大數醫達鄧侃：醫療大數據可解健康險三大痛點

每經編輯 每經記者 袁園    

每經記者 袁園

這是一個巨大的悖論：一方面，整個保險業都非常看好健康險的前景，因為這是一個規模達萬億元的藍海市場，未來令人遐想；另一方面，眾多險企眼看著機會擺在面前卻難以下咽，甚至目前已開展的健康險業務都陷入持續虧損，現實如此尷尬。

總的來看，健康險經營困難，主要是存在三大痛點：第一是產品設計上不夠科學，缺乏大量長期的發病率數據支撐，以及患病后不同治療方案的效果和費用評價；第二是單筆健康險保費較小，難以承受高昂的推廣費用，目前的人海戰術并不實用；第三是有效核保和防止騙保，這需要大量的專業人員，也將產生巨額的成本。

如何破解三大痛點？近日，《每日經濟新聞》記者尋訪相關領域各類企業，集思廣益。今天的報道，是來自醫療大數據領域的建言。

北京大數醫達科技有限公司，是一家專注于醫療大數據的企業，目前已與北京、江蘇、廣東等地的多家三甲醫院合作，用一億多份電子病歷進行數據挖掘，并使用深度學習等最前沿的人工智能方法，對常見病的診斷和治療進行建模分析。

日前，《每日經濟新聞》記者（以下簡稱NBD）專訪大數醫達的創始人鄧侃博士，他是美國卡內基梅隆大學（CMU）計算機學院博士，專攻人工智能和數據挖掘，歷任美國甲骨文公司（Oracle）主任系統架構師、百度高級總監主管網頁搜索等職位。針對健康險與醫療大數據面臨的問題，鄧侃博士逐一回答了記者提問，并坦率地提出了他的建議。

健康險面臨“一點三面”問題

NBD：目前很多健康險公司都是虧損的，您認為是什么原因造成的？

鄧侃：首先是保險產品設計的問題。保險產品的設計，有兩個維度：一個是產品為用戶提供哪些服務；另一個是如何定價。價格定高了不行，老百姓買不起，定低了也不行，保險公司賠不起。

其次是獲客的問題。如何大規模低成本地在茫茫人海中，找到需要健康險但又不是逆選擇的用戶？

第三是風控的問題。如何有效審單核保和防范騙保？

這三個方面做不好，健康險就難以成功。

要做好這三個方面，必須先做好一個基本點。這個基本點是，險企必須與醫院結成共同利益體。如果賠付金額降下來，不僅險企受益，醫院也應該相應受益。反之，如果賠付金額超標，不僅險企受損，醫院也會相應受損。

這個基本點是先決條件，也就是說如果先決條件做不到，那么前面說的三個方面也就很難做到。

從目前看，“一點三面”的問題，似乎都沒有解決好。所以，健康險沒能做起來。

NBD：為什么“一點”是基本點，是“三面”的前提，而不是平行的四個方面？

鄧侃：因為只有當險企和醫院結為利益共同體，達到這個基本點以后，保險產品的設計才更有依據，獲客的成本更低而且更精準，風控更有保障。

先說保險產品的設計。什么樣的醫療服務，對哪些人有吸引力，人均成本多少，人均收益多少，這些統計數據，對于保險產品的設計來說，至關重要。假如險企和醫院結為利益共同體，假如醫院幫助險企設計保險產品，甚至醫院和險企共同設計產品，相信雙方共同智慧的結晶，會更成功。

再分析醫院的獲客能力。每個城市的中心醫院，為數不多。但如果把這幾家為數不多的中心醫院就診病人的基本資料，匯總在一起，基本上可以與這個城市的人口普查相媲美。不過，要注意的是，在用戶沒有主動詢問的時候，主動去兜售保險產品，不僅效率低，而且令人反感。

至于風控，更需要醫院的配合。如果醫院的利益與險企的利益脫鉤，醫院勢必希望多賣藥，多做檢查，多做手術，把小病當大病治。

所以說，要推行健康險，首先要制定一個好的制度，這個制度把醫院的利益與險企的利益綁定。只有先做到這個基本點，醫院才會有內在動力，協助險企把產品設計好，找到最合適的用戶，并在醫療過程中防范騙保行為，而不是在醫療過程后審查騙保行為。

離開了醫院的配合，險企能否把健康險做好呢？似乎看不到這種可能性。醫院與險企的利益綁定，健康險就大行其道，反之，就門庭冷落。中外各國的經驗，正反兩方面的案例都有，都支持這個結論。

醫院積極配合險企很關鍵

NBD：醫院積極配合險企，這是健康險成功的充分條件，還是必要條件？換句話說，如果醫院積極配合險企，健康險就一定能成功？

鄧侃：是必要條件，而不是充分條件。換句話說，單靠醫院的配合，還不能保證健康險的成功。

比如說獲客。如果一個人經常跑步、經常鍛煉，向這種很健康的人推銷重大疾病保險，他很大程度不會買。必須在合適的位置，在合適的時間，跟合適的人，推薦合適的產品。Right timing（對的時間）、Right location（對的地點）、Right people（對的人）、Right product（恰當的產品），這四個R，不完全是醫院能夠做到的。

