平安健康資深副總裁兼首席技術官賀立權
9 月 11 日 -14 日，由钛媒體與 ITValue 共同主辦的 2024 ITValue Summit 數字價值年會在三亞舉行。此次峰會主題爲 "Ready For AI"，交流經驗教訓，交叉行業思考，推動創新交易，以創新場景爲基礎，共同探索 AI 驅動下數字經濟時代的全新機遇，共同打造一場數字經濟時代的 AI 創新探索盛宴。
大會上，平安健康資深副總裁兼首席技術官以 " 醫「芯」守護，智享健康 " 爲主題進行了分享。自 2014 年平安健康成立至今，始終對新技術保持敏感，持續建設、探索和提升醫療 AI 技術及應用，技術賦能業務發展也經曆了三個階段。
賀立權介紹稱，1.0 階段是規則引擎來做奠基，彼時利用 CDSS 系統解決方案，實現了診療标準化，2.0 階段是借助深度推理實現飛躍，基于推理和神經網絡技術，進一步提升了疾病診療覆蓋率，3.0 階段基于大模型技術打造的多模态醫療大模型 " 平安醫博通 " 全面賦能業務場景。
在醫療 AI 技術的賦能下，公司戰略業務付費用戶數超 1770 萬，家醫會員權益用戶數超 1400 萬，年人均使用頻次超 4 次，主動服務覆蓋率達 100%。
而從平安健康整體發展而言，從成立到上市再到實現盈利，公司在醫療健康領域創業 10 年，也在 AI 路上走了 10 年。
目前，平安健康左手是巨量有醫療健康服務需求的金融和企業客戶，右手通過标準化流程和質控體系整合管理大量服務商，中間通過家庭醫生和養老管家串聯，最終在平安集團 " 綜合金融 + 醫療養老 " 戰略引導下，目标是打造中國版管理式醫療模式樣本。
在這一模式之下，平安健康要爲龐大客群提供優質的 " 三到 " 服務，即到線服務、到店服務、到家 / 企業服務，單純依靠人力難以實現，平台大力投入數字化技術研發和應用，以期通過醫療 AI 輔助，實現戰略願景。
以下爲平安健康CTO賀立權演講内容，經钛媒體整理：
大家下午好，我所從事的是嚴格監管的醫療健康行業，平安健康作爲真正在醫療健康領域内創業 10 年的公司，在 AI 這條路上也走了 10 年，過程有痛苦，也有快樂。
我今天的分享希望回答三個直擊靈魂的問題——爲什麽要做？應該怎麽做？做成以後效果怎麽樣？
平安健康躬身入局，打造中國版管理式醫療
平安健康是平安集團旗下 30 多家子公司中的一家，專注于醫療健康。公司成立于 2014 年，第一階段花 4 年時間完成了港股上市，期間，我們招募了自有醫生。當時線上問診的醫生大多數是兼職，回複不及時、不标準的情況很多，我們要解決這個問題。
2018 年至 2022 年，我們内部也在反思和計算，專注于 C 端的業務模式帶來了很多客戶，但是可能花費二、三十年的時間，商業價值也難以兌現。在這 4 年的時間，我們完成了戰略轉型，轉向 B 端。
過去兩年時間是我們企業經營的第三個階段，今年年中，公司盈利上岸。
我們的戰略不斷深化，具體來看，平安集團在最初入局醫療領域時布局了 10 多家公司，最終要實現 " 綜合金融 + 醫療養老 " 的醫療養老生态圈。
平安健康的左手是巨量有醫療健康服務需求的金融和企業客戶，右手通過标準化流程和質控體系整合管理大量服務商，中間通過家庭醫生和養老管家串聯，最終在集團戰略引導下，打造中國版管理式醫療模式，爲龐大客群提供優質的 " 三到 " 服務，即到線服務、到店服務、到家 / 企業服務。
完成業務搭建和資源串聯之後，我們在深入思考如何實現的問題。
嚴肅醫療場景下的AI探索三階段
平安集團有非常龐大的用戶群，包括 2.3 億 + 個人用戶、5.6 萬 + 企業客戶，平安健康也有 1770 萬 + 戰略付費客戶，同時在過去 10 年還積累整合了數十萬家服務機構資源，包括醫院、體檢機構、診所、藥店、細胞存儲等等。怎麽做到這如此大規模的客戶都享受到優質的 " 三到 " 服務，單純依靠人力難以實現，所以投入 AI 技術，通過醫療 AI 輔助，實現戰略願景。
通過 AI 賦能，平安健康解決了醫療質量、醫療安全與醫療效率的三角困境。
在醫療健康領域，質量和安全永遠是第一位，我們對涉及質量和安全問題的态度是 " 一票否決 "，之後才講效率。在這樣的基調之上，我們用整整 10 年時間走完了三個階段。
1.0 階段是規則引擎來做奠基，彼時利用 CDSS 系統解決方案，平安健康整理了平台上 80% 的疾病數據，以及國家甚至國際臨床指南、經典案例，再将這兩部分數據灌入系統，形成了大約 3000 多條種常見病知識庫、1100 多條中西醫專家診療路徑、超過 30000 個臨床決策樹，實現了診療标準化，覆蓋度超過 80%、好評率超過 98%、跑通率超過 94%。
