纪要涉及的行业 医疗行业、AI诊断产品行业 纪要提到的核心观点和论据 数据来源渠道 - 无论国内外，数据来源渠道主要有五类：专业医疗机构（医院、诊所、体检中心），有全面临床和检验数据[1]；科研机构（医院医学院、科研院所研究院），因科研课题有更全面数据[1][2]；医疗器械医药公司，通过设备采集和合作协议获取数据使用权限[2]；政府卫生部门（疾控中心、医保、卫健委等），通过民生项目获取特定数据[2]；个体健康管理、医保、商保，在服务过程中积累部分数据[2] 数据所属权、开发权及监管 - 数据所属权在患者，机构有使用权且划分不同；数据商业开发需明确授权，全球对医疗数据使用多方监管，法律法规要求多且不断变化，如美国有HIPAA法案[3] 数据积累使用的难点 - 法律合规性：国内数据采集、保存和使用有明确法规，但采集手段方法管理存在漏洞，法律主要管理采集对象个人信息，未涉及采集方法手段明细保护[4] - 标准化：不同来源数据格式和标准不同，增加应用方数据加工和管理成本[5] - 数据质量：不同阶段机构获取数据情况不同，医院数据最全面，但转型AI提升服务质量需做更多工作[5][6] 数据获取建议 - 可采用联盟模式，也可通过扩大业务、产品服务范围主动积累数据；已有企业在数据交易、数据资产入表政策指导下，在数据交易所挂牌数据，但效果和获取程度暂无公开数据[6][7] 后发优势观点 - 认为在AI面前数据类似想法，后发者更具优势，如OpenAI、阿里等能快速做好基于原有大模型流出的数据，后用这些资源的人优势更大[7][8] 中外数据对比 - 中国三甲医院对应众多黑死系统工程商，数据难打通，用AI学习需做更多工作[9] 高质量数据标准 - 数据结构化需关注数据决定医疗健康服务完善性、完整性、标准化程度（术语、编码标准，各行业机构系统形成同一标准）、时效性；不同机构业务目标不同，关注数据点和标准不同，如医院关注完整性和临床价值，体检中心标准化程度高，ICIO缺少临床数据[10][11][12] AI诊断产品分类及壁垒 - 影像类：最早应用，壁垒是需要大量标注数据，应用意义是提高诊断效率、减少漏诊误诊、加速标准化诊断流程并下沉[17][18][19] - 临床诊断检验类：包括生化基因检测、病原菌感染检测、遗传病识别等，壁垒在于生物信息学科发展时间短，需关注实效性[18][21][22] - 健康风险预测类：壁垒是能否长期获取跟踪数据、构建特定疾病预测模型，如预测阿尔茨海默病准确率可达80%多[18][22] AI诊断产品商业化模式 - 赋能型模式：作为现有产品增值功能，如提升病原检测时效性；独立产品模式：将AI能力作为独立产品，但目前海外尝试不太成功，短期以赋能型产品为主，中期会有独立产品增加，长期会形成独立AI诊断产品生态[24][25] AI诊断产品商业化路径 - 捆绑模式：最主流，但会被淘汰 - SaaS订阅模式：中短期会成主流，需提升付费意愿，增加服务 - 用量合作共建模式：定价机制复杂，客群有限，但对医疗机构和终端用户稳定 - 收费需有证，院内收费要过医保流程，医保审批周期长且复杂，需各方利益达成一致；买单方主要有医保、个人用户、商业保险公司和企业，医保买单技术会快速发展，2C产品和健康管理领域是重点方向[26][27][28][30][33][34] 其他重要但是可能被忽略的内容 - 医院约70%多的诊疗过程经过AI，但结果暂无更多数据[13] - ICIO做AI引用最好从特定检测项目切入，技术选型更需关注医学知识和专业领域深度挖掘[14][15]