智能医疗商业化落地路在何方---陆家嘴金融网

智能医疗商业化落地路在何方

      2019-06-14 14:10:30
  

智能医疗商业化落地路在何方

近日在上海举行的RTalk未来医疗健康论坛上,容言创新传媒创始人、RTalk合伙人谷昕容邀请四位在医疗健康行业的明星投资人和创业家共同探讨了有关人工智能+医疗领域,创业者和投资人都非常关注的核心话题:商业化落地方向、数据痛点突围、投资趋势分析,四位嘉宾毫不吝惜地分享了自己多年积累的经验和独家观察。这是一场非常接地气、干货满满的对话,相信一定会让很多人受益匪浅。

嘉宾介绍(上图L2-L5):

软银中国资本合伙人江敏,主要负责医疗领域的投资。软银中国是一家领先的风险投资和私募股权基金管理公司,聚焦在三个板块:TMT、医疗和新能源。加盟软银之前的六年时间,江敏先生任职国内最大的移动医疗公司微医集团副总裁,是微医创始团队成员,带领团队开创公司的商业版图。

博远医疗基金创始合伙人陈鹏辉。在创立博远医疗基金之前,担任红杉资本中国基金合伙人,负责医疗领域的投资。之前任职于光大控股,组建了光大控股首期医疗基金,担任基金负责人,全面负责基金的管理和投资。 代表性的投资项目包括华大基因 (300676) ,浙江贝达医药 (300558), 鱼跃医疗 (SZ002223),再鼎医药(Nasdaq ZLAB), 美中宜和,挂号网等近二十家国内医疗领域的领先企业。在进入医疗投资领域之前,在国内领先的医药研发外包公司尚华医药研发服务集团担任总裁,COO, CFO. 领导了公司的快速发展,并于 2010 年领导公司在纽约证交所上市。

普华永道咨询(深圳)有限公司企业购并部的合伙人马骏骎。马女士拥有十八年以上的专业服务从业经验,其中超过12年在并购交易咨询领域提供专业服务。她的客户包括私募基金、财富500强的跨国公司以及国内的大型企业集团。其涉足的行业包括房地产、零售、医药、运输物流、教育、消费品和工业产品、高科技行业及酒店等。

杏脉科技的CEO何川。杏脉科技作为复星旗下首个独立孵化的人工智能企业,于2018年2月份成立,主要聚焦于人工智能医疗影像的相关领域。何川女士现任上海杏脉信息科技有限公司总经理、复星集团总裁助理、上海复星智健信息科技有限公司总经理兼董事、上海钢联电子商务股份有限公司(股票代码:300226)监事,中国医学影像AI产学研用创新联盟常务理事。

智能医疗商业化落地路在何方

谷昕容:我们今天的圆桌论坛主要想探讨新科技如何赋能医疗产业的创新创业,以及投资趋势的话题。

今年三月我到访硅谷,拜访了一些非常资深的风险投资人。我都会问他们一个问题:人工智能领域在哪些行业的应用是你们最看好的投资机会?我发现这些人的答案高度,他们都提到了聚焦的两个领域:自动驾驶和医疗。当然我这里也有数据支持:自2013年以来,全球人工智能各领域投资热度分布中,医疗健康领域的热度最高。另外,麦肯锡有一项预测,到2025年,全球智能医疗行业规模将达到总254亿美元,约占全球人工智能市场总值的1/5。近几年,人工智能不断地进入垂直细分领域,AI+医疗就被认为是最容易落地的领域之一。

我相信各位无论从投资还是创业,亦或是第三方服务的各个角度都看到了很多AI+医疗的案例,但是看到的真正临床落地的项目还是凤毛麟角。AI+医疗是否能实现商业化,目前有没有看到很清楚的方向?

