新冠肺炎疫情暴发，暴露了卫生体系、疾控领域的一些短板，激发了一些新的应用和需求。疫情发生后，一些医疗机构借助互联网、大数据、人工智能等新技术，开展疫情监测分析、病毒溯源、患者追踪、社区管理等方面工作，提高抗疫的效率，助力新冠疫情防控。
人工智能在抗疫中运用情况如何？澎湃新闻采访了
广东支援洪湖医疗队信息化工作负责人弓孟春、中日友好医院信息部主任张铁山、森亿智能CEO张少典，从疫情一线、医疗机构、市场应用等角度开讨论并提出建议。
澎湃新闻：疫情期间，人工智能、大数据在提升医疗诊断效率、疫情防控和监测方面，实际运用情况如何？
弓孟春：在不同类型的城市可能略有区别。以我们所支援的洪湖为例，医疗信息化基础设施建设相对薄弱，很多医院甚至没有影像数据系统（PACS），地方医疗信息化处在一个比较低的水平，甚至有一家医院在疫情早期因为紧急改建而未能部署医院信息系统（HIS）。
缺乏基础信息化条件支撑的情况下，医疗人工智能的应用无从谈起。
大家谈得比较多的CT（电子计算机断层扫描）影像智能判读，在洪湖这一类型中小城市应用较少。
实际工作中，我们面临的问题更多是高危人群的追踪是否到位、基础医疗设备够不够、筛查能不能有效组织、报告结果能否快速反馈给各方、临床数据能否与其他数据有效结合等问题。这些问题都是人工智能技术发力的前一步，即医疗信息化的基础工作：底层数据抓取和汇集，并没有到数据互联互通这一步。这应该是中国大部分地县级城市的情况。
但是对大型城市和医院来说，特别是有条件的医院，影像判读应用是有空间的。比如雷神山医院。虽然临床资源紧缺，但是CT、PACS软件等基础设施部署充分，AI运用的基础条件是有的，应用场景更强一些。一些技术手段譬如AI辅助影像学诊断等有施展的场景和效应。
疫情防控和监测方面：我们在洪湖搭建了一个数据平台，监测洪湖全市人口每日症状上报，这个平台实现了95%以上覆盖率，完成了对疫情期间现住人口健康症状的全面及时监测。
数据监测主要有两面的应用：
第一，降低新发感染率。
这主要依赖一个全面覆盖现住人口的症状筛查系统。居民自我上报的症状、体温、心理情况及位置信息等，对疫情防控相关的政策决策提供了重要的指导。对上报的异常情况进行及时的跟踪回访，形成了闭环管理。
第二，降低病死率。
通过人工智能辅助临床决策，运用数据分析预测死亡风险高的患者，并将其优先转移到医疗设备条件好的医院，给予临床观察和更密集的检测等。这两方面其实都是疫情期间更为重要的人工智能应用方向。
澎湃新闻：疫情加速了市场对AI医疗的需求，实际应用点在哪里？
张铁山：首先要认识，医疗信息化和AI医疗不同，两者是不同度的把握。信息化能够提升组织协同效能。AI应用主要在为医护赋能，提高医护生产力，这项需求一直存在。过去这些年，我国在基础设施方面做了充分的布局，做广泛的数据集成，只是过去没有一个特殊的应用场景。
疫情是一个触发点，将这项需求挤压出来，所以能快速形成一些东西。目前应急领域需求暴发就是如此。
但是进一步赋能有一个基本条件，就是需要体量非常大，如突发传染病筛查。
这次新冠病毒在武汉集中暴发，数量大，触发了信息化需求的点。
总结下来，未来有4个层面的需求。辅助决策、预警提示、流程引导和筛选、诊断级别。要达到诊断级别这个层面非常困难，计算机再厉害，到目前为止，也不可能脱离人独立使用。对医院来说，预警提示和流程筛选是比较突出的需求。预警提示不仅是针对新冠肺炎，医疗机构日常也有许多这方面的需求。
另外是流程筛选。大家一提AI就把它看得很精准，其实当规模非常大的时候，不需要特别精准。比如病理超声、肺小结节等，当这些量大时，AI可以帮助医生做一些最基本判断，并不是诊断性的，而只是一种流程筛选级别的。如果有这种方式，就能够有一些预检和分诊，对病人做一些早期的治疗干预。但是完全做到诊断级别，是很难的。
