如需报告请登录。
疫情期间，医药产业终端场景变革催生格局重构
疫情期间，“医+药+险”全链路在线化模式初步落地
医药产业具有特殊性。由于医药产业中消费方（通常为患者本人）、支付方（以国家医保为主的多层次支付体系）、决策方（通常为医师/药师）三方互异，所以终端消费场景较传统消费领域更为复杂，参与方更多，共同影响终端消费行为。
“互联网+医”及“互联网+药”进一步向“互联网+医+药”发展。早期，“互联网+医”及“互联网+药”的独立发展使得患者出现“诊药分离”现象。年开始，医疗、医药、运力等多方开始联结，以患者就医需求为中心实现功能融合，线上线下逐步融为一体，“互联网+医+药”模式出现。
“医+药+险”全链路在线化模式初步落地。新冠疫情期间，国家为解决以慢病患者为代表的非新冠患者难以及时满足基本就医需求的问题，积极突破“互联网+险”，“医+药+险”全链路在线化模式在诸多省市初步落地。
早期，health-tech未向医药产业渗透时，医药终端消费场景完全受制于物理空间，患者需要在医疗/医药机构内完成就医购药过程。为更好说明场景的演变，我们做出如下定义：
C+：consumer，广义上，代表大健康领域消费者；狭义上，代表有治病需求的患者；
D+：data，广义上，代表实现互联互通的数据化信息；
L+：logistics，广义上，代表2C端的物流体系（按配送性质分为跨区域及同城配送）；
F2F：facetoface，线下的面对面交流场景；
F2S：facetoscreen，广义上，统指在线化场景；
F2S2F：facetoscreentoface，在线化的面对面交流场景。
终端场景发生变革，催生医药产业整体格局重构
医药终端从F2F（face-to-face）到F2S（face-to-screen）的场景变革，使得患者在“医+药+险”全链路在线化中全面实现与医疗/医药机构、医师/药师、处方、医保卡以及药品等的分离，我们认为，这将进一步催生医药产业格局重构：health-tech的渗透、物流体系的联结、各核心要素的终端场景分离使得医药产业格局重构，向平台型发展模式升级。
对患者而言：F2S模式下的自主决策力变强，产品触达范围更广，从药品到非药品，具有无界选择；针对常见病/慢病等复诊情形，还可以实现“足不出户”的就医流程（医保电子凭证的应用使得医保卡可脱卡支付），就医体验感得到明显改善；
对零售与工业而言：F2S模式下，患者行为可追溯，并形成数据画像，有助于精准营销（借助智能推送，产品信息触达消费者的能力变强）、无界触达（借助物流配送，产品销售触达消费者的能力变强），从而使得工业与消费者的距离越来越近。近年来，以阿里、京东等为代表的流量平台突破医药产业各环节的线性关系，以消费者为中心，积极联结大健康领域的产品和服务供应方（诸如品牌工业企业、消费类医疗服务企业、医疗机构及医生等），同时联结流通企业（精简供应链环节）、零售终端（有线上业务开展资质的零售连锁，提供B2C及O2O服务）及配送平台（具B2C及O2O配送资质的平台）等，协同满足消费者的大健康需求。我们认为，随着阿里、京东等流量平台开始深耕大健康产业，未来诸如腾讯、百度、美团、拼多多、抖音、小米等平台优势明显的企业都有可能成为整合医药产业的潜在进入者，并形成入口多样化的医药产业发展格局：诸如电商入口、医院入口、移动支付入口、O2O配送入口、直播入口、物联网入口等，虽然入口有差异，但是消费者均能一定程度满足全生命周期健康需求（取决于各平台所联结的产品与服务等功能是否全面）。
疫后时代，医药产业拉开数字化发展序幕
