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。
文 | su小吱
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，我们感觉到了非常自豪，因为我们确实解决了用户的问题，但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，今天其实并不准备展开来讲众包的过程，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。我们今天要讲其实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，也是说我们觉得人工智能或者技术能够做得比较好的两个地方。
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！
推荐阅读
点击下方图片即可阅读