江敏:人工智能领域的商业化一直是个痛点。其实我们布局的企业当中也有很多到现在为止都还没有实现规模发展。但是我们今天目睹的很多产品,可以说技术都取得了很多进步。例如今天第一位演讲嘉宾钱建中博士(因为他们公司EDDA也是软银中国投资的企业)所展示的人工智能+精准医疗的产品——手术室的机器臂,已经是世界领先的技术了。但是现在有很多很好的技术,买单方还是缺损状态。这是为什么?我们会看到这样几个现象。人工智能到医疗领域应用的时候,需要看三个方面,第一,问题有没有根本解决;第二,你解决的是主要矛盾还是次要矛盾;第三,你在解决的这些问题的时候,你的商业逻辑和现存的体制之间是否具有冲突性。

人工智能在中国的应用还很漫长,因为中国医疗体系的复杂性以及这其中各种利益关联体系的复杂程度都非常高。一个好的产品不一定会有好的商业应用,那么创始人就很重要。所以我们在看项目的时候除了技术之外,最根本的还是看人。创始人如何在产业链条中进行有效的整合,能够把链条更好地切清楚,把格局更好地理清楚,这样他在中间所拥有的空间才会更大。

谷昕容:陈总,我知道您投了很多非常成功的医疗项目,自己也是创业成功者,您来谈谈人工智能+医疗为什么没有办法实现商业的突破?尤其是刚才江总提到没有购买方,为什么没有?谁可能成为购买方?

陈鹏辉:我之前投资的大多是传统医疗项目,比如新药研发、医疗器械。

但是其实很多传统项目早在5-10年前就已经有了很多人工智能的成分在里面。除了影像分析以外,人工智能还有一个非常大的应用——新药研发。20年前我在美国做新药研发的时候,我们就有了computer design,当时我们没有叫人工智能,而是叫计算机辅助设计,包括药品分子结构的设计。很多今天上市的新药里面都有我们所说的computational chemistry或者是computational biology的元素在里面。而今天随着科技和人工智能的发展,如果讨论人工智能能不能商业化,那么从新药研发的角度20年前就已经存在了,但是目前没有一家纯粹的人工智能公司主导新药研发。但是在欧美一些大的制药公司已经在使用很多人工智能技术。

我非常同意江总的观点,找到支付方最为关键。人工智能商业化支付方是谁?如果把新药研发公司作为支付方,我认为早就商业化了;如果我们把医院作为支付方,在中国刚刚开始,我认为也有非常好的前景。但中国的医院比较复杂,怎样能够设计一个创新的商业模式是非常重要的。还有一个非常大的支付方——商业保险,我们最近投了一家公司,为商业保险提供创新的支付方案。现在目前卖得比较好重疾险叫做百万医疗险,但它赔付的部分是院内消费,那么一个真正的肿瘤病人,在医院里能花多少钱呢?非常少,而真正大的花费是在院外,无论是最新的抗肿瘤药物,细胞疗法等基因疗法,这些几十万上百万的产品是没有人报销的。那么如果现在的商业保险公司能够提供一款创新产品,帮助患者在重疾发生时,通过精准的计算来保证,一方面患者得到更多院外消费的保险赔付,同时保险公司也能负担得起。当然这背后需要很多数据的精确计算,而人工智能就非常有用武之地,我已经看到一些公司已经开始摸索人工智能在商业医疗保险领域的机会了。所以我认为找到付费方很关键,无论是新药研发公司,医院还是商业保险公司,这都有可能是我们付费方。

谷昕容:谢谢陈总,商业保险是一个非常好的方向。下面我想问问何总,现在的人工智能技术是不是还没发展到可以让所有的医生相信它可以取代人类?如果目前的技术状况在未来两三年的发展下也没有突破飞跃,那我们该如何找到可行的商业模式?杏脉科技有什么经验分享?