，重要里程碑；，加速器。我们认为，年4月，国务院办公厅正式发布《关于促进“互联网+医疗健康”发展的意见》，从基调上明确了对“互联网+医疗健康”发展的高度重视，成为行业发展的重要里程碑；年，新冠疫情的发生，成为“互联网+医疗健康”加速发展的拐点，不论从国家频出的政策支持力度而言，还是从全民自行的习惯培养而言，都成为行业发展的加速器。
全面基建时代开始，拉开健康数据时代序幕。我们认为，-年，国内医疗/医药/医保体系将全面进入信息化建设时代，各地医院（平台）的建设、药品信息化追溯体系的落地、全国医保电子凭证的应用等将为“互联网+医疗健康”在全国范围内实现“医+药+险”联动发展打下坚实基础。随着“医+药+险”各环节实现全流程数字化，以及多层次支付体系日益完善，我们认为，年开始，医药产业或将进入健康数据时代，各核心要素实现数据互联互通，国家监管能力实现指数级提升，以消费者为中心的多入口、无边界、个性化、全生命周期健康管理模式有望落地。
信息化基建提速，大健康全域数据网络有望形成，医药产业进入数据时代
“医”端信息化基建提速，医疗大数据中心有望形成
国家统筹，加快建立互联网诊疗服务平台。疫情期间，国家发布《关于在疫情防控中做好互联网诊疗咨询服务工作的通知》，要求各省级卫生健康行政部门统一建立全省的互联网医疗服务监管平台，加强对互联网诊疗服务事前、事中和事后的动态监管，加强医务人员资质、诊疗行为、处方流转、数据安全的监管，保障互联网医疗健康服务规范有序。我们认为，各地医疗机构的信息化建设有望提速，同时随着5G的建设推进，网络稳定性和传输质量将得到明显改善，为远程会诊、远程手术、远程监护等提供基础和安全保障。
医疗大数据中心有望形成，推进AI辅助诊疗。我们认为，省市级互联网医疗服务监管平台的搭建有望实现医疗机构院内院外数据互联互通，使得海量医疗数据得到更为高效灵活的深度挖掘与开发，助力临床科研的开展更为智能化，进而推进AI辅助诊疗的应用。
“药”端信息化基建提速，药品大数据中心有望形成
国家统筹，有望加快相关药品的追溯体系建设进程。年11月，国家药监局发布《关于药品信息化追溯体系建设的指导意见》，致力于搭建覆盖药品生产、流通和使用等环节的追溯系统，统筹各方协同推进“一物一码，物码同追”，实现全品种、全过程追溯。年4月、年8月、年3月，国家药监局陆续发布10项信息化建设要求，通过统一标准推动药品追溯体系建设在全国范围内逐步落地。
药品大数据中心有望形成，加强用药安全保障。作为药品质量安全的责任主体，药品上市许可持有人、生产企业、经营企业、使用单位等均负有追溯义务，需要通过药品追溯系统实现追溯信息存储、交换、互联互通。我们认为，随着各省级及国家级的药品追溯体系建设落地，药品大数据中心有望形成，药品从生产出厂到最终流向患者的各个环节有望实现信息准确、完整、可追溯，在药品安全监管、问题产品召回、药品应急处置等领域均能发挥重要作用，保障公众用药安全。
“险”端信息化基建提速，医保大数据中心有望形成
国家统筹，加快推进全国范围应用医保电子凭证。疫情期间，国家印发《国家医疗保障局办公室关于全面推广应用医保电子凭证的通知》（医保办〔〕10号），要求在年底前，各地实现医保电子凭证在线上就医购药、公共服务查询和个人参保信息查询等场景的应用，要求各地实现30%以上本地参保人激活医保电子凭证，每个地级市主要大型药店和至少1家医院支持使用医保电子凭证。
医保大数据中心有望形成，提升监管能力。此次国家统筹搭建全国医疗保障信息平台，要求各地确保本地区与国家医保核心业务区网络有效联通，按照医保信息平台技术框架要求完成系统运行环境建设，按统一标准采集人员基础数据和参保信息集中清洗后上报。我们认为，随着各地医疗/医药机构遵循医疗保障信息平台相关业务和技术标准规范与医保信息系统实现对接后，全民医保大数据中心有望形成，助力监管层实时管控医保账户。
