金准人工智能大数据时代下的健康医疗行业报告.docx

金准人工智能大数据时代下的健康医疗行业报告.docx

《金准人工智能大数据时代下的健康医疗行业报告.docx》由会员分享，可在线阅读，更多相关《金准人工智能大数据时代下的健康医疗行业报告.docx（27页珍藏版）》请在冰豆网上搜索。

金准人工智能大数据时代下的健康医疗行业报告

金准人工智能大数据时代下的健康医疗行业报告

前言

大数据及AI技术在健康医疗领域应用场景包括、辅助决策、健康/慢病管理、机构智能化管理、基因数据等。

预计2019年，辅助决策类中的影像辅助诊断将首先落地，主要因为其90%的准确率，可以快速为医生提供丰富的细节信息。

其他应用场景，医疗机构的智能化管理，将在各省市区域信息平台及三大健康医疗数据集团推动下进行。

全科辅助决策、健康/慢病管理、人工智能新药研发等，大多处于产品研发中期。

针对这三个领域，企业仍需投入大量技术人才，以缩短流程路径，提升产品准确率。

一、大数据在健康医疗行业中应用价值

1.健康医疗行业面临的困境

1.1全球医疗困境

人口的增长和老龄化，发展中国家医疗市场的扩张、医学技术的进步和人力成本的不断上涨将推动支出增长。

2017-2021年全球医疗支出预计将以每年4.1%的速度增长，而2012-2016年的增速仅为1.3%。

慢性病发病率提升，变化的饮食习惯以及日益增加的肥胖度加剧了慢性病的上升趋势，特别是癌症、心脏病和糖尿病，目前中国糖尿病患者约有1.14亿，而全球患者人数预计将从目前的4.15亿增加至2040年的6.42亿。

传统研发（R&D）成本上升，产品上市速度慢，2004年至2014年药物开发成本增加了145%。

劳动力不足，在人口结构的变化和技术的迅速发展下，熟练和半熟练医疗保健工作者将大幅减少。

1.2中国特色困境

人口老龄化加剧。

供需结构失衡，金准人工智能专家统计2016年我国每千人口执业（助理）医师2.31人。

2015年我国每千人口医师数量在OECD统计的国家中排名处于25-30之间。

同时，我国医生执业环境较差，促使进入医疗系统的优秀人才逐年趋少。

医疗资源发展失衡，据金准人工智能专家了解，2010-2015年三级医院诊疗人次及住院人次复合增长率分别为14.6%和21.9%，而基层医院仅为3.8%和0.5%。

传统就医模式使得三级医院人满为患，导致就医体验差及优质医疗资源浪费严重，因此，我国仍把推行分级诊疗作为当前首要任务。

医保透支，《中国医疗卫生事业发展报告2017》预测，2017年城镇职工基本医疗保险基金将出现当期收不抵支的现象，到2024年将出现累计结余亏空7353亿元的严重赤字。

商业健康险的发展可有效弥补医保不足。

在成本支出方面，健康险利用市场规律帮助医院合理控费，同时，还可增加社会保障的收入来源，减轻国家医保基金的负担。

提升医保控费能力，探索创新支付机制迫在眉睫。

因此，改善现有就医模式，推行分级诊疗势在必行。

分级诊疗推行需建立在信息、资源及利益互通上。

2015年，国家卫计委提出分级诊疗制度将在2020年全面确立，包括基层首诊、双向转诊、急慢分诊、上下联动分诊诊疗等。

新模式的搭建过程中，主要存在以下3个问题。

1）信息不流通，各医疗机构间多为信息孤岛，患者信息无法进行快速共享流通；2）资源不流通，优质医生多集中在各大省会的顶级医院，且三甲医院医生精力有限，每年可支援的基层医疗更是有限；3）利益不互通，医院之间缺乏有效的利益捆绑机制，以促进患者在院间的流通。

2.大数据助力我国医疗生态全面升级

大数据技术的应用，将从体系搭建、机构运作、临床研发、诊断治疗、生活方式五个方面带来变革性的改善。

由于我国医疗体系的强监管性，大数据若要在行业内实现其价值，需由国家建立一套自上而下的战略方针，从而引导医院、药企、民办资本、保险等机构企业构建项目，相互合作，最终实现从“治疗”到“预防”的就医习惯的改变，降低从个人到国家的医疗费用。

