2024年医疗卫生软件开发 篇1
1.扩大传播受众范围:医疗小程序是在移动端运行的平台，而医疗行业商家或者机构选择利用小程序开发在用户 更依赖的移动端去传播医疗信息，可以扩大传播面积，增加受众范围，达到更高的影响价值层次。
2.合理分配资源:医疗机构通过小程序开发在线咨询、在线预约等功能，可以提高就医服务指引效率、提前 合理性分配医疗资源、实现医疗服务整体规划，并减少患者等待时间。
3.形成发展新格局:小程序推动医疗行业的服务场景的扩展，实现线上线下服务结合，让患者能多渠道获取医 疗服务，也让医疗行业能形成移动化、网络化发展的新格局。
医疗小程序主要功能开发
1.在线挂号
患者确定需要上门看诊后，只需打开医院医疗小程序平台，智能选择病患部位，可进入相应科室， 选择专家、时段，预约挂号，支付挂号费用后即可完成挂号，无须去医院排队。
2.医生在线
在线咨询医生，医生根据患者对目前健康情况的描述，分析患者病情并提出专业性建议，患者 再根据咨询结果做下一步就诊考虑，既可提升就医指引服务质量，又能节省患者时间。
3.信息展示
医院可展示各个科室名称、所属分组、科室简介、医疗健康常识等信息，企业可以展示与医疗 相关的医疗保健产品或者医疗信息，将商品信息、优惠互动资讯等通过小程序推动到用户面前。
4.床位预约
点击医疗小程序进入床位预约模块，根据操作指引选择床位类型以及相关备注信息，提交预约， 就能实现移动在线床位预约，到达医疗机构直接出示资料办理入住手续既可。
5.报告检查
患者不用去医疗机构，就能在线查询检查报告，省事省力，只要输入相关信息就能随时随地查 询检查结果；此外，小程序能将患者的问诊列表整合，统一查看，出现相同问题时无须再费时咨询。
6.手机支付
通过开发微信支付功能，在线排号、挂号、预约等所花费的医药费可直接在医疗小程序平台支付；在医疗小程序商城中购买的医疗产品也可以直接在小程序中在线支付。
2024年医疗卫生软件开发 篇2
医疗软件行业是现在的朝阳产业，现在国家推进医疗信息化的脚步逐渐在往更高处迈进。
医疗软件的需求：医疗软件新软件开发，这块内容，需要在前期沟通准备的时候，自己内部就进行讨论，自己要明确这款软件开发出来具体的功能，怎么制作能满足客户的要求，明确好内容，准备好材料。进行前期的沟通和调研，将重点的点跟客户确认，并明确这些点的具体内容，如果有不确定的点，及时跟客户反应，不要等软件已经开始开发，而去修改，这样不但影响开发的效果，也影响项目的进度时间，是需要规避的项目风险。
在做需求的时候，不要盲目直接去做，首先根据需求流程，进行确认，内部讨论，讨论需求的合理性和可行性。拿到一个需求就去完成是一个很不理智的行为，人员的成本费用本来就是很高的，而且客户是有多个的，不可能每个人都去开发一套新的软件，这个费用和成本是很难想象的。所以被需求要严格规范控制，如果需求套路通过，就由研发组去开发完成，需求交付，开发的过程中，跟开发人员沟通预期的结果，这个过程，个人认为是很重要的，因为这个过程可以很好的规避需求的重复修改。
做好一个需求其实没有什么难的，难的是在需求之前的沟通，是需要控制的，因为类似平台类的需求，是不可能根据每家机构的需求去单独开发个性化需求的，这样相当于开发了多套系统，所以，做好前期的准备，一个需求的开发是相对简单的。
2024年医疗卫生软件开发 篇3
选择合适的研发方向
选择一个适合使用新一代人工智能技术来解决的临床实践问题，是医疗器械产品研发的第一步。医疗产品的开发离不开科研成果的转化，但临床科研与生产一款医疗器械产品还是存在着较大差别的。临床科研是为了探索临床实践中的问题，并给出可能的解决方案。很多科研结果只是在相对理想的条件下进行的尝试，与实际临床应用中面临的复杂环境还存在差距。
一些企业选择解决目前还没有明确科研成果和结论的方向进行尝试，这种创新方向的尝试既有可能创造较大的正向收益，也有可能造成较大的负面损失。一方面，对于还没有明确科研结果的问题，如果这种尝试能够解决，会形成较高的技术壁垒，而且，在科研的过程中会发现许多生产中可能遇到的问题，这有利于积累解决问题的经验。另一方面，从科研开始做起会延长产品的研发周期，对于初创企业来讲会产生较大的压力。这因为，科研课题有可能成功，有可能失败，对于没有固定营收的初创企业来讲，风险较大。
