医疗行业的数据共享一直难以实现，因为数据拥有方始终存在对数据隐私性和数据安全性的顾虑，导致其无法放心顺畅地共享数据，也就无法发挥数据丰富的价值。
隐私安全计算由于能够在保证数据隐私安全的基础上，将数据的所有权和使用权分开，使数据“可用而不可见”，因此能够在医疗领域的数据共享方面发挥价值。随着数据共享的需求增加，隐私安全计算技术的应用价值日益凸显。
隐私安全计算助力区域内电子病历学习，优化诊疗模型
隐私安全计算是一系列加密计算技术的统称，如多方安全计算、联邦学习、安全沙箱计算、同态加密等，作用是确保在数据计算过程中原始数据和中间计算结果不被泄露。
在多个互不信任的参与方进行数据共享或协同计算时，隐私安全计算可以实现在各参与方的本地数据库或安全沙箱内完成数据提取、计算后，将最终计算结果分享给各参与方，同时保证每个参与方不能获取其他参与方的原始数据。
由于让数据“可用不可见”，隐私安全计算可以在多个参与方数据合作的场景中发挥重要作用，在医疗行业里最典型的应用之一是可以实现跨医院甚至跨区域的电子病历学习。
以往的电子病历学习多是基于书本知识，训练得到的诊疗模型临床使用率不高。基于隐私安全计算，医院可以共享同区域内高水平医院的数据价值，在不获取对方原始数据的基础上对高质量病历进行计算和学习，最终获得高质量的诊疗模型。
通过区域内高质量电子病历学习训练得到的模型，充分考虑了区域人口和环境的特征，避免照搬照用，相比通过固定的书本知识得到的诊疗规则更适合本区域医院临床使用。正如翼方健数医疗及生物信息事业部总经理李苇刚所言，“书本知识加上诊疗模型所构建的临床知识图谱，是判断诊疗合理性的核心，也是临床决策支持产品真正的竞争力所在”。
经最小单元确权和沙箱计算的数据可用于多个场景
翼方健数成立于2015年，一直致力于医疗大数据和医疗人工智能方面的技术研究，以隐私安全计算为核心，搭建原始数据和数据价值间的桥梁。
翼方健数的整体解决方案包括两个部分，底层的数据安全平台（XDP）和上层的人工智能应用平台。
数据安全平台的工作流程为数据接入、数据治理、数据确权、数据授权使用、数据计算、数据价值输出，其中数据确权，数据授权使用和数据价值输出是其核心。
以往的数据确权覆盖范围较大，多以医院或区域为单位，只要进入数据库，便可获取和使用所有数据，数据安全隐患非常高。翼方健数的数据安全平台最大的特点是对每一个数据最小可用单元进行确权，数据需求方通过获得密钥的方式在安全沙箱内使用经授权的镜像数据，实现数据的安全使用。同时，在沙箱内完成计算，用后即毁，仅输出计算结果，以此保证原始数据和应用算法的绝对安全。
在数据安全平台之上，翼方健数搭建了应用平台，可以进行应用产品的开发。针对不同系统的原始数据，数据安全平台可输出对应的数据价值，基于这些数据价值，翼方健数提供的应用产品分为四个系列，分别是诊疗合理性应用、科研应用、保险风控应用和人工智能应用。
其中，诊疗合理性应用主要是通过大量的病历学习训练合理的诊疗模型，再把模型运用到日常工作中帮助医生做临床决策辅助和病历内涵质控等。科研应用主要是基于临床EMR、PACS、RIS系统以及基因检测数据、可穿戴设备数据等的多模态数据价值进行临床科研工作。
学习海量病历，不止用于评级
当前，医院选择上线临床决策支持系统多数是从电子病历评级的需求出发。面对这部分需求，翼方健数可以根据不同等级的评审要求为医院提供所需的临床决策支持系统。
据爱分析调研，大部分医院虽上线了临床决策支持系统，但在临床过程中真正使用的比例非常低，主要原因在于，模型基于书本知识制定的规则不符合临床实际情况，或者模型来自其他区域甚至其他国家，与本医院的使用习惯差异较大。
在提升临床决策支持系统的诊疗合理性方面，翼方健数利用基于隐私安全计算技术和NLP技术进行了大量的病历学习，注重以医院本身的经验为主，通过学习医院所有的门诊病历为医院训练专属的诊疗模型，从而提高临床决策支持系统在医院临床过程中的实际使用率。