在病人到醫院就診的過程中，推銷健康險，顯然不是對的時間，也不是正確的地方。因為病人到醫院就診，主要的訴求是解決當下的病痛，而不是安排未來的財務支出。

又如風控，即便綁定了醫院的利益與險企的利益，但是醫生的利益，未必與醫院的利益一致。如何防范醫生在開處方的時候，明顯偏向某一家藥廠的藥？

對此，只有審核診斷和治療全過程，核對患者的癥狀、化驗結果和檢查報告，與醫生的診斷結果是否一致，與處方是否一致，才能更徹底地防范騙保，落實風控。

NBD：Right timing、Right location、Right people、Right product，針對獲客的這四個R，大數據能提供什么幫助呢？

鄧侃：不同時機，用戶的訴求是不同的。前面說過，病人到醫院就診，主要的訴求是解決當下的病痛，而不是安排未來醫療支出。購買健康險的最佳時機，是用戶有征兆可能會患病的時候，而不是已經患病了以后。沒有患病的恐懼，就不會有強大動機去買健康險。已經患了病，再去買保險，對于險企來說，已經錯過了銷售的最佳時機。

用戶有征兆可能會患病的時候，用戶會做什么？醫療咨詢。在用戶咨詢的時候，推薦保險，是Right timing。

用戶在哪里做醫療咨詢？最方便的地方，是在網上咨詢。所以，在移動互聯網大流量的入口，提供免費醫療咨詢，順勢推薦健康險，是Right location。

大數據如何幫助險企產品呢？大數據能夠提供醫療咨詢，通過醫療咨詢，收集用戶的健康狀況和病情，從而精準推薦健康險，向Right people 推薦Right product。

醫療知識圖譜可實現高精度風控

NBD：大數據與醫療咨詢有什么關系？

鄧侃：醫療大數據，最重要的數據來源，是醫院的病歷。病歷中不僅記錄著患者的健康狀況和病情，而且記錄著醫生診斷病因的全過程，而且記錄著治療方案包括用藥處方和手術方案，而且記錄著病情變化的過程。通過對病歷做數據挖掘，可以整理出體征、癥狀、化驗指標、影像檢查標志物，與疾病之間的關聯關系，與藥品和手術等治療手段之間的關聯關系。我們把這些關聯關系，稱為醫療知識圖譜。醫療知識圖譜可以用于醫療咨詢。

NBD：醫療知識圖譜也能用于核保，實現風控嗎？

鄧侃：是的。醫療知識圖譜能夠基于患者的體征和癥狀，核對診斷過程中所做的化驗和檢查，是否有過度檢查。也能根據化驗結果和影像檢查標志物，核對診斷結果是否合理，核對用藥和手術是否合理。實現診斷和治療全過程的核保，高精度地實現風控。

NBD：在設計健康險產品的時候，也能夠通過大數據來提高設計質量，是嗎？

鄧侃：是的。前面說過，健康險的產品設計，有兩個維度：一個維度是提供哪些服務，另一個維度是如何定價。

健康險提供的服務，可以包括今年看病的總費用，健康險能報銷多少，也可以包括單病種的報銷額度，也就是如果投保人患上某某疾病，健康險能報銷多少手術、藥品、和住院費用。在制訂報銷額度之前，必須測算在不同的當前健康狀態下，未來罹患某種疾病的概率，以及各類疾病的平均診治費用。

從海量病歷中，不僅能夠統計出各類疾病的平均診治費用，而且也能夠通過跟蹤多位患者的病情發展，統計出疾病轉化的概率。

制度設計須兼顧社會倫理和保險成本

NBD：從社會倫理講，險企是否有權以甄別逆選擇的名義，查驗投保人的病歷？是否有權根據投保人的健康狀況和病史，制定不同的健康險投保價格？是否會引起疾病歧視、年齡歧視、性別歧視等等道德爭議？

鄧侃：在設計健康險制度的時候，繞不開社會倫理問題。譬如生命是否無價？從個人來講，如果自己的生命面臨危險，當然要不計成本搶救生命。但從社會整體來講，很難做到不計成本地挽救每一個生命。

在設計健康險制度的時候，必須同時兼顧社會倫理和保險成本。如果險企都破產了，老百姓無處投保，這是更大的道德風險。

大數據能夠精準測算各種制度之下，保險成本和受惠人群，為保險制度的設計，提供數據依據。

NBD：醫院會把病歷，交給大數據公司嗎？如果病歷外泄了，如何保護患者隱私？同時，如果大數據公司拿到的病歷，僅僅是脫了敏的病歷，不知道患者的聯系方式，那么大數據公司如何實現精準營銷呢？

鄧侃：首先得強調一下，大數據公司不需要向醫院索取病歷。所有病歷，都存放在醫院內網的私有云里。大數據只不過在醫院的私有云里，對病歷進行了數據挖掘。也就是說，大數據公司的程序，讀過每一份病歷，但是大數據公司的員工，沒有直接接觸病歷。

