老年病的重大领域，采用适当的老年病防治模型对老年健康状况进行合理评估，辅导实行老年病急性照料和长期照料的分层管理将对老年患者战胜疾病和全面康复起积极作用 ,对减少残疾 ,降低死亡率 ,降低住院费用,增加患者和家属的满意度 ,最终提高老年患者的生活质量和延长健康期望寿命起到积极作用。采取 AI 仿真系统既可作为一个简单级别的处理, 也可整个多种多层次级别的综合分析。AI 仿真系统对诸如心脏病某种病情综合分析的科学知识内在联系密切关系的,所以对多种老年病模型确可达到无缝整合的仿真目的, 尤其是积累多方面长时间科学的经验以后,总之通过多种模型的可视化、触觉感知、记录和接口就可实时帮助医务人员诊断及处理病情。

此外，通过 AI 大健康管理系统，可以缩短用户交互路径，减少用户沟通时间；可以提升模型准确率，目前 AI 智能分诊准确率已经达到 90%，最终将逼近 100%的准确率。

二、AI 存在的问题及解决方向

（一）AI 存在的基础理论问题

人工智能中的数学理论没有相应的突破，将会产生的问题：没有完备的数学理论用以支持大数据分析的结果；过渡依赖于经验的总结，而非真正来自内在的数学结构；大量的人力和算力，甚至需要超级计算机的协助；目前大数据分析的结果只适用于特定环境，缺乏迁移性和普适性；缺乏有效的算法，传统的算法直接用到大数据分析中效率不高；深度学习依赖很多大样本，同时可解释性很差，容易受到偏倚的欺骗；同样，AI 在医疗大健康领域还需要深度的技术突破，尤其是病理识别方面，受众多外部和内生因素的作用，相应病理呈高度动态随机，要进行精准识别的难度很大。人命关天，能否通过 AI 来实现手术零风险，有待实践考验。对中医而言，在一个模糊空间中实现精准化，需要相应的理论支撑。这些都亟待多学科协同创新方能解决的相应难题。

（二）解决问题的可能突破方向

当前尚未有对场景的完全把握、数据量的积累和更好的算法，解决这些问题本质上首先需要对相关数学、统计理论进行深入研究，掌握在刻画复杂场景中大数据所对应的数学结构和原理，得出孪生模型。其次，由于计算速度限制，目前人工智能，只能采取多层状结构解决问题。在可见的未来，如果采用累积法，提升量子计算机的功效，让量子人工智能与量子深度学习变成实用工具，则是一种可行的突破方向。

（三）“医疗卫生管理系统工程理论”等前沿医疗理论的建立

除了在核心层的突破外，在 AI 与医学大健康管理方面，有待于构建“医疗卫生管理系统工程理论”、“数理医学”、“统计医学” 和“中医逻辑学”等学科体系的建立。

上图中方锥体底部四个角分别是医药卫生学科（A）、逻辑学科（B）、系统工程学科（C）、数理学科（博弈论、运筹学等）（D）。这四门学科的有机组合就形成了新的学科，比如，数理医学、医药卫生管理系统工程学、医药卫生动力仿真系统理论、中医逻辑学、医药卫生控制理论等。这些新的学科和新的理论体系置于上图的顶部（E）。三维空间的大小就是医药卫生经济学的创新度。在三维空间中，有机的合成必将解决我们实际生活中的相关问题，比如，重大疫情监测控制系统的开发、新药开发与测评系统的软件开发、医疗事故监测与控制系统的软件开发、健康经济系统工程发展模型的建立及软件开发、老年病防治模型的建立及软件开发等。这些组合空间比现有的药物经济学、医药卫生经济学等学科更高、更精、更尖，是金光灿烂的金字塔，必将为我国社会经济的可持续发展做出重大贡献。

三、大健康 AI 管理的技术路径

（一）医疗大数据集成：品牌 e 搜及其应用

1、品牌 e 搜

利用大数据、人工智能、区块链、物联网等技术构建一个基于产品的“企查查”平台品牌e 搜。“品牌 e 搜”由四川品牌中国规划研究中心开发的一款基于商品二维码的移动互联网应用。用户通过手机移动应用程序扫描商品上的二维码，可以查询商品的生产制造信息、规格参数、组成成分、对应标准、以及相对于标准的偏离程度；用户还能对商品进行同类对比、质量评价，既能让消费者参与对品牌的评价，又能对流通领域的商品及品牌进行有效的监督。

2、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（自然语言处理、卷积神经网络技术和算法、机器学习与数据挖掘等）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。

3、AI 大健康管理的仿真系统

AI 在大健康管理中的应用，通常的手段是依托大数据，构建一个仿真系统。其模型如下图：

医药卫生系统仿真的基本思想:

第一步，用生成元和类生成元建立宏观医药卫生系统的模型；

第二步，利用 NetLogo 等软件，给定初始时间和初始值，通过数值迭代算法描述系统的演化行为；

第三步，通过演化方程研究系统的动力学特性、通过修改初始条件、关联关系和干扰得到系统的多种演化结果。

第四步，通过对各种演化结果的评价，选择对策和制定措施。

（二）AI 系统的四个维度

（三）机器学习的过程迭代：AI 迭代过程/《累积法理论》应用

结合《累积法理论》根据 AI 迭代模型，通过数据自我迭代训练模型，优化模型，使模型更适合大健康领域。“累积法”是本人基于1778 年意大利数学家马尔奇西提出的“累加法”概念，而创立的一套参数估计和大数据处理的一套方法体系，经过 30 多年的研究发展成自成体系的方法论。1986 年中国社科院《数量经济技术经济》连载“计量经济学方法论新探”，1999 年《累积法引论》由科学出版社出版，2011 年《累积法理论》由科学出版社出版。被誉为是对参数估计法的重大贡献。由于其具备无偏性等优点，其在大数据处理和AI 应用前景是不言而喻。