“医+药+险”全链路在线化实现场景击穿，推进医药产业进入健康数据时代
“医+药+险”全链路在线化普及，助力监管能力指数级提升。我们认为，全国范围内医疗/医药/医保体系信息化基建的推进有助于常见病/慢病复诊等领域“医+药+险”全链路在线化普及，省市级互联网医疗服务监管平台集“服务+监管”功能二位一体，医疗机构通过处方流转平台与医药机构实现数据互联互通，实现诊疗、处方、交易、配送全程可追溯，信息流、资金流、物流全程可监控，助力监管能力指数级提升。
大健康全域数据网络有望形成，医药产业进入健康数据时代。我们认为，“互联网+医疗健康”的发展会进一步引入物联网、区块链等技术，保证电子处方的唯一性、药品追溯码的唯一性、医保电子凭证的唯一性，以及通过“医+药+险”全链路在线化，实现人、处方、药品、医保等数据在同一网络中集成，全面实现医药产业数据互联，大健康全域数据网络有望形成。其中，电子处方将患者、检验师（及所在医疗机构）、医师（及所在医疗机构）、药师（及所在医药机构）、药品完整追溯信息等诸多数据一一对应。
数据资产“积累+运营”二位一体，成为新时代的企业核心竞争力
当医药产业进入健康数据时代，药品数据化（一物一码，从工厂到流通到终端全流程可追溯）、运营数据化（生产、营销、物流、销售等环节实现数据驱动决策）、就医购药行为数据化（问诊、搜索、浏览、交易等行为均被数据化留存）等将产生海量数据资产，我们认为，不论是来自于C端的数据资产，还是来自于B端的数据资产，都具挖掘价值。
以C端为中心的数据资产，在诸多领域均体现重要价值
基于消费者是医药产业最核心要素，以C端为中心的数据资产体现消费者画像的颗粒感，是实现“千人千面”全生命周期健康管理体系搭建的根基。我们认为，对医药产业而言，充分运营C端数据，在精准研发、精准营销、个性化健康管理、临床疾病研究、医保控费等领域，均体现重要价值，进而为挖掘数据服务的盈利点提供可能性。
研发领域：改进临床试验设计、缩短药物研发周期、降低药物研发成本；
营销/销售：基于消费者数据画像，深入挖掘健康需求，实现精准营销/销售；
科研领域：挖掘海量医疗数据提升临床科研能力，推进AI辅助技术，助力基层医疗，优化医疗资源配置；基于时间序列、不同属地、不同人群等实现疾病的动态分析，加强疾病预测、流行病研究等；
监管部门：对各地医保实时监管，高效合理统筹医保资金使用。
医药产业新时代，数据资产“积累+运营”能力将成为企业核心竞争力
我们认为，从企业角度而言，未来数据资产“积累+运营”能力或将成为核心竞争力：一方面积累与运营C端数据，深入挖掘消费者的健康需求，通过精准营销为消费者提供更精准的产品与服务并积极促成销售，提升变现能力；一方面积累与运营B端数据，基于实时反馈数据进行动态决策，而决策后带动的数据更新将继续形成反馈机制，不断循环，帮助企业优化运营效率，实现智能化的工业制造、仓储管理、销售决策等，降本增效。
Health-tech不断渗透，多场景赋能医药产业
医疗领域：医疗科技贯穿“诊前-诊中-诊后”全流程
问诊环节：语音识别、人机对话（智能导诊/预问诊）
语音病例：提升工作效率，但系统仍有一定优化空间
手工病历录入中有着诸多痛点：1）病历录入耗时过长，根据丁香园调查，50%以上的住院医生每天用于写病历的平均时间达4小时以上，其中一部分甚至超过7小时；据美国医学会（AMA）统计，医生职业生涯约15~20%的时间用在病历书写等文档工作上，而正在接受训练的医生（如住院医师）所耗费的时间更是高达30%。2）由于需要使用器材进行诊断，绝大部分医生无法立刻记录病人情况，事后补记往往会遗忘一些信息，影响后续治疗。3）病例录入工作过于繁琐，部分医生无法拿出大量时间进行详细病历记录，过于医院和研究机构进行病案的回溯性研究。