麦肯锡曾在2013年预测，在美国医疗大数据的应用有望减少3000-4500亿美元/年的医疗费用。

2.1健康医疗大数据宏观利好

宏观环境利好条件满足，静待细分市场突围。

我国健康医疗大数据已进入了初步利好阶段，国家作为政策引导方，已出台了50余条“纲要”或“意见”，可穿戴设备、人工智能等技术的发展也为产品研发奠定了基础，且头部资本已进入市场。

下一步，各方需静待产品与市场需求相融合，共同探索具备商业化或临床价值的大数据产品。

2.2健康医疗大数据政策利好

政策引导，明确健康医疗大数据战略意义。

2015年8月国务院发布了《促进大数据发展行动纲要》，指出发展医疗健康服务大数据，构建综合健康服务应用。

随后，国务院、卫计委相继发布了多项政策，以促进各省市政府将健康医疗大数据提升至战略层面。

政策引导，顶层设计推动大数据项目前行。

2018年科技部官网发布了14个重点专项2017年度项目申报指南“精准医学研究”等生物医学领域的5大专项，累计共拨

经费总概算12亿元。

其中与健康医疗大数据密切有关的项目有，“重大慢性非传染性疾病防控”4.5亿元，“精准医学研究”1.3亿元，“生殖健康及重大出生缺陷防控研究”0.9亿元。

此外，2月科技部发布了“主动健康和老龄化科技应对”2018年申报指南。

2.3健康医疗大数据资本利好

2018年Q1大数据投融资事件35起，行业热潮正式开启。

金准人工智能专家将IT桔子中披露的医疗健康投融资数据进行了分类整理，发现2014年起健康医疗类大数据投融资事件增多，2016年最多共66起，2017年略有下降。

2018年，健康医疗大数据仅在Q1便发生了35起投融资事件，其中12件来自医疗信息化建设，多为利用AI、语义识别、数据模型，挖掘诊疗信息，连接院内院外平台等类别的企业。

受人工智能热潮影响，2017年辅助决策类共发生17次投融资事件，2018Q1共5起，预计未来将会有更多资本进入该领域。

2.4健康医疗大数据社会结构

老龄化及不良习惯诱导身体不适，提升人均就医次数至5.8。

2017年，我国65岁以上人口占比11.4%，出生率12.43%（2016年出生率12.95%），人口结构呈现老龄化趋势。

以2013年为基础，65岁以上人群两周就诊率26.4%，且在现代生活习惯的影响下，糖尿病、高血压等慢性病发病率也在不断提升。

金准人工智能专家认为诊疗人次仍将持续上升，医疗体系也将面临巨大压力。

2.5健康医疗大数据技术利好

采集技术成熟促使数据爆发性增长，数据价值急需被挖掘。

健康医疗大数据领域涉及的相关技术范围非常广，如底层数据采集中包括信息化、物联网、5G技术，处理分析中包括深度学习、认知计算、区块链、生物信息学及医院信息化建设等。

据IBM统计，全球大健康数据正以每年48%的速度增长，在2020年数据量将超过2300Exabytes。

金准人工智能专家预估2020年，全球健康物联网设备出货量将达到161万台。

院内数据方面，金准人工智能专家在2016年统计，医院管理信息系统整体已实施比例在70-80%之间，且集中于三级医疗机构，大量健康医疗数据的积累为算法搭建提供了基础。

在处理分析方面，人工智能、生物信息学需要与实际应用场景相结合，以便搭建有效模型。

二、大数据在健康医疗行业中发展概况

1.健康医疗大数据分类及应用

本篇报告将健康医疗大数据分为三大类，院外数据、院内数据以及基因数据。

院外数据包括健康档案、智能硬件体征及环境监测/检测，院内数据包括就医行为、临床诊疗等，基因数据包括外显子、全基因等。

在具体场景应用方面，多为不同种类的数据相互交叉结合应用，如预防预警，需要结合智能硬件监测、诊疗用药历史等数据才能为用户提供及时的预警监测。

2. 多项细分场景同时探索，辅助诊断将首先迎来商业化

健康医疗大数据行业以数据规模为基础，且在政策和资本鼓励下，部分应用场景进入市场启动期，如健康管理、辅助决策（全科辅助决策、影像病理辅助诊断等）、医疗智能化等。

下一阶段，随着企业大数据/AI技术长期的应用实践探索，产品不断更新完善，预估2-5年的内，产品将首先在B端客户中进行推广；随后，伴随软件友好度和准确度的上升，在B端客户使用的影响下，C端市场将展开竞争。