在厦门的智慧分级诊疗项目中，翼方健数通过学习当地三甲医院儿科诊疗的相关病历，训练出儿科诊疗模型，再反馈于基层儿科医生诊疗过程中，不仅可以帮助医生快速完成高质量病历书写，还能为临床医生提供疾病诊断、用药推荐、检查检验建议、治疗方案推荐等辅助功能，快速提升了基层医生的诊疗能力，受到基层临床医生的广泛好评。
安全共享+多模态数据治理，翼方健数助力临床科研
相较于临床应用，医疗科研天生需要数据共享。医院内部不同科室之间、不同医院之间、甚至是医院、药厂、研究单位和CRO公司之间都存在着强烈的数据共享需求。
在多方参与的科研数据共享过程中，数据安全和隐私保护尤为重要。翼方健数的科研平台基于数据隐私安全平台，仅允许各参与方在授权的情况下获取数据计算的价值，始终确保原始数据安全。
并且，翼方健数的数据隐私安全平台可以无缝对接医院的EMR、LIS、RIS、PACS等各个系统，并具备多模态数据的治理能力，可帮助科研项目进行病历文本、医学影像、基因组学等多种模态数据的高效融合和治理。
目前，基于隐私安全计算技术和多模态数据治理能力两大优势，翼方健数在肿瘤领域跟几家头部医院达成合作，包括中山大学附属肿瘤医院、上海瑞金医院等。同时，通过合作伙伴，翼方健数与华西医院和华山医院在罕见病领域也在开展科研的合作。
打造数据安全生态，实现多方合作
长期来看，数据安全和数据价值的重要性将会提升。大数据的治理和应用是非常繁杂的工程，在医疗领域未来将呈现多方合作的形态。
翼方健数已经将目标放在最核心、最基础的部分——基于隐私安全计算的数据隐私安全平台，致力于建立数据安全共享生态圈。未来，所有的应用厂商都可能成为翼方健数的合作伙伴。
围绕隐私安全计算下的数据安全平台，翼方健数于近期提出了“solution+”的战略规划。一方面，翼方健数希望可以和传统的HIS厂商、数据平台厂商、集成平台厂商合作，把翼方健数的数据治理能力、隐私安全计算技术和医疗应用解决方案附加到这些厂商的整体解决方案中。另一方面，翼方健数也欢迎数据安全领域的合作伙伴加入到翼方健数的生态中。
近期，爱分析对翼方健数医疗及生物信息事业部总经理李苇刚进行了访谈，就翼方健数的战略规划、产品与服务及医院信息化发展趋势等方面进行了深入交流。
李苇刚先生是医疗信息化领域的资深专家，具有20余年国内外医疗信息化从业经验，深入研究中国和美国的医疗信息化，并具有丰富的一线建设经验。现将部分内容分享如下。
基于临床实践和病历学习，诊疗模型更加合理
爱分析：翼方健数在以电子病历为核心的应用场景下有哪些产品？
李苇刚：在以诊疗合理性为核心的场景下，翼方健数的产品包含临床决策支持、病历内涵质控和费控。
在这些产品的底层有一个临床知识库，由两部分内容组成，分别是书本知识和临床实践。书本知识，包括教科书、文献、国外一些先进医院诊疗经验总结的知识点，作为诊疗规则的边框或者红线。临床实践则是通过对历史病历的学习，提炼出实用的知识体系，一般是对本地最好医疗资源的经验的总结和提炼。
翼方健数有一套高效的、高准确率的人工智能结构化工具，可以把所有的病历文书做后结构化处理，不仅仅是电子病历，还包括医嘱、会诊单等医疗文书，结构化以后通过计算机学习判断各文书间内容的逻辑性和一致性，完成这些之后，计算机就可以帮助医生做临床决策支持；帮助医生做病历内涵质控；帮助医院做医疗费用控制。
爱分析：目前医院上线HIS系统或进行电子病历评级时对于CDSS的要求是什么？
李苇刚：现阶段医院提出要上线HIS系统或集成平台，要实现互联互通，都是评级的刚需。任何一个评级，例如电子病历、互联互通，智慧医院的评级或评审对于临床决策支持都有不同层级的要求。
爱分析：翼方健数是如何帮助医院实现评级的？
李苇刚：医院要过评级的时候会涉及临床决策支持的要求。翼方健数会和其他能够帮医院解决电子病历、互联互通评级的厂商合作，翼方健数提供符合评级要求并且实用的临床决策支持功能，合作厂商提供其他功能。
爱分析：现在的数据训练是把门诊和住院数据分开吗？还是在统一的模型里做大全科的决策支持？