通过AI算法及硬件的辅助，语音识别到文字转换可以在很短的时间内完成，在保证识别率的前提下，大大减少了医生的工作负担，也保证了病人档案的完备性和更新的实时性。
语音识别系统一般通过以下环节实现声波信号到文本的转换：预处理环节、提取声学特征环节和确定用词环节。首先，在预处理阶段通过传统的算法降低声波信号的噪声干扰，并将整段声音分割成毫秒级别长度的音频帧。其次，针对每一段音频帧提取声学特征，用一个多维向量表示每一帧波形。最后确定用词环节中，根据特征向量，通过循环神经网络模型（RNN）将音频帧识别成状态1，进而将状态组合成音素2，音素组合成单词，最终确定声音信号表达的语句文本。
美国语音病历系统借助电子病例建设政策东风推进。年美国政府推出激励计划和惩罚措施大力推进全国范围的病历电子化，大力推进语音电子病历系统。目前，其医疗语音解决方案在美国医疗机构中的覆盖率高达72%，其客户分布在全球30余个国家和地区，已经有50万名临床医师和1万台医疗设备采用其医疗语音解决方案。但是从近几年公司年报来看，该公司持续亏损，主要由于Nuance核心语音识别技术较为落后，其他智能语音市场被Google、苹果微软等科技巨头蚕食。
国内语音电子病历系统处于起步阶段，市场前景广阔。语音电子病医院信息化系统基础上，医院信息化系统渗透率较低；另一方面，基于中文的语音识别技术起步较晚，所以目前该系医院，还未推广普及。对标美国医疗系统的渗透率，国内语音电子病历系统市场前景广阔。
医疗机构间相互独立性强，系统落地过程中拓展市场是关键，数据集仍有待优化。国内医疗机构之间业务方面联系较少，在信息化方面，医院间信息共享和传播的信息化阶段非常遥远，所以语音病历系统在落地的过程中，医院建立单点联系，这对于企业的市场拓展是一重阻碍，所以我们认为有医疗机构渠道优势的企业会较早实现系统落地。此外，由于现今语音识别到文字转换这一环节正确率已有一定程度保证，如何将直白的语言转换为医疗用结构化数据将是关键。我们认为，转换的效率和效果均与训练数据集有关，若医疗数据的获取更加顺利，真正语音病历的全面落地速度会变得更快。
医疗咨询
导诊与预问诊是指在用户有轻微症状或有分诊需求的时候，通过与系统的交互得到一个较为宽泛的诊断信息，辅助用户在相应医院分诊台工作人员为患者提供分诊服务。通过智能的人机对话，医疗机构可以使精确导诊服务前置于挂号和就诊前，提高医疗服务效率，改善患者的就医体验。智能导诊帮助解决了三类问题：1）根据症状诊断疾病；2）根据疾病导诊科室；3）直接挂号最匹配的科室大夫。相比人工导诊，智能导诊不仅可以全天24小时在线，而且可以匹配医生，精确度更为提高，提高医患双方的效率和体验。
在AI技术的助力下，移动问诊向辅助诊疗方向不断发展。移动问诊为就医过程中带来更好的就医体验更多的是渠道拓展，让患者有较为便利的渠道与医生进行有效沟通。而未来，在AI技术的推进下，移动问诊从“互联网+”形态转变为“AI+”形态，不仅是在渠道上，更是在医疗服务上为用户带来更好的就医体验。目前，人工智能技术在辅助诊疗上不断进行尝试与突破，年6月21日，腾讯发布首个AI医学辅助诊疗开放平台，除年发布的AI影像诊断“腾讯觅影”以外，通过模拟医生的学习经历，运用自然语言处理技术分析学习医学文献、病历等信息，构建诊疗的知识图谱，最终通过病历检索和知识图谱推理建立诊断模型。医院门诊90%的高频诊断疾病在内可以预测多种疾病。技术的发展拓展了移动医疗的边界。