3.健康医疗大数据产业链概述

始于用户，终于用户。

健康医疗大数据产业链的上游是数据供应商（医疗机构等）或存储计算服务（云服务商。

中游为产业链核心企业，多为具有影像识别、深度学习、自然语义分析等核心技术的技术型企业。

该类企业可为聚集了大量健康医疗相关数据的机构提供数据处理服务，在分析及可视化后赋予数据价值。

下游为应用场景，分为B端和C端。

B端包括医院、药企、政府、保险、PBM等企业，其最终的目的是提升医疗服务的效率和质量，降低患者及健康人群的就医费用。

3.1健康医疗大数据上游现状

数据已成规模，院内数据在样本质量与规模中胜出。

健康医疗大数据产业链上游所提供数据的质量与样本量将决定，中游企业是否可以快速有效的进行模型训练。

整体来看，院内、院外及基因数据供应方均面临三个问题，质量、样本量及安全。

1）院内数据在质量和规模上最具竞争力。

各省市TOP级的三级医疗机构多存有高质量的诊疗数据，且已具备一定规模。

医院外联系统中多存有大量就医行为数据，然而这类数据的应用将依赖政策指导，且面临隐私安全等文图。

2）基因数据为企业的核心资源，已具备一定规模和质量，且多由中游企业自建数据库自行采集，或者通过与实验室合作的方式获取。

3）健康类数据多由智能硬件或在线医疗企业采集，该类数据增长快速，但是维度多且缺乏整合，质量参差不一。

3.2健康医疗大数据中游现状

北京大数据先行，上海、广东、浙江紧随。

金准人工智能专家就IT桔子中正在进行融资的103家创业公司分析，发现主要集中在北上广深一线城市，该现象受医疗资源、政府态度、医生接受度三方面影响。

1）北上广深拥有多家TOP级三甲医院，优质医疗资源丰富且信息化程度高，因此企业能够获得可观的高质量数据样本；2）初期阶段，医疗大数据技术的探索多由地方政府拨款支持，如2018年2月由北京大学医学部和大数据研究院共同筹备建立北京大学健康医疗大数据研究中心。

因此地方性政策支持变得尤为重要；3）一线城市的医生对新技术接受程度较高，因此在产品上市后相对较易试运行。

3.3院外数据之应用场景

大数据及AI技术，提升企业用户服务规模及能力平安好医生IPO报告中公布，2017年互联网医疗市场规模达到150亿元人民币，在线咨询量达到23.8千万次。

由此可见，互联网医疗可触达的用户规模将越来越大，而仅靠医生或相关从业人员在后台回答问题并不能满足日益增长的用户量。

因此，企业需依赖大数据或AI等技术优化问诊、健康/慢病管理等产品的功能，从而有效满足用户需求，最终提升付费率。

此外，对于不断扩张的企业，大数据及AI技术辅助提升服务效率，降低人力成本；使得在付费率低的情况下（好医生IPO披露2017年付费转化率为2.7%），也可以形成稳定的营收与较高的利润率。

金准人工智能专家认为，随着企业AI智能分诊、AI健康管理路径等模型成熟且全面应用后，院外数据的应用市场将进入快速成长期。

3.4院外数据的商业路径

核心能力提升用户健康，延伸能力创造商业价值。

能够提供健康管理服务的企业主要分类两类。

一类是偏健康数据收集类企业，针对健康或慢病人群提供饮食、运动等个性化健康方案。

另一类是偏轻问诊类，提供智能分诊、轻问诊、预约、转诊等服务。

目前，C端服务盈利能力有限，部分企业依托其健康管理或问诊能力，为企业端客户服务。

如妙健康依托其多维度健康数据及平台搭建能力，为雇主提供内部员工的健康管理服务，为疾控慢病中心搭建健康信息平台提供技术服务。

如平安好医生结合其终端智能应用，为用户提供智能分诊，为医生提供辅助决策等服务，辅助政府搭建区域信息化。

数据到行为干预仍需过程，企业付费是首选。

大部分移动医疗公司在经历了4-5年数据沉淀后，积累了大量的数据样本，然而如何通过技术将其转化为可被解读的报告仍需时间。

目前，健康医疗大数据行业的支付方主要集中在B端，包括医院、药企、药店、保险、政府等多类企业；且在主要支付方中，药企、保险已形成了一定的支付习惯。

健康医疗大数据的收费方式有多种，包括项目制、Saas服务收费、软件租赁费、增值服务费等；前三种为现阶段主要的收费方式，而增值服务费将随着大数据及AI应用场景的增多而增加。