李苇刚：取决于要实现的功能是什么，如果是疾控，需要把门诊和住院数据放在一起。但如果是针对临床使用的临床决策支持，不仅门诊和住院要分开，每个科室、每个病种都得分开来训练模型。
爱分析：训练后的模型可以投入临床使用吗？
李苇刚：拿到基础模型以后，还需要用同一个科室同一个病种的几百份病历去验证模型的贴合度，把这几百份病历放到模型里面去跑，跑出来的结果再经过专业的医生，最好是本科室的医生来判断其准确度，即机器对病历的理解是否正确。
经过这一轮的人工校对以后，模型就可以放到临床使用了。在使用的过程当中，可能开始的命中率或者准确率并不是很高，随着使用次数的增加，会逐步提高到70%、90%、99%。
爱分析：在帮助医院做电子病历评级方面，翼方健数的优势是什么？
李苇刚：我认为翼方健数的核心竞争力并不在于临床决策支持应用。之所以要做临床决策支持，是需要一个途径告诉所有的潜在客户，数据如果能够被用起来，真的很有价值。对于案例，对于过级的数量，翼方健数确实跟其他厂商相比有差异。
但是翼方健数没有把其他厂商作为竞争对手。未来最理想的状态是翼方健数做好底层的数据治理，友商在翼方健数的平台上做擅长的事情，包括临床决策支持、评级等。
翼方健数的优势在于技术和临床治疗合理性方面。翼方健数可以在规定的环境、规定的时间内，把任何医院的病历进行高效的结构化处理，并且对结构化率、归一化率和标准化率的准确度非常有信心。翼方健数在临床治疗合理性方面，用医院自己的病历训练出的模型辅助自己医院的医生，这个理念也是走在前面的。
爱分析：您认为当前电子病历市场存在什么问题？
李苇刚：目前在电子病历临床应用方面存在的一个问题是，很多医院不考虑上线HIS和电子病历的目的，导致花很多钱上线系统的作用不明显，医生认为不好用，院长也觉得看不到效果。
其实HIS系统和电子病历系统归根到底绝对不可能指导医生如何工作，更不可能代替医生，其作用是帮助医生把诊疗过程变得更高效、更高质量。电子化，只是迈出第一步，如果只是把病历文档结构化，而不加以应用，是没有任何意义的。要把结构化的病历用于数据分析、统计、预测、建模，才能发挥其真正的价值。
人工智能赋能医疗科研和分级诊疗，优化运行机制
爱分析：当前医院对隐私安全计算技术的接受度如何？
李苇刚：现在还处于尝试的状态。在教会医院和医生如何运用数据、分享数据方面，翼方健数还在布道的过程当中，是一个比较艰苦的长期工作。
爱分析：科研会是翼方健数未来重点发力的点吗？
李苇刚：不确定。科研领域做起来很艰苦，而且不符合一个公司的商业模式。但是科研的意义是比较重大的，翼方健数会坚持，但是不会成为主要的商业目标。数据的治理和隐私安全保护平台会是翼方健数未来的主要目标。
爱分析：您认为分级诊疗方案目前存在什么问题？
李苇刚：无论是头部医院还是基层医院，都面临着双向转诊的困惑。上转的问题是该转的没转，不该转的转一堆。下转的问题是，该下转的病人没有转下去，浪费了头部医院的资源，而不该下转的转下去，基层医院的水平又有限。
爱分析：翼方健数做过哪些地区的分级诊疗项目？
李苇刚：翼方健数没有分级诊疗的产品，而是在已有的分级诊疗系统上做人工智能的赋能。赋能包括两个方面，一是把训练出来的经验和模型放到基层医疗机构，帮助基层医生做临床决策支持。二是在双向转诊的上转规则和下转规则中，翼方健数通过人工智能在系统里做一些提示或强制性规定。
爱分析：AI赋能后，分级诊疗体系的运行会更顺畅吗？
李苇刚：会的。如果知道是什么原因阻碍分级诊疗的运行，就可以用其他方法补救。
举个例子，患者选择直接去头部医院是希望更快地找到好的医生看病，我们可以通过在分级诊疗系统里的设置，保证通过基层医院转到上级医院去的患者可以走绿色通道，那么立刻就会吸引患者到基层医院。
通过分级诊疗系统，基层医院能够问诊更多的轻症患者，但是遇到不能够解决的病症，比如疑难杂症、罕见病，一旦锁定，就必须要转到上级医院。这是一个相互补充和合理分配的机制。
总的来说，只要知道问题在哪里，就可以通过一定的方法把问题解决掉，在背后做支撑的就是技术能力。
