大家好，我是来自立达融医的许钧杰，我们公司成立四年半，主要是做心内科与妇产科临床路径数据集成与数据服务的医疗科技服务公司，今天与大家分享的主要是我个人对行业的一些理解，后续也希望可以跟大家互相交流。
我早期在马里兰大学，学生物力学(本科和硕士)，同时也修了财务方面的一些课，我在美国主要是做手这方面的科研，看手是怎么动的，当时我们需要自己去设计软硬件，进行数据处理，做统计、做科研。期间曾担任霍华德·休斯医学研究所(HHMI)UG Research Fellow，另外，被推荐到约翰霍普金斯大学医院进行神经学学术交流等。2009年，我回国进入北医学习临床，那时候国内整个医疗发展比当时英国、美国发展速度快，期间，我进行了两次创业：
第一次创业是与英国一家个人健康档案公司合作，基于英国的国家医疗服务体系(NHS)做了一个个人健康档案，当时主要是做这个产品在国内的落地。
第二次创业是在2014年和现在的一位联合创始人一起做了一个运动健康APP，基于 PPG血液容积图(Photoplethsmography)，可以实现心率、呼吸率、卡路里消耗量等数据的评测。
北医毕业之后，我又到协和医院心内科学习，后来创办了现在的立达融医。
2014年我和我们创始人做了运动健康APP的项目后，对数据处理产生了兴趣，开始分析可以继续做数据处理或服务的项目，后来评估认为医疗行业的数据应用价值和社会意义更大。
我在医院做临床工作时，发现了一些机会，一线的医护人员除了给患者开化验、开医嘱，还要做科研、管理、统计等。举个例子，门诊看完了，病房查完了，领导说你把6个月内高血压患者的数据整理下，这些工作大部分是人工完成，但实际上有效率提升和节省人工的空间。
那时市场上大多围绕科研的应用场景设计，可做科研的数据维度，跟做管理、做质控、做财务方面分析的数据维度并不一样。所以，我就想到在投行都用的彭博系统(Bloomberg Terminal)，国内叫万得，我当时的目标就是做医疗行业的彭博系统。
进入这个行业，需要了解医疗大数据和人工智能。首先，医疗大数据和人工智能行业是一个多学科的交叉，包括临床、医疗、医学、科研、大数据、人工智能等，但最主要的是哪个在先，哪个在后，我们的看法是在医疗大数据中医疗在先，应用是最重要的。所以，我们一定要考虑应用场景是什么，应用的场景是谁?今天我不会分享任何关于技术的东西，可我们做AI的，如NLP等都是我们的工具，但最终我们的客户更关心的是这些技术能帮他们实现哪些应用需求，解决哪些实际问题。
我们团队里也有一些纯技术的人，医生说做质控，大家都能听懂这两个字，可具体数据应该长什么样?做AI的专家、做后台数据库的专家，他们是不知道的，这就需要我们有临床应用的人把这条路铺开。
另一方面，我们行业的Stakeholder，做医疗大数据的数据源是最重要的，它来自于哪?是谁能够产生这些数据?患者是数据源，可产生数据的都是医生，可他们也是主要做决策的，数据该怎么采集，该不该采集，这是很重要的。
医生在这个角色里，我们可以把它再扩大，就包括护士、技师了，只要跟患者接触的人都很重要，这些人也都是我们在提供服务的人群。
最终产生了数据，采集了数据，我们会跟一些数据应用者合作，我们定义的数据应用者包括卫健委、医院管理研究所、科研等方面的人，他们都需要这些原始的数据去做转换，应用之后再反馈给医疗与医学建设。
我们服务的人群，一定要确保我们提供的服务就是他们最花时间的环节。再者，也要了解一下他们的痛点，我用一个案例来说明，国内一家心血管病的医院，在跟国外克利夫兰医院交流时发现，两家医院都有4000个医护人员，可克利夫兰医院有6000个其他支持类的人员，国内这家医院只有200个人做那6000个人在做的工作，大量非临床工作被分配给一线的住院医师、主治，以及研究生、技师等。
我们都知道时间是很宝贵的，但我们大部分的时间分配在哪?用的场景我们也都需要去了解清楚。我们的医护人员(桥梁的人员)最关键的包括技师、医生、护士、研究人员、管理者，这些是我们来服务的。我们做的应用场景，如临床、科研、管理、财务、质控。这些相乘有25个应用场景，针对不同的人群去做，意味着我们做大数据服务、做AI的时候，最初的数据颗粒度必须要对。我们知道行业的情况，再往后是看整个产品、及市场化怎么去做，我们目前的市场逻辑跟国外A16Z的Marc Andreesen说的一个概念有关，他曾提出任何创业公司在考虑产品及市场化时要经历四个阶段：
第一个阶段，从没产品到有产品。我们公司从没产品到有产品，在第一家医院投入使用花了两年半的时间，产品在不断的打磨迭代。
第二个阶段，要做一个Product Market Fit，看客户是不是能够接受你的产品并使用，我们在第二家较大规模医院去做PMF测试花了八个月，我们确保说第一家医院做的，第二家医院能够去接受。
