老年|远毅资本唐轶男：DRG支付推行后，AI病案质控将成为「黄金赛道」( 六 ) |中年|中薪|

这个系统的ROI极高，在1:12-1:20的水平。也就是说，医院一个月左右就可以回本。
M&ampModal是美国病案质控领域的一家新兴公司， 2018年底被3M以10亿美元的价格收购。该公司可以实现5%的CMI指数提升，意味着帮医院增加了5%的总营收，以及找到漏填的并发症、严重并发症，降低了出院诊断不明确的病例。

本文插图
目前，在美国病案质控系统最大的两家供应商是3M和United Health旗下的Optimum ，行业集中度很高，前两名的产品占据了市场的绝大多数份额。经常有朋友问，这个系统未来会不会成为HIS系统的一个子集？言外之意，厂商会不会很容易就做出来？在美国Epic和Cerner这么强大，也没有进入这个赛道，其实背后有很多深层次的原因。
在德国也是“Code = Money” ，在DRG推行后，类似的系统成为医院的标配。

本文插图
AI病案质控的技术特点和行业展望
从投资人的角度来看，投资AI赛道有两个核心的问题：技术壁垒如何判断？如何甄别不同公司产品的成熟度？
我认为，不同的应用场景对于系统性能的要求不同，系统性能要求越严苛的应用场景，技术门槛也最高。很多行业都有质控系统，作为生产安全和产品质量保障的终极守门员，质控系统的可靠性要求往往极高。

本文插图
对于病案质控系统， 95%的准确率只是一个最基础的要求。
举一个例子，一家病床数2000张的三甲医院，每天需要质控的运行中和终末病案数量大约也是2000份。假设每份病案平均只会出现一个质量缺陷，一天下来就会产生2000个缺陷；如果是5%的错误率，就意味着100份病案质控出错。
因此，医院病案质控系统是极其慎重的。系统的精准度是产品成功的关键，而保障一个系统精准度的就是底层的NLP引擎。如果对医学文本理解的颗粒度和准确度不高，那么无论如何打磨上层产品，都不可能实现性能的显著提升。
病案质控的第一步就是理解病案的语言， NLP技术的三个重要环节：分词命名、实体识别、语义关联分析的提取。医学语言的NLP有特殊的技术难点，需要通过构建专用的语料库进行针对性的算法训练。

本文插图
第一步是分词，从第一部分开始，医学语言的特殊性就已经体现得淋漓尽致。