张少典：坦白讲，疫情中AI和大数据起到作用是有限的，不宜过分夸大。
传染病控制首要是临床以及疾控体系的工作，AI和大数据起到辅助作用。
国内有不少地方机构汇集医院数据多年。过去，大家一直没找到一个真正意义上能够让数据发挥较大价值的应用点。这次疫情的暴发，让他们主动去寻找企业、科研院所，联合他们一起来挖掘数据的应用价值。
目前，AI应用较多的是影像阅片，主要帮助影像科医生提升工作效率。而自然语言处理技术，更多是帮助医院完成临床数据治理的工作。疫情中催生的互联网医疗或者远程医疗，以及防止人传人、医生患者间交叉感染的智能机器人、无接触式诊疗、无接触病床管理，这些产品发挥的作用相对AI要更明显一些。
当然，AI在疫情中肯定有一些应用场景。我们也做了一些工作，譬如建立一个新冠肺炎专病库，帮助机构利用专病库进行数据分析和科研工作。
澎湃新闻：未来推进大数据、人工智能在公共卫生管理方面更好发挥作用，哪些方面需要进一步完善？
张铁山：这些年，中国医疗机构的信息化布局已经逐渐到位，建立了庞大的信息化公共基础资源，制度、组织架构也逐渐完善。这是中国的体制优势，宏观层面的效果很快，但是产出比较粗糙，需要进一步精雕细琢，比如数据规范建设、数据标准确立等需完善。
未来要把宏观层面的成果和前端、执行端整合，进行互补。
医院会向疾控中心上报传染病数据，那么疾控中心能不能也给我们医院反馈？所以要建立一个双向反馈机制。
比如我们医院突然来了一个传染病病人，也许其他医院已经报过了，CDC的系统中记录有，但是我们医院并不知道情况，要重头开始诊疗，同时，这个过程也有很多风险。
最典型的，去年北京出现了一例鼠疫患者，内蒙古过来的，为什么大家一时判别不出来？
在流行病发生的某个地区，一个县医院的医生敏感度可能比北京协和医院的医生强。因为地方病种可能很多，比如一些农牧区的疾病，城市里的大学生医生可能根本一辈子都见不着。
如果能够把疑难罕见疾病，包括新型疾病整合集成在一起，建立数据库，一旦出现紧急情况，根据数据库，病人的基本情况、地方病例动态等就会立刻反馈。所以数据的双向反馈非常重要。
张少典：我们还收到了一些诊疗环节的需求，譬如急重症和发热门诊的管理。有医院反馈，由于大量的重症患者涌进医院，对ICU和重症患者管理的需求上升，咨询能否借用AI提升ICU管理效率，或者进行ICU病人的监控。发热门诊方面，大家都希望能通过CDSS辅助诊疗系统工具，帮助医务人员对患者进行更精准地区分和分诊。这些都是疫情衍生出来的一些需求。
风险预警方面。
最近很多地方卫健委在思考有没有可能通过对症状的监控，对更前置的一些风险因素进行监控，提前预判情况。
不能等医生确诊后再上报，再采取行动，这样已经晚了。不仅是流行病诊断后上报这么简单，而是做预先症状监控。这些事情美国CDC已经做了很多年，我们国家也开始推进这样的布局和建设。总体看来，风险监控和分诊诊断的确是刚需，非常重要。
弓孟春：我们在一线的经验是，公共卫生机构和临床数据是割裂的，无法高效对接。目前，我国的公共卫生监测数据在专属的系统内独立运行，而临床数据大多存在医院的系统中，两个系统的数据很难对接。
而在政策制定、临床诊疗过程中，又特别需要对于各方面数据的综合判断并分析利用。
所以，亟需建立公卫系统和医院临床系统的数据协调机制和相关技术，并建立试点，评估实际操作中的管理和技术难题，形成解决方案，为后续新发重大传染病的有效应对打下坚实的基础。这也是人工智能技术未来在传染病防治领域落地必不可少的先决条件。