3.5院内数据之应用场景

大数据技术应用广泛，以提升诊疗及管理效率为主。

在研发成本、运营成本的不断提升下，医疗机构、药企、药店、保险等机构或企业均急需一套解决方案，以便在降低临床研发、运营管理、营销成本的同时提升顾客满意度，最终增加营收。

该类企业利用人工智能技术分析挖掘已有信息，为医疗机构、药企提供有效的改善运营、提升服务效率的解决方案。

目前，提供相关业务的企业主要来自三种，1）创业型，多为AI技术公司，如推想、羽医甘蓝、博识医疗语音等技术型企业；2）信息化/互联网等企业新业务拓展，如东软医疗的区域信息化、微医的微医云业务等；3）政府主导的健康医疗大数据集团，如中电集团将在程度规划、建设和运营国家健康医疗大数据平台，开展健康医疗领域的数据汇集、治理、共享开放和应用生态建设。

3.6院内数据的商业路径

依托技术与数据，收费模式玩法多。

就院内数据付费方来看，药企、体检的付费意愿及能力最强；医院、保险、药店等机构企业的付费意愿较弱，需要时间进行市场培育。

此外，在商业化道路上，医学影像类公司也可以针对器械、美容等高端机构进行产品研发，满足其高端用户的服务及心理需求。

现阶段，针对不同客户常见收费方式有三种，1）软件租赁或解决方案，企业为医院机构或政府（省市卫计委）搭建系统或软件服务（语音录入、电子病历搜索等），获取一定技术服务费或软件租赁费。

2）数据分析收入，企业为体检机构提供影像识别服务，提高影像读取效率；或利用机器学习为药企提供服务，以便提高药物发现的“命中”几率。

3）产品绑定，将成熟模型与健康医疗器械绑定，辅助提升其市场竞争力。

大数据企业将获得一定比例的提成或资源。

4）按使用次数收费，未来AI技术在获得三类器械认证后，患者可在就医时实现按次付费。

细分之辅助决策

辅助诊断替代医生重复性工作，减少近八成工作量。

辅助决策类企业采用的技术多为认知计算、深度学习、计算机视觉、自然语言处理。

针对科室或疾病领域的不同，其领域也不同，包括影像辅助诊断、病理辅助诊断及全科辅助决策等。

其中全科辅助决策准确率85%左右，仍有较大提升空间；影像和病理辅助诊断的准确率超过90%，其产品正在落地中。

现阶段，各企业主认为辅助诊断的价值在于为医生提供病灶性状描述、自动生成报告、精准定位病灶，降低漏检风险。

1）针对三甲医院医生，辅助诊断将替代医生重复性工作，为其提供更多的信息，以便医生制定最佳的治疗方案。

或者在短时间内监测患者的肿瘤变化，以便医生及时观察患者术后恢复情况。

该类解决方案单价较高，从几十万到上百万均有。

2）针对基层医疗机构，系统将直接给出结果，快速有效的进行肿瘤的初筛，提高基层医生的诊疗效率及质量，释放医疗资源。

针对基层医疗机构的解决方案价格相对低一些，未来可能以按次收费为主。

3）全科辅助决策，将帮助大型三级医院或在线医疗公司实现快速分诊，提升效率。

其价格将在几万到几十万之间。

细分之辅助诊断

降低数据标注成本，构建临床应用流程。

行业发展初期，企业的主要困境集中在产品研发落地阶段。

在研发落地过程中，企业需要不断丰富数据库，发现CornerCase。

目前，大多企业进行数据标注主要来源以下三种形式，人工标注、机器标注以及医院已有结构化数据。

1）人工标注为主流方式，该方式能够提供较高质量的标注数据，但也面临着高成本的问题。

原因是，数据标注人员多为医生或具备临床经验的执业医生或医学生，该类人员收费较高每人每天在百元以上，且一张图标注时长多达半小时。

2）机器标注，体素科技提出了AFT*标注法，将主动学习和迁移学习整合成单一框架。

在肠镜检查帧分类、息肉监测和肺帅塞检测中表明该类标注成本至少可以减少一半。

3）已有结构化数据，医院本身会存储一定量的结构数据，然而该部分数据仍要在处理筛选后才可使用。

此外，针对新技术的应用，医疗机构缺乏相应的上线流程，因此，企业在模型训练过程中，建立可复制的临床流程与标准，针对不同层级医疗机构的应用场景提供有效解决方案是关键所在。