平安好医生是“互联网+”时代移动问诊领域跑出的领军企业，目前正尝试AI技术赋能。以平安好医生为例，平安好医生APP是“互联网+”时代发展起来的C端移动问诊服务应用，由平安健康（平安集团旗下的全资子公司）推出，年5月已于港交所上市。在过去几年的发展中，平安好医生服务了上亿用户，积累海量信息化的问诊、处方、用药等医疗大数据，为其应用AI技术打下了坚实的基础。目前平安好医生已经开始从部分疾病入手，建立智能问诊系统。
除由移动互联网时代发展至今的参与者以外，在该领域也有许多以人工智能技术起家的新进入者。以大数医达为例，运用自然语言处理技术替代专业医生与用户进行交互，将用户描述的不适症状与已有的知识进行匹配，反馈给用户一个诊断结果，在不同的应用中，这一结果可以是诊断可能患的疾病，医院就医的建议信息，医院，应挂号科室等。
但目前导诊和预问诊服务产品的AI技术应用处于较为早期的阶段。在大量的产品中，并未用自然语言文本或语音的方式进行沟通，而是以回答“选择题”的形式进行交互。主要原因有以下两个方面：从技术的角度来看，语义识别技术本身还不成熟，结合大量医学文献进行诊断分析建立知识图谱的技术需要进一步发展，才能得到更加准确的症状描述和诊断结果的匹配；从用户使用的角度来看，医学文献和医生记录的病历在疾病症状描述时有很强的专业性，用户描述症状的口语化表达方式和专业表述之间的差异更增加了语义理解结果准确性的难度，降低了导诊和医疗咨询服务的准确性。
诊断环节：影像诊断、脑机接口、远程会诊、胶囊机器人
影像诊断：AI技术应用效果显著，数据仍是痛点
我国医疗影像行业存在信息化建设程度低、误诊率高、医生严重缺乏等问题亟待解决。据CHIMA统计，年医院PACS系统的渗透率不超过50%，正处于从胶片影像向电子影像过度的阶段，医院（除小诊所外）信息系统已达到%覆盖，医院间共享。另据中国医学学会统计，中国临床医疗中每年的误诊人数约为5,万人，总误诊率为27.8%，其中恶性肿瘤平均误诊率为40%，器官异位误诊率为60%，而这些误诊主要发生在基层医疗机构。据互联网医疗健康产业联盟统计，医学影像数据年增长率为63%，而一名专业医生培养周期长达7~12年，放射科医生数量年增长率仅为2%，远低于影像数据的增长，存在较大的缺口。
AI影像诊断从不同病种的应用场景切入，有望解决医疗影像行业痛点。AI图像诊断目前已在肺部结节检测、糖尿病眼底镜筛查、乳腺癌病灶检测等疾病的辅助诊断中取得显著效果。以腾讯公司研发的“觅影”为例，在一项人机对比实验（对50例病人进行判断）中其敏感度和特异度（96%和88%）均超过了普通医生的平均水平（77%和81%），并已接近优秀医生的水平，而且其仅需十几秒的时间进行判断，要远远快于医生。我们预计，未来类似系统在辅助诊断中的应用能够有效提升医生阅片效率、降低漏检的概率。
例如，在肺部影像识别环节中，我们可以通过已有结节标注信息（需要影像科专家进行训练数据的标注）生成的肺部结节图像，训练基于卷积神经网络的肺结节分割模型，再用于未标注影像数据上肺部季节病灶的推断。推断过程使用常见的图像分类算法，如卷积神经网络(CNN)或针对该场景调整过的网络模型等，进行分类，最终可以得到疑似肺结节是否为真正肺结节的概率。
此外，肺部结节的判断容易和其他血管横切面影像混淆，通过AI算法可以训练得到更好的分类模型，提取出更容易分辨的图像特征。在医生肉眼判断时容易遗漏的较小结节方面，可以有效地降低漏检率并提高医生的判断效率。