算法、算力、数据是深度学习算法的三要素，在选择产品开发方向的时候，需要考虑到目前各方面资源在这三个维度是否能够达到生产产品的要求。
目前的算力主要依赖于GPU显卡，在大多数的项目开发中，算力不会是项目开发的瓶颈，相关问题可以通过购买更多的计算资源解决。
算法方面，一般来说，一个可以用深度学习解决的医学图像处理问题，之前都会有使用传统机器学习的相关研究论文发表。因此，通过文献调研的方式，可以了解采用传统机器学习的准确性，以此作为深度学习算法研发的一个基础标准，通过增加数据量的方式，利用深度学习算法提升算法的准确性。如果之前在该方向没有传统机器学习的算法文章发表，则需要进行更多的调研，从调研中了解没有文章发表的真实原因。尤其是当该类问题的数据很容易搜集，且临床问题看上去很简单直接的时候，更应当深挖这其中的问题，以免重蹈前人的覆辙。
数据是基于新一代人工智能技术研发产品的基础，在开始一款人工智能医疗器械的研发之前，我们应当充分调研数据——作为生产材料，是否能够获取我们希望得到的质量与数量。与交通、安防等行业动辄以TB为单位的海量数据相比，医疗行业的信息化、数字化进程相对滞后，病例数能够达到上万或者数十万的量级已经是十分困难。通过了解头部医院对于相关病例数的积累，可以大致了解数据量是否充足，同时结合之前机器学习文章中数据集的积累情况，可以基本判断出研发所需的数据集是否有可能获取到，或是需要多长时间的积累才可以达到比较理想的状况。
除了做信息调研，与临床医生进行密切的合作也是选择正确研发方向的一个重要环节。医学专家不仅有着丰富的临床经验，清楚临床需求，还有多年的临床科研经验，对很多新的方向都有所尝试，这些经验是十分宝贵的。从临床专家那里获取真实的临床需求，了解科研中遇到的问题、困难以及取得的成果，可以避免走弯路，有利于更好地寻找到适合自身的研发方向。
明确产品功能定义
研发医疗器械产品，需要研发负责人对产品形态在整个医疗过程中扮演的角色、产品可以解决临床工作中的什么问题有着清晰的理解和认识，切忌盲目地“拿着锤子找钉子”。相比大众消费领域的需求可以被大多数人所理解，产品定义者本身作为一名消费者能够理解消费者群体的需求，而医疗等行业具有较高的专业知识壁垒，医生和患者之间存在着极大的专业知识的不对称性，使得我们无法从一个患者的角度，来创造一个作为患者所理解的医疗需求，而是应该更多地站在专业医生的角度来思考问题。
临床需求大体上可以分为两类，一类是提升诊断和治疗的准确性，也就是更好地看病；另一类是提升医疗效率，使得医生在同样的工作时长中能够治疗更多的患者。
解决不同的需求所面临的用户也是不同的。由于我国医疗资源分配不均、医生水平不等等问题，导致在不同的应用场景下，实际需要实现的算法需求是不同的。
例如，对于一个疾病筛查的任务，需要尽量降低假阴性及漏诊率。而对于一个需要在大型三甲医院进行确诊的病例，特异性、误诊率可能是需要被首先考虑的指标。由于人工智能算法的特性，使得即使是在同样的数据和算法条件下构建的最优模型，在最终输出结果时，阈值的选择还是决定了敏感性、特异性两个性能指标肯定是一升一降。而医疗器械要求算法具有极高的可重复性，不能随意改动算法参数，影响输出结果。因此，需要根据不同场景和使用者的不同需求情况，分别开发适用于这些场景的产品。
由于人工智能技术最早被应用于互联网产业之中，所以在医疗人工智能产品的开发中，除了传统的医疗器械开发人员之外，也引入了很多具有互联网产品开发背景的人员。
互联网产品的开发讲求快速迭代，不断更新，根据用户的使用情况，及时反馈和修正，以实现最好的用户体验。很多互联网产品的功能迭代是以月、周甚至天为周期的，而传统的医疗软件的更新频率通常是以年为单位。之所以医疗软件更新的周期长，是因为整个研发过程需要进行严格的质量控制，以保证最终输出的产品不会在临床使用过程中发生意外或产生风险，而且医疗产品的每一次迭代都会产生巨大的研发成本。与很多互联网产品选择先上线供客户试用，再不断修正错误的过程不同，对于直接关系到人体生命健康的产品，医生也不敢在有潜在风险的情况下，贸然尝试将该产品在临床使用。