實際上，合作的主體，是險企和醫院兩家，大數據公司只不過提供了數據挖掘的能力。

舉例來說，如果有一位用戶購買健康險，如果按制度規定，險企有權審核他的病史。以往調閱病歷，需要去醫院的病案室，人力成本和時間成本都很高。這個時候大數據技術的作用就體現出來了。大數據技術能夠幫助醫院病案室，在一秒內調閱病人所有既往病歷，甚至可以自動讀解這些病歷，整理該病人的病史和判斷他的健康現狀。也就是說，大數據技術提高了醫院病案室的工作效率。

又比如說，如果有投保人申請醫療費用報銷。以往做法，險企要組織大量人力，人工核查每一份報銷單。對險企來說，工作量巨大。對投保人來說，報銷不及時。這個時候大數據技術的作用就體現出來了。大數據自動地智能地，全面核對報銷單與存放在醫院里的病歷。不僅高精度，而且高效率。

從嚴格意義上來講，大數據只是提高了數據處理的效率。但從實際效果上來講，大數據技術同時做到了高精度和高效率。以前不可能做到的事情，現在通過大數據做到了，大數據促成了一場革命。

預計12個月內首批產品上線

NBD：國外健康險有哪些先進的案例或者合作模式可用來借鑒嗎？

鄧侃：醫療行業和醫療保險，與各國國情密切相關。美國各種醫療機構的組織安排和財務安排，深受醫保公司影響。甚至很多醫療機構，直接隸屬于醫保公司。英國的醫療醫保制度與美國不同，日本也不同。各個國家各有特色。

譬如美國重視PBM，Pharmacy Benefit Management，藥品福利管理。保險公司從各家醫院收集各類藥品的需求，然后向藥企團購，以便獲得批發優惠價。

但是中國目前更突出的問題，不是藥品的價格，而是亂開藥。PBM對于中國也很重要，但是似乎并非當務之急。

NBD：國外在醫療大數據方面還有哪些探索？跟國外比，中國在醫療大數據方面的成就如何？

鄧侃：國外在醫療大數據方面，目前成就比較突出的有三個企業。第一個是IBM Dr Watson。IBM想在癌癥領域，尤其想針對某幾個疾病，收集高質量的病歷，并對它們進行數據挖掘，同時對相關論文做智能語義分析。通過雙管齊下的辦法，細分這幾個疾病病程，更精細地推薦各種治療方案。

其次是Google旗下的DeepMind，也就是下圍棋的那個AlphaGo。他們跟英國衛生部合作，收集了全英國170萬份病歷，針對常見病，研發家庭醫生電腦助手。英國整個醫療體系中從業人數最多的是家庭醫生，但是家庭醫生的臨床水平參差不齊，DeepMind想借助家庭醫生電腦助手，實現常見病的標準化診斷和治療。

還有一個美國公司叫Flatiron Healthcare，它的主業是從全球各地收集病歷，目前首要目標是收集癌癥病歷。各地各醫院的病歷，格式不統一，語義用詞不規范，所以Flatiron想把全球的病歷燙平整理，實現病歷的標準化、結構化，實現全球病歷的互聯互通。

全球各國都在嘗試醫療大數據，而且很多大數據專家一致看好中國。因為中國不僅人口全球第一，而且電子病歷儲量全球第一，所以中國在醫療大數據有得天獨厚的優勢。

另外，中國政府的行政能力，也是得天獨厚的。如果中國在政府引領之下，嘗試醫療醫保改革，實踐基于大數據的健康險，那么很有可能實現彎道超車。對于全球各國來說，醫療醫保都是頭痛的問題。如果中國摸索出醫療醫保的新方法新產品，那么賣到國外去，將會十分受歡迎。

NBD：看來到目前為止，全球還沒有出現成熟的健康險產品。對于這些正在探索的企業，大概需要多長時間，才能完善技術，完善商業模式，并脫穎而出呢？

鄧侃：常見病的數量不多，幾百個而已。常見病的智能診斷和治療系統，無論是面向醫生的智能臨床助手，還是面向患者的智能自診工具，估計在12個月之內，會有第一批產品上線。

把大數據和機器學習技術，應用到醫療行業，實現智能診斷和治療系統，相關的研究課題非常多，產品形態非常多，贏利模式非常多。如果目標緊緊盯住幾百個常見病，縮短戰線，快速沖刺，12個月內，是能開發出質量令人滿意的產品。面對藍海，面對一望無際的商機，創業企業最大的挑戰，是保持注意力的專注。切忌分兵出擊，處處出擊，處處遭遇阻力。

12個月內，技術方面會取得重大突破。接下去，第二個里程碑，是實現贏利模式閉環，尤其是實現醫療大數據、智能診療與健康險的緊密結合。有價值，就有用戶，有用戶，就有贏利模式。相信在未來2~3年內，一定會有若干家公司，探出路子來。

精彩觀點

●只有當險企和醫院結為利益共同體，達到這個基本點以后，保險產品的設計才更有依據，獲客的成本更低而且更精準，風控更有保障。

●如果醫院的利益與險企的利益脫鉤，醫院勢必希望多賣藥，多做檢查，多做手術，把小病當大病治。