AI的优势仍受制于标记数据的有效性。如上所述，以卷积神经网络（CNN）为基础的网络结构在图像识别上取得了不错的效果，但这基于深度学习模型在大量数据的输入后进行的训练。医疗影像识别中起作用的是“标记数据”，需要资深医生长期的经验与完备的思考才能获得。与已经实现不依靠人类棋谱学习的“AlphaZero”截然不同，AI医疗暂时不能去像学习围棋规则一般，来抛开人类直接获得医学影像识别能力的提高。因此，我们认为，AI将与人类在医学影像识别中一同进步，大多时间AI会承担辅助诊疗的任务。
医疗影像产业链上下游融合，市场参与者众多。医疗影像市场参与者可以分为以下三类：医疗影像设备商，通过AI技术使医疗影像设备更加智能化；科技巨头，如IBM、Google、BAT等，整合多种疾病检测算法，在AI+医疗领域全面布局；初创企业，专注于某类或某几类疾病的AI辅助诊疗（如放射科的肿瘤检测、心血管影像检测等），部分公司的产品已经商业化阶段。
技术核心算法同质化明显，影像数据的质量和可及性具有更高的壁垒。根据世界权威公开医学图像数据集Grand-Challenge测试结果，在CT影像肺部结节检测数据集的测试结果中，排名前十的算法均采用3D-RCNN神经网络结构作为主要识别算法的网络结构框架，仅在部分网络模型参数设置上有调整和改变，可以认为在该细分领域已经有较为统一的算法流程，包括肺部区域提取、疑似肺结节分割、疑似肺结节分类。并且随着AI图像技术的进步，算法结构的技术壁垒在持续下降。
此外，同一算法在不同数据集鲁棒性3较差，医院间数据的差异可能导致识别率差别较大。年阿里举办了“天池医疗AI大赛”，参赛队伍在初赛和复赛两套数据集上进行肺部结节检测，对比比赛结果的公开信息，在数据集质量和真值的标注标准一致，各参赛团队技术水平恒定的情况下，不同数据集识别率差异较大，在实际应用中，需考虑医院间数据差异。
AI影像辅助诊疗刚刚起步，未来发展空间广阔。现阶段AI在食道癌、乳腺癌，肺部结节等疾病的诊断结果显著，主要是由于这类疾病在影像上病灶点特征明显，人类医生进行诊断时也主要依靠CT、DR等影像。而在病情较为复杂时，需要综合病人其他检查报告和多种指征数据进行分析，此时要用到AI领域其他技术如自然语言处理等，在这一领域还处于刚刚起步的阶段，未来发展空间广阔。
在新冠肺炎疫情中，依图在上海市公共卫生临床中心指导下，推出了基于CT影像的“新冠肺炎智能评价系统”。该系统依托依图强大的图像算法，可以根据CT影像，进行新冠肺炎快速诊断和严重程度分级，为医生提供更加高效准确的决策依据。此外，各大科研机构也在积极运用AI技术进行病毒基因测序、抗病毒药物研发等工作。
脑机接口
脑机接口（Brain-ComputerInterfaces，BCI）是指在人或动物脑与外部设备间建立的用于信息交换的连接通路，其内容涉及认知科学、神经工程、神经科学等多个领域。脑机接口按照信息采集的方式，可以分为侵入式、半侵入式和非侵入式，其中侵入式获取的信号质量最高，但也最容易引起免疫反应和愈伤组织，而非侵入式的信号分辨率则较差。
脑机接口的基本原理是通过传感器采集脑部的神经信号（如皮层脑电图ECoG和脑电图EGG），并进一步进行信号处理、分析和特征提取，随后对分析得到的信息进行再编码，并实现对机械的控制。此外，脑机接口也尝试获得环境的反馈信息并作用于大脑，但实现这一步其实非常复杂，因为反馈给大脑的信号很可能无法兼容。
脑机接口作为医疗器械主要有两方面的应用，分别是强化和恢复，目前仍处于研究状态。强化主要是指将芯片植入大脑，以增强记忆、推动人脑和计算设备的直接连接，Neuralink和Kernel针对的就是这一方向。而恢复则是指针对多动症、中风、癫痫等疾病所对应的恢复训练，BrainGate等公司则正在进行这一方面的研究。但目前脑机接口仍处于研究阶段，仍需许多技术积累。