因此，对于刚刚进入医疗行业的公司来讲，建议加强企业对医疗器械质量文化的研究和实践，认真分析并理解“互联网思维”和“医疗器械质量文化”的差异，在发挥自己优势的同时，也要提升自己在医疗器械领域的研发水平。当然，互联网公司所擅长的敏捷开发，也是医疗器械公司所追求的，但这非照搬“盲目提出功能需求、先开发后修改”的模式。
一个经济且高效的开发方式，应当是在最初进行产品整体设计之时，对技术可行性、用户需求、市场规模等多个方面进行充分的调研，确定产品的适用范围和最终功能形态之后，通过敏捷开发的形式，不断向着最终的目标前进，快速解决研发过程中遇到的各种问题。在保证产品质量的同时，尽快推进产品的研发上市进度。
严格数据质量控制
与生产其他的人工智能产品不同，生产一款医疗器械产品，要同时关注安全、有效这两个方面，国家相关部门对于产品的审批，也主要考察这两个方面。
国家药监局医疗器械技术审评中心发布的《深度学习辅助决策医疗器械软件审评要点》（以下简称《审评要点》）中提到：“从发展驱动要素角度讲，深度学习实为基于海量数据和高算力的黑盒算法。本审评要点重点关注软件的数据质量控制、算法泛化能力、临床使用风险，临床使用风险应当考虑数据质量控制、算法泛化能力的直接影响，以及算力所用计算资源（即运行环境）失效的间接影响。”可见数据质量控制在新一代人工智能医疗产品的开发中发挥着重要作用。
在新一代人工智能医疗软件的开发中，数据扮演着生产原材料的角色，因此对于生产原材料的质量需要严格把关。《审评要点》中提到：“数据收集应当考虑数据来源的合规性和多样性、目标疾病流行病学特征、数据质量控制要求。数据来源应当在合规性基础上保证数据多样性，以提高算法泛化能力，如尽可能来自多家、不同地域、不同层级的代表性临床机构，尽可能来自多种、不同采集参数的采集设备。”也就是说在获得数据的时候，既要考虑到数据的来源，也需要完整记录数据相关的信息。
研发人员要根据产品功能定义的内容，来确定该产品所需数据的完整性应包含的具体内容。而产品功能的定义要参照目前公认的临床指南、专家共识、检查规范等业界规范标准进行设定。
在功能设计的时候，要保证功能的实现符合目前临床的常规操作流程。例如：一款医疗器械软件的功能定义为确定病灶位置，而病灶位置以及外观属性是可以通过影像数据准确判断的，医生在临床诊断时，无需其他辅助信息单纯获取影像数据即可。如果该软件功能定义为判断病灶良恶性，而临床上良恶性是通过病理结果确定的，则完整的数据至少应包括影像+病理报告。同时，如果是分类问题，每一类的数据量应当符合相应算法的最低要求。
预实验确保标注质量
数据标注是人类借助计算机等工具，对各种类型的数据包括文本、图片、语音、视频等，完成分类、画框、注释、标记并打上说明其某种属性的标签的工作。整个加工过程都应该在严格的质控下进行。除了在招募医生时应有较高的招募标准外，在招募完成后，还要对医生重新进行标注能力的评估和考核。
建议由医学专家组对参与考核的医生进行标注规范培训，之后由医学专家组统一制作一批具有正确答案的标注数据作为考试库数据。在筛选医生时，根据病种类型选择相应比例的考试题，测试应保证覆盖产品功能中要分辨的每一类病例。
在医生资质测试考核中，不仅要检测医生对病例判读的准确性，还要考察该医生两次诊断的一致性。标注关注的重点是一致性，也就是说同一病例由不同标注者或同一标注者进行两次观测，其结果在误差允许范围内是一致的。评价一致性程度的方法很多，比如说Kappa值、Kendal l一致性系数、组内相关系数（ICC）等。对于不同的数据类型和标注方式，需要选择合适的评价方式。
通过标注资格筛选考试的医生，可以认为其专业水平达到项目的要求。但是在实际标注中，无论是现场集中标注还是远程在线标注，标注人员的工作状态都有可能会出现波动。所以需要对医生每天的标注状态进行实时监测，以保证数据标注的质量不会出现大幅度波动。监测方式主要有以下几种：