基因数据的快速发展

临床与消费基因需求增长，促使数据分析产业前行。

金准人工智能专家整理公开数据显示，全球基因测序数据分析市场规模发展迅速，2012年市场规模不超过2亿美元，预计2018年将接近6亿美元，复合增长率为22.7%。

金准人工智能专家分析认为，随着高通量测序设备的广泛应用，基因数据量也呈倍数增长。

数据量的增长，也使得基因测序的工作重心从繁重的人工测序转到了中游的数据分析上。

下游临床应用及消费基因的成熟，为数据分析提供了客观的支付方。

因此在应用终端的推动下，中游数据分析产业将迎来快速增长，现阶段生物信息公司业务往往大而杂，而专注某一医疗领域的生物信息公司（如精准癌症）少之又少。

国内市场专注基因组数据分析的生物信息公司并不多，该领域值得期待。

三、典型企业案例分析

1.平安好医生：

探索AI应用落地，提升服务效率与能力

平安好医生创建于2014年8月，自成立之初便开始布局AI+医疗项目。

目前，好医生涉及的主要项目包括“AI助手”、“现代华佗计划”、“家庭医生”和“一分钟诊所”，“AI助手”主要应用于线上辅助问诊环节，“现代华佗计划”致力于中医行业的标准化、信息化、智能化，“家庭医生”运用智能问诊等技术，运用于家庭端医疗健康管理，“一分钟诊所”除智能问诊外、还推出智能诊断、智能药方，协助医生问诊。

平安好医生已于2018年5月于港交所挂牌上市，成为互联网医疗第一股，股票代码01833.HK，融资11亿美元。

平安好医生依托其AI+医疗技术，能大幅提升医疗服务效率及能力，以便覆盖更多的患者用户和B端客户。

C端用户可在其移动APP、家庭智能终端等平台，接入平安好医生的家庭医生、健康管理、消费医疗及健康商城业务。

针对B端客户，平安好医生可为其定制系统，并嵌入到机构或企业平台软件中。

如，好医生将智能问诊系统接入三级医院信息化软件中，帮助其实现院内快速分诊；如为企业雇主开通PC端口，为其员工提供健康管理等服务，以提升雇主的竞争力。

未来，好医生将在AI技术领域持续投入，不断寻求和领先研究机构、大学及企业的合作机会，以实现在AI技术研发和应用上的资源整合、优势互补。

2.妙健康：

基于健康行为大数据+AI的健康管理模式

企业简介：

妙健康隶属于三胞集团，全称为北京妙医佳信息技术有限公司，致力于打造为集健康数据收集、健康行为干预、健康增值服务于一体的综合性健康管理平台。

妙健康至今已完成4.5亿元融资，投资机构包括阳光融汇资本、中信资本、农银无锡基金、江中中医药基金等。

业务模式：

妙健康已通过自身的优势在移动健康管理领域拓展出多种新型的B2B2C模式，如：

健康管理+保险、健康管理+运营商、健康管理+新零售、健康管理+员工福利等，并已与中国联通、华为、阳光保险等诸多国际知名品牌达成合作。

大数据布局：

在数据采集方面，妙健康通过健康数据及服务开放平台“妙+”接入多维度数据；在数据分析方面，妙健康通过自建数据AI团队（公司规模200人，研发团队占比60%）及外部合作（阿里云等）两种方式提升人工智能在健康管理领域的应用水平。

在终端应用方面，妙健康以移动端APP作为入口为用户提供健康管理服务，探索以健康行为大数据和人工智能为基础的新型健康管理模式。

3.蓝信康：

数据提升健康，数据驱动智能

企业简介：

蓝信康隶属上海科瓴医疗科技有限公司，是旗下的互联网服务品牌。

公司成立于2014年10月，致力为B端企业客户提供健康管理和会员管理的SaaS解决方案。

2016年3月，蓝信康获得永太科技和盈科资本联合投资的2500万元人民币A轮融资。

业务模式：

蓝信康结合智能硬件、云端算法技术和智能化管理系统，对合作客户的会员、健康和用药进行大数据分析，为B端客户（药店、医院、药企等）提供慢病管理、会员管理、健康咨询和专业培训等一系列服务。