远程会诊
3G、4G时代中，远程会诊已经可以通过文字、图片以及较低清晰度的视频来实现。但图像的清晰度、传输的实时性和稳定性对远程医疗的准确性和效率有着较大的影响。5G技术将使得实时稳定的高清视频远程会诊成为现实。
胶囊机器人：胶囊机器人+自动诊断系统可能过采集到的图像自动判断病人可能出现的问题，为医生诊断提供参考意见。搭配云端的自动诊断系统，可实现异地诊断，多地诊断。
治疗环节：远程手术、手术机器人
远程手术
手术对于视频的成像质量和画面传输的实时性和稳定性具有较为严苛的要求，5G技术的大带宽、超高可靠低时延特性，使得远程手术成为可能。年12月18日，在华为、联通福建省分公司、福建医院、苏州康多机器人等机构的支持下，北京医院肝胆胰肿瘤外科主任刘荣主刀实施了世界首例5G远程外科手术动物实验，距离跨越50公里，全程约60分钟。
外科手术机器人
目前广泛采用的手术机器人包括持物臂式机器人、导航机器人和主从式机器人。
持物臂式机器人：主要帮助手术时举托盘、清洗等工作。
主从机器人：为外科医生远程手术、离台手术提供技术支持
达芬奇机器人手术系统，就是一种主从式机器人系统，可帮助医生在未来实现离台手术，甚至远程手术，让医生可以坐着手术，减少因为疲劳、失神造成的医疗事故。
预防、康养等环节：可穿戴设备、康复机器人
可穿戴设备实现高频率健康检测，可收集的医学信息趋于丰富
智能手表：健康监测手段进一步拓展。在今年的CES上，我们看到智能手表新增了心率监测等健康识别功能，Amazfit能够达到实时心率监测及异常心率提示等功能，智能手表的健康监测手段进一步扩展。
TWS耳机：已有产品具备心跳监测功能，未来健康相关功能将继续丰富。在今年CES大会上，华米科技发布了带有心率检测的TWS耳机，AmazfitPowerbuds。该产品采用PPG心率传感器，能够检测用户心率并反馈健康状态。我们认为，未来TWS耳机的健康检测功能将逐步丰富，并且在更多产品上普及。
肢体运动康复机器人：目前的康复机器人主要是上肢的康复机器人，以及下肢的外骨骼机器人。
医药领域：药物研发、药品追溯
药物研发
机器学习技术的应用有助于降低药物研发成本。目前药物发现早期阶段中的虚拟筛选方法称为“高通量筛选”，这一方法非常容易受到FDR4的影响。我们预计，随着人工智能和机器学习等新技术的不断进步，有望在新药研发的过程中显著地降低失败风险。据Turfs的研究报告显示，一款成功上市的新药平均花费为25.85亿美元，其中包括13.95亿美元的直接投入成本。从化合物筛选到临床测试，一种新药的研发需要经历大量试验，充分利用早期药物开发的经验和仿真技术能够极大的减少试错成本、缩短研发周期。
目前海外已出现了利用AI来提高药物研发效率的初创公司。例如Atomwise就利用AI来模拟药品的研发过程，进行早期风险评估，为制药公司提供候选药物预测服务。而另一家数据驱动型的生物研究公司BergHealth则利用机器学习的方法寻找癌细胞上的特异靶点，并针对性的开发药物。目前BergHealth已经有两个在研药物，其中BPM已经进入到临床二期（适用于局部鳞状细胞癌），BPM则正在进行临床一期试验。
药品溯源
屡禁不止的假药和假疫苗是生命健康的重要威胁，而随着互联网药房的兴起，医药的监管难度进一步加大。我们看到传统的药品溯源中的痛点有：
中心化存储下的造假机会：药品的生产流通涉及到原材料、生产、检测、运输、医院或药房等多个环节，对于监管方和终端消费者来说，供应链中各个环节均采用了中心化存储数据的方式，传统的
转载请注明：http://www.0431gb208.com/sjszjzl/1231.html