第一，标注时间监测。在培训测试阶段，可以通过记录测试过程中医生对于每一个病例的标注时间，建立每一位标注者的标注时间分布。在实际标注阶段，可以通过不断比对每一个病例的标注时间、该时间在该标注人员标注时间分布中的位置来判断标注的状态。若标注时间多次出现过长或过短的情况，则需要对标注人员的状态和数据的质量同时进行评估。
第二，标注一致性监测。在标注过程中，引入部分病例，让同一名标注人员进行二次标注，并计算同一个人两次标注之间的一致性，以确保标注人员的标注一致性水准始终能够达到项目的要求，保证整体标注的一致性。
第三，标注准确率监测。在标注过程中，引入部分医学专家提供的带有标准标注答案的病例，计算标注人员对于带标准答案病例标注的准确性，用以评估标注人员的实时状态。
由于开发深度学习类产品所需的数据标注量极大，标注过程的时长、费用都会十分高，因此控制标注过程的质量以及设计合理的标注方法和流程，能够控制标注成本，大大降低由于设计不合理造成的返工和成本增加。
为了避免在大量数据标注后才发现问题，推荐进行小批量标注预实验，用以检验方案的可行性。即在大批次数据标注之前，先选取少量病例数进行标注预实验，以检验标注培训效果和标注医生水平，检验标注方案和标注策略是否可行，为确立最终的标注策略提供数据分布以及标注质量评定的参考，同时预估标注耗时和成本。标注预实验阶段，应选取超量的医生（与最终实际标注相比）进行重复标注，以便评价不同标注质量控制和标注医生的能力。如果在小样本测试中发现多名医生标注一致率不高等问题，则应当重新回顾产品需求的设计和功能定义，确定该问题是否可以通过该种标注形式来达到预期效果。
构建一个人工智能产品，把算法模型从0训练到可以达到临床实际应用的程度，需要严格管理每一个环节质量。好的标注数据质量就像营养丰富、均衡、干净卫生的美食一样，输入进模型可以帮助人工智能模型健康、茁壮的成长。但是如果输入了质量不达标的训练数据，则会造成严重的“先天不足”，影响后天的成长。
“磨刀不误砍柴工”，正确的产品设计、高质量的数据、准确的标注是一个医疗人工智能产品能够成功的重要条件。我们既要做到快速迭代，又要保证资源的合理利用。我们可以通过前期的充分调研论证与思考，配合小批量的预实验来验证方案的可行性。这既可以实现快速的多轮迭代，又可以避免资源的大量非必要支出，增加每轮迭代的有效性。我们在研发过程中既要充分学习互联网行业快速迭代开发的机动性，又要保证遵循传统医疗器械行业审评中“安全、有效”的基本要求，只有这样，才能设计出好的基于新一代人工智能技术的医疗器械软件。
2024年医疗卫生软件开发 篇4
1. 真需求与伪需求：移动医疗创业反思录（上）说移动医疗是双子座的，外表火热内心高冷。政府吹响了互联网+的冲锋号，每天都有企业宣布进军移动医疗，隔几天就有家公司冒出来说融资X千万或者估值X亿，各路投资创业大佬在大会小会免费发鸡血针，号召你卖血也要买张互联网+医疗的船票。
可要真做或者真投了移动医疗项目，你就知道真相怎么回事：大家都是赔本赚吆喝，贴钱买用户，连赚钱的影子还没看见，喊了半天的医保、商保还没有付费的意 思；医院和医生不但用得少，还笑话它除了挂号和问病还能干啥；就连患者都不怎么买账，几十家糖尿病APP上真实的用户加一块也到不了糖尿病患者的5%。虽 说互联网创业都是从入不敷出开始，但人家新用户每天都蹭蹭长，移动医疗做几个月就发现这边增多少那边掉多少，用户周活跃度过5%的都没几家。
为什么前途无量的移动医疗会做得这么辛苦，核心用户还在边上看笑话？烧完投资人的钱，移动医疗能不能自我造血？移动医疗企业的梦幻估值能不能变成真正现实？
你我既然选择了移动医疗这条路，只会说“医疗移不动”就没劲了，还要拿出能做得通的招。在医疗这样保守环境中成长十分不易，创业公司自身还有问题就更难出头。在聊过几十个创始人投资人并看了近百个项目之后，我想从实战角度分三篇来谈在外界环境没有突破前，移动医疗如何走出泥潭实现梦想。