4.金蝶医疗：

区域电子病历系统，实现共享互联

企业简介：

金蝶医疗作为科技创新企业，为中国医疗健康行业提供信息化和互联网化整体解决方案。

目前，已有3000家医院与医疗卫生机构选择金蝶医疗“数字化医院”、“移动互联网医院”、“云医院”、“HRP”等产品与解决方案，其中500家医院已与金蝶医疗共建“移动互联网医院”。

金蝶医疗旨在构建医疗健康科技服务平台，助力医院适应医疗新业态，与中国医疗机构一起构建中国医疗服务新模式。

项目简介：

2017年，金蝶医疗为佛山市打造了区域电子病历共享信息平台，辅助提升当地诊疗水平，提高区域医疗服务质量。

该平台系统搭建包括区域电子病历库标准体系、区域级卫生数据库（居民电子病历数据库、健康档案库）的共享使用，主要服务人群是医生、医院、患者/居民。

目前，平台上已有3家试点医院正正式接入。

5.阿里、XX、腾讯健康医疗大数据产业链差异化布局

BAT企业在健康医疗大数据布局中略有差异。

阿里着力产业链中游，以构建云服务、AI技术为重点；腾讯以应用端为主，构建多个线上医疗服务入口的同时承接了多项线下服务相关项目；XX在2017年医疗战略调整后，将重心放在AI技术应用的新药研发领域上。

金准人工智能专家认为，2018年，阿里将寻求多领域的B端应用落地的合作方（区域医疗、基因、辅助诊断等）。

腾讯在承接多个区域医疗、信息平台等B端应用项目后，将寻求更多技术合作方来共同搭建完成。

5.1阿里：

云为支点，布局医疗智能化，服务企业端客户

阿里系中涉及健康医疗领域的主要有阿里健康、阿里云。

2014年，阿里健康推出APP，为C端用户提供在线购药、问诊等服务，2016年天猫医药馆并入，期间投资布局围绕医药流通进行；2015年推出云医院平台；2017年推出DoctorYou，通过B-B-C的模式为医生提供辅助诊断、医生培训等服务。

阿里云，主要针对B端客户（医疗机构、基因测序）提供云计算服务及智能化的运营管理软件服务。

5.2腾讯：

与线上线下医疗服务方深入合作，探索大数据价值

2013年，腾讯依托其流量优势，上线了微信智慧医院，2017年3.0版本中加入了AI导诊等技术。

期间，腾讯针对其线上问诊服务，与近10家在线医疗企业进行了合作，且同时期与多家健康医疗APP合作，力图打造从数据监测到健康医疗服务的闭环生态。

2017、2018年，腾讯将医疗市场拓展至线下，与多地政府、医院合作，探索大数据、深度学习在医疗服务、医院管理及区域信息化领域内应用场景的探索。

五、大数据应用在健康医疗中遇到的挑战及趋势

1.法规滞后减缓行业发展速度，市场应用仍需培育

2.AI技术填补大数据到信息转化路径的空白，完善产品价值

健康医疗数据多具有非结构化特性，以往的数据分析软件多针对结构化数据进行研发应用。

人工智能（自然语义处理、卷积神经技术、机器学习等）技术的成熟与应用，开启了健康医疗的“大数据时代”，为如影像类的非结构化数据应用提供了可能性。

发展初期，企业端客户市场远大于用户端。

在行业发展初期，企业端客户的购买需求、支付意愿和能力远大于用户端，因此企业端客户是健康医疗大数据企业主要支付方。

医院药企是最早的支付方，如湘雅，2014年围绕数据互联互通、区域信息、精细化管理进行系统搭建。

2016年，21家医院的肿瘤专家与IBMWatson进行合作获得个性化服务。

药企，如默沙东，2015年将人工智能技术应用到药品研发中。

随后，在2016、2017年，更多的药企、体检机构通过合作、收购等方式先后进入市场。

金准人工智能专家认为，在市场初步探索后，政府、医院、药企、体检等企业将成为健康医疗大数据的主要支付方。

发展中期，用户端付费将带来更多可能性。

随着行业发展，产品、用户教育及上下游产业的逐渐成熟，服务于用户端的企业将迎来无限商机。

如，影像识别、基因测序在经过临床验证后，作为常规检测项目，将列入医保或健康险的可报销项目。

健康慢病管理场景下，用户线上进行的建议、干预、上下转诊等健康或轻医疗服务的收费模式也将更加灵活多变