何川:我认为商业化和技术的关联度说大也不大。一方面,人工智能技术在医疗行业非常复杂情况下的应用一定在未来会有非常快速的成熟和增长,会有更多技术上的迭代,就目前看到在全球范围内,与人工智能相关的新发论文在呈指数级的增长。

但是另一方面,我们现在看到的一些新产品的研发,实际上现有的相对成熟的技术已经在一些场景下可以较好地满足需求。那么为什么大家会认为商业化不是非常成熟,不是非常充分?原因来自现在的医疗行业非常需要创新和跨界整合能力,它不是单纯技术初创公司或团队就可以把商业化和产品做到极致。在医疗产品中,往往并非单纯的深度学习技术就可以解决复杂场景,在很多场景下可能技术上非常创新,但在临床上存在有一些工作流的问题,包括需求方和受益方之间存在一些悖论的可能性。

所以,商业化这件事情最重要的还是归根到它需要有医学、技术、产品、商业,传统的医疗和计算机等多方面的专业能力,如何实现规模化和产业化,这些都需要形成整体协同发展,才有可能实现落地。

我认为商业化落地要分两部走。第一,临床上真实的需求是否得到充分的满足?我们看到很多场景下它是一个痛点,但是因为产品本身质量没有做到极致,大家可能会误以为它是个别需求。

第二,当需求被充分满足,产品质量达到后,是不是有合规以及可信且合理的支付通路?这也是非常重要的。首先,在医疗行业,强监管牌照是绕不开的事情。其次,在如此复杂且非常专业的领域里,你要理清楚,既要有技术创新方法,同时还要符合整个经济逻辑和商业逻辑,我们认为这两方面都很重要。

从我们在这个行业中不断摸爬滚打看到的真实情况而言,第一部分,需求已经在提升,比如在医院和保险体系中,人们越来越多地接受人工智能的技术和产品且愿意应用,这是我们在这个行业里看到的最真实的感受,也是让我们更加有信心的地方。

但是另一部分在于,在真实需求被满足后,我们是否能够把产品质量做的更好,这一方面需要我们自身非常努力,另一方面可能也需要一些整体行业的契机,一些政策上的支持和导向来共同推动发展。但我们总体比较乐观,2019和2020年很重要,是医疗人工智能行业重要的时间窗口。

医疗数据的困境突围

谷昕容:马总您有很多医疗行业交易并购方面的经验,您所看到的人工智能+医疗商业落地的痛点是什么?

马骏駸:我在去年也做过一些医疗+AI的项目,包括去年参加了一家做医疗大数据的人工智能企业的融资,但我发现和它的高估值相比,它的收入和高估值无法按PS或PE值来衡量,为什么会有这样的问题?我们也做了深入的访谈。

据我个人的观察,我认为在中国的智能医疗的商业落地的一个难点在于,数据是比较大的关隘、难点和瓶颈。为什么这么说?中国的电子病历的普及度并不高,这就造成了结构化和信息化的医疗数据,尤其是核心的诊疗数据占比较低,三甲医院可获取的比较有价值的数据只有10-20%,到二级和一级医院只有1%。

而且信息孤岛现象比较严重。结构化的数据分散在各个隔离的系统中,比如单家医院本身的数据就没有结构化,可能有30多个数据系统,这妨碍了依靠数据做模型训练。而跨医院的合作也非常困难,各家医院的数据录入标准不同,导致可以用于训练的数据量不够。所以目前我们看到的大量初创的人工智能医疗公司,很多是通过科研合作,或者是用比较低价的SARS服务,或者是政府免费的去获取这些结构化的数据,成本也比较高。

所以我认为数据肯定是商业化落地的一个难点。回顾2018年投融资市场,医疗AI的企业融资了45亿人民币,主要布局在四个方面:虚拟助手,医用机器人,医疗影像和智能健康管理。但是看融资金额,50%以上超过亿元级别的融资基本都在医疗影像的赛道上,为什么?也是因为这个赛道上最容易获取数据,包括肺结节、眼底,都有公开的数据库,因此这也是容易实现商业化的赛道。但是,我们看2018年整个人工智能的投融资市场是750亿美元,而医药和医疗器械有300亿美元的投融资,所以整体来看,医疗AI的融资占比其实还是比较低,未来还是有很大的发展前景。

谷昕容:马总提到了人工智能非常关键的数据问题。医疗数据结构化的问题有没有什么解决之道?同时,我们看到市场上一些专门做医疗数据的公司,今年可能会走到接近上市的阶段,但依然面临商业化的问题,这类公司未来该怎么寻找出路?