在移动医疗存在的所有问题中，第一条必须是用户需求。很多项目上线后的万般痛苦纠结，并非对手太强或者运营不力，根源还是出在用户需求没抓对。围绕伪需求 来设计的产品和商业模式，不管融资、运营和技术多给力，走起来都千辛万苦。要知道现在是APP过剩时代，市场不会给你时间慢慢试错、纠错，产品不能在第一 次打开就让用户心动，第二次打开的难度就大很多，第三次打开的机会就没了！ 建立在伪需求上的产品，好比建立在沙滩上的宫殿，装修再好也免不了要倒。伪需求也是创业史上最可怕的万人坑，在电商、社交、O2O都埋葬过不少英雄，在天 然低频、高壁垒的医疗行业就更加有杀伤力。
创业者投资人都长得挺聪明的样子，怎么会有人看到伪需求也扑上去？创业必须抓用户痛点是个常识，但医学领域高频、真需求的痛点实在太少了，要不就是目前技 术满足不了。有些创业者是因为没有实战经验，高估产品的用户的利益甚至干脆虚构产品的应用场景，误把一厢情愿当成你情我愿；有些人是低估线上拉客、留客的 成本和难度，总是想随手就做成个双边平台，自己坐收渔利。前面的人还算在努力，还有有些人就纯属为了圈钱，虚构新的用户需求来跟现有产品来差异化，其实这 个需求他自己都不信，这才有各种伪需求打着强需求来招摇过市。
那真伪需求有什么不同？真需求俗称“痛点”，就是能让足够多的用户愿意改变习惯而频繁使用或购买你产品的需求，它自然也是强需求。伪需求要么是不能找到足够的用户，要么是用户不愿频繁使用或者买单，俗称就是“痒点”（弱需求）或者“无痛点”（没需求）。
伪需求并非不是用户的需求，它只是当前不足以支撑一个商业模式。需求的真伪还取决于是哪批人群，某些人的伪需求可能是另一群人的真需求；也取决于时间，彼 时的伪需求也可能进化成真需求。以大家熟悉的打车APP为例，它在一二线城市是真需求，在四五线城市就可能是伪需求，在三年前大家习惯扬手招车，现在被不 少人更喜欢手机APP订车。在医疗行业，多数患者的真需求可能是尽快解除病痛或花更少钱治好病，就医环境体验或者好坏只可能是少数人的真需求；多数医生的 的真需求可能是增加收入和让工作轻松顺利，搞科研或者主动随访患者只是少数医生的真需求。
那能不能快速区分真伪需求呢？可惜用户需求并不像人民币可以用验钞机来验验，真伪需求之间也没有明显界限或标准，多数需要产品运营了才知道，除非这个需求伪得太明显。传统用户调研对鉴别真伪帮助不大，是因为：
用户经常说不出或者只是拿表面需求来代替内心深处需求，比如他告诉你的需求是一把梯子，也许他内心真正的需求是上二楼，
用户不想表达真实需求，比如他说去CHINAJOY是因为喜欢动漫，其实他只是想去看美女。
有些用户口口声声说这是他的强需求，但真要买单时人就不见了，要不就是个小众的需求完全能做不出规模，比如他想附近就有个老师能随时教上门英文，等要为这种方便而多付钱时他又退缩了。
因为缺少付费方和公立医院的垄断性，医疗远没有市场化。在封闭环境里想弄清用户是谁和它们需求的真伪会更加困难，因为真伪需求可能交织在一起。
口说无凭，举例为证：
基于熟人的医患问诊随访，医患线下认识然后转到线上可以方便的咨询和随访，比如杏仁医生和青苹果等项目。需求看着很明确，其实不然。除了肿瘤、移植等少数 高风险患者医生有兴趣随访，医生对普通患者特别是慢病患者随访意愿不强，既没有学术价值又没有经济价值，靠项目烧钱补贴或者做几次病毒营销并不能解决其产 品的本身缺陷。所以你会看到这些产品的定位不断漂移，从医患随访到医生工具甚至社交，未来到保险到药品电商。看似面面俱到，实则零落无根。
病历管理工具本来是一个很有用的工具，也解决了部分医生的需求。可惜它们都不能跟医院HIS系统对接直接采集数据，缺少临床科研所需要的严密格式和数据 量，连结构化的电子病历都实现不了。所以除了少数喜欢管理患者或者愿意给自己行医留点记录的医生外，多数医生在医院写了一天病史后并不愿意再花时间去这些 APP上整理一套数据。所以这些产品在尝试之后分头转向患者随访或者医生综合信息服务入口。
Uber火了，医疗界模仿的人也很多，比如紫色医疗和嘀嘀医生等都号称自己是移动医疗的Uber。咱就算它们学得像，问题是医生上门服务工具是真需求吗？ 先不说医生不像私家车一样供应量无限且质量均衡，有多少患者愿意为普通医生支付高昂的上门费呢？Heal和Pager等Uber模式在国外可行是因为国外 候诊时间太长且诊费巨贵，国内医院十块八块看个门诊完全不是一回事。再说能上门看病，诊断怎么弄？医疗风险谁承担？