第三个阶段，要有市场模型。因为我们是做医疗大数据的，而不是做健康大数据的。医疗大数据我们面临2B、2H的行业，对于服务H端的企业来说，了解行业的采购周期、服务实施周期等非常重要，因为对于创业公司，了解实施时间可以帮助我们进行更好的成本控制。在第三个阶段(市场模型)，也磨合了6、7个月，目前公司在标准实施的周期不到6周，包括全院的信息互通。
第四个阶段，快速复制，快速铺开市场。只要达到前面这三个，那我们快速复制就是比较合理的，因为我们本身不是传统的TMT，不是传统的互联网医疗，我们服务的对象是专业性非常强的医院，所以我们一定要去验证我们的产品以及我们的商业模式，才会考虑去复制。
另外，从一个患者就诊流程来说，是一个线性服务流程，从筛查到确诊，而我们是围绕手术提供服务，还会包括术前检查、手术、术后管理，以及随访患者疾病治愈情况，所以需要我们知道是针对哪一个阶段去做，哪一个环节是最需要数据的，是最有信息不对称或者效率是最不好的。我们拿冠心病治疗为例，手术环节是数据量最大的，最核心数据所在，适合我们疾病切入。选中了切入点我们再围绕着刚刚说的就诊流程，按照手术上游和下游去提供更完整的信息化服务。
然后我们再研究怎么围绕着刚刚说的手术上游和下游去提供整体的信息化服务?另外我们按照单病种去做医疗大数据服务，我们围绕着DRGs去做，原因有几方面：
第一，最近医疗行业有几个大政策，如 4+7、精细化管理、DRGs、两票制、集采等，这些都会影响很多专科相关产业的运行。DRGs是国家大政策的引导方向之一，其中跟我们比较有关的是我们要知道患者应该花多少钱，医保应该支付多少钱，我们的依据是什么，本身就需要临床数据，你是轻度的还是重度的，你的花费是高还是低，政府需要用这些信息去支持DRGs的体系销。
第二，按照单病种垂直去做可以把整个生态服务做的更完整。一旦单病种信息化做的比较全，可以复制到其它病种，疾病之间的一些共性就可以被总结，比如心内科和妇科他们之间的信息化服务逻辑有比较多的共性，只要把一条线做的足够精细，转到另外一个行业，另外一个专科，它的整体逻辑就会更清晰。
我们在做产品的时候，主要目的是确保用户在使用时能更有价值，衡量的标准是有没有省时间。我们现在的目标不是帮医生去诊断病，而是把海量的数据整理到医生的面前，让医生去判定是不是得病，到了怎么样的程度，最终的诊断还是在医生那儿。
在这部分我们更关注疾病诊断以外的一些问题，假设用技术手段辅助或代替做诊断，把大量的数据算法放在里面，如何考虑到部分患者的经济状况、患者心情心态等相关因素，因为算法本身是没办法理解这些的，所以我们目前主要围绕着省时间来提供服务。
在科研和质控两部分，质控方面省的时间大概50倍左以上，原本要30多分钟完成的事情，可以大量降低时间，比如手术做完了写一个手术记录，手术记录以后要把数据转化为卫健委所要的一些要求，我们把这一块的工作全部都智能、自动化，通过算法去做。科研方面，我们把原始临床数据转化，做一些科研所需的维度，在这一块大概可以节省30倍以上的时间。
我们公司有几个基本原则，我跟大家稍微分享一下。
如果我们做，就必须做医生最需要的，医生当前最需要的就是围绕着“花多少时间和多少精力做哪些事情”的这些点。因此我们就要做医疗行业最专业的服务，最专业服务的定义不是说学习学的最好，而是产品能用，而且用的过程中没有大的问题，这就表示我们的大数据应用、AI应用是符合用户需求的。
其次，如果要做就必须让权威专家使用满意。专科的一些指南、指导意见都是由比较权威的医生去向全国发的，国家的一些大政策、计费方面也会请专家去点评，所以我们在提供服务的时候，一定是找国内北上广深这些地区的顶级专家帮点评，看这个是否符合国内医疗行业大趋势。
如果做，就必须有产品的阶段目标和长远规划，就像我刚刚说的一个患者从筛查到治愈，整条链会被不同的人群服务，比如技师、医师、护士，以及不同的应用场景，我们先做哪个，后做哪个，都需要去思考，因为没有无限的资本可以烧，必须精准评估之后才能去做。
未来几年，立达融医仍然会围绕刚提及的那几个维度来做。从病种来说，我们现在是围绕着慢性、非传染性疾病这方面去延伸。病种以外我们考虑的是我们要去做垂直，每个疾病从筛查到治疗，整个链条都需要提供服务，所以整个环节的数据都可以采集分析，去训练算法。同时在做商业化的时候，我们也在考虑多种模式，比如2B模式、2H模式、2B2C模式以及2C模式等，前提是所有都是基于已有的数据维度与数据应用场景来展开。
最后与在座各位分享一句话，一位著名作家曾说过，你永远做不出最好或者最完美的决策，只要在有效的时间内做到你认为的最好就可以了。我们在创业初期决策要果断，思想要完整并迅速，如我们决定融不融资，我们决定融不融资，我们决定进不进这个市场，研不研发这个产品，我们怎么去定价，这些都是我们在有限的时间内必须做的事，做我们觉得当下正确的决定，然后向前去拼命。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