但是受制于技術能力，二叉樹規則引擎之下，新的問題産生，如果有未錄入的新疾病或診斷問題進入，會無法解決。整個平台的技術發展也進入了第二階段。
2.0 階段是借助深度推理實現飛躍，基于推理和神經網絡技術，我們通過灌注積累的問診語料，形成了 5 大醫療知識庫。當時，平台會給醫生派發任務，即每天需要從當日問診量中挑選 50 條或 100 條問診語料做标注，再交由 AI 去深度學習，我們的神經網絡也就此形成。通過這個階段，我們的覆蓋度提升至 85% 以上，精度超過 90%，覆蓋量達到 14 億 +。
其中最重要的是，我們将平台積累的所有咨詢、問診的脫敏數據跑了一遍，發現有些真實問題沒法解決，比如有女性用戶提問 " 吃了西瓜會不會影響懷孕？" 神經網絡對這個問題束手無策。平台技術開始進入第三階段。
3.0 階段基于大模型技術的多模态醫療大模型全面革新了業務。基于此前形成的 5 大醫療庫，在平安集團賦能之下做了多模态醫療大模型 " 平安醫博通 "，又在這一大模型上做了 " 外挂 "，将業務流程細化切分，做對應的小模型，最終形成了 12 個業務模型群，賦能真實的業務場景。在安全倫理方面，進一步深化出 10 道安全防線，确保模型安全合規。
5 大醫療庫在國内來說比較領先，覆蓋了 3.7 萬種疾病、42 萬條疾病術語、22 萬 + 種藥品、50 萬醫院資源、14 億 + 次的問診數據，等等。
這個庫的一個重要意義在于，我們看到的是數據庫，但這背後鏈接的是服務。比如在心理咨詢項目中，咨詢過程如果出現相關的心理方面問題，我們會建議與專業心理咨詢師進一步線上溝通，甚至告訴用戶線下幾公裏範圍内就有執業信息咨詢師。這就是我們的服務庫和多模态大模型的聯動。
醫療AI大模型"平安醫博通"賦能提效全流程服務
在平安醫博通多模态醫療大模型中，我們的第一層是切分業務流程，包括咨詢、診斷、診療、服務，在這之下還有 L2、L3、L4 層，每一層都有一個外挂小模型，包括咨詢、解讀、診斷、情緒監控等等。
在平安集團乃至整個保險行業，涉及保費核算體檢報告都十分重要。我們以體檢報告解讀來舉例，在平安集團相關的 3000 多家體檢機構中，平安健康覆蓋了 98% 以上，面對千萬份的體檢報告，我們能做到準确識别國家衛健委标準生産的 936 項體檢指标數據，通過識别和組合，得出相關疾病趨勢，還能進一步生成超過 2000 多套健康管理方案。
第二個例子是平安健康平台的自動健康檔案。作爲平台，我們希望用戶能夠留存，我們有體檢報告，另外還要依靠建立健康檔案。用戶可以将其他平台或機構的咨詢問診記錄和醫療文書拍照上傳，大模型來識别整理，我們對醫療文書的識别率在 90% 以上，剩下的 10% 交由平台後方的專業團隊做校對。最終我們能夠實現三分鍾内給出準确、完整的解讀結果，爲用戶提供個性化個人趨勢分析。以此爲基礎依據，爲用戶匹配醫療健康方案或者保險方案。
針對非常龐大的慢性病患者，也更方便通過生活方式的幹預，結合醫療手段來實現疾病閉環管理。尤其在血糖異常領域，可以添加 AI 定時打卡提醒，由 AI 來評估飲食結構和具體的攝入量。平安健康與國家慢病中心合作，已經管理了大約 150 萬糖尿病患者。
質控方面，我們平台上 14+ 億次問診，通過 AI 完成了全面的在線問診質控，重症鎖屏識别标簽超過 5 萬條，AI 自動生成的電子病曆，經人工檢驗，甲級率達到 99.8%，而國家的要求是 90% 以上，用藥處方質控方面合規準确率達到 100%。AI 發揮了重要作用，切實保障醫療服務質量。
效率提升方面，AI 介入後，業務切片化，基本能夠做到 90% 多的精度，節約很多醫生的時間，可以讓他們專注于做診斷，同時實時提供醫學知識輔助，以平安家醫爲例，目前已實現助力家醫服務效能提升約 30%。
我們有這樣的機會，是因爲我們有非常豐富的場景，同時也正好具備能力來實現，并且目前來看，我們的醫博通大模型效果也不錯。但是，距離達到真正的臨床級别，還是有很長的路要走。
結合我自己做醫療 AI 多年的經曆，第一，我想在此發出倡議，悲觀的人可能正确，但是樂觀的人永遠前行，我建議各個行業的從業者都躬身入局去試一試，不要在岸上看，因爲 AI 技術背後的一些風險就作罷，要找具體的場景去嘗試；第二，我們技術出身的人也要改變觀點，要考慮技術能否生産價值，這是活下去的前提；第三，大模型一定有前景，行業的大模型一定會最先跑出來并跑通商業模式，找一些不容易被替代、相對複雜的場景，就會非常有機會。
謝謝大家。
（本文首發于钛媒體 App）