江敏:我自己是做医疗数据出身的。中国的医疗数据质量非常差,但在中国政府的主导下,尤其在2017年之后,对医院医疗数据发展相应的投入正在逐步加大。虽然投入和现实的成果仍有距离,但大环境是向好的。

我不认为市面上这些所谓的头部医疗数据创业公司未来有很大的前景。首先,他们的原始数据获取就有很大问题;第二,数据的持续性有问题;第三,他们的商业化也是问题。我们仍然在等待医疗数据本身变得越来越清晰。而从反向的角度,我们会关注那些依然在实现商业化的路径上的公司可以往医疗数据上切入。正如刚才讲到的药企和保险公司,如果能把医疗数据和药企或保险公司的产品做很好的链接,我认为是比较理想的商业变现路径。所以我们喜欢从另外一个角度来看我们的潜在投资企业。

陈鹏辉:关于医疗数据的商业变现,我现在看到的大部分国内市场的案例还是这些数据公司与保险公司合作做核保、理赔;与药厂合作,帮助药厂和医院提高科研能力,做四期临床。从未来看,数据运用应该远远超出我们现在所看到的。

大家可能没有注意到,前不久美国FDA刚刚批准了一例新药,而它最大的不同是临床试验基于真实世界数据。我们说研发一个新药需要10亿美金,临床实验要占80%。临床实验是怎么做的?一期、二期、三期,从几十个人做到几百人至几千人,每人要花多少钱呢?每个病人和对照组需要数万人民币到数万美元不等。这是整个药物研发最慢也是花钱最多的地方。这么多年来从来没有改变。一直到几个月前,FDA批准的一个临床试验,它的特点在于免除了一部分应该让真实受试者去做的临床试验,而用了真实世界发生的数据。比如我们做一款呼吸系统的药,有一个用药组和一个对照组,现在能否不做对照组而采用标准疗法,从真实世界里获取这些病人的过往数据,将服药后的具体反馈和疗效用在新药的临床比照中。我认为这是整个医疗数据行业非常有意思也是非常革命性的突破。大家想有没有可能将来临床试验可以减掉1/3甚至一半,以后对照组甚至减掉70%,并通过一个小规模用药将大量已知数据和未来人工智能推算的数据,把一个8亿美金耗时6到10年的临床试验变成1亿美金甚至更便宜而且只需要2年时间的临床试验。我觉得如果有那么一天的话,我们会看到数据应用拥有一个非常广阔的市场。

谷昕容:非常好!何总您刚才也说了,影像方面的数据相对来讲是比较容易获取且准确性较好,你们在影像数据的获取、分析、应用上有什么独特创新的做法吗?

何川:影像数据只是相对比较好,一方面优势数据获取相对容易一点,同时我们自身有很强的在医院医疗服务和整个产业链上的布局,这对我们来说可能是比较快速获取数据的优势。

但是在这个过程中,我们仍然认为有一些有难点的地方。第一点在于专家共识和行业标准的达成。行业的现状是,每家公司都有各自不同的做法,但到最终我们要受到一个行业统一的监管,然后要按照统一的标准才能够通过CFDA终检的测试,才能到达临床应用。而专家共识的达成本身具有难度性而且需要时间的积累。

第二点和数据相关也不完全相关。AI产品有些类似于软件和医疗器械,在上市之后如何实现动态的监管,无论是数据上还是产品质量上,以及行业法规的创新型监管方面都有挺大的挑战。

马骏駸:目前医疗行业的底层数据的质量是比较差,但这会慢慢变好,毕竟有那么多公司在布局赛道,所以我认为过几年数据质量会慢慢上升。另一方面,我认为医保控费是一个大趋势。未来商保一定会在3到5年内有一个较大的发展,怎样把商保和AI医疗做结合是有很大的想象空间的,因为这是一个看得到的付费通道。此外,AI也可以和从C端来考虑AI和智能穿戴设备的结合,这也会有较大的发展前景。

智能医疗的投资门道

谷昕容:我们刚才可以说很透彻地分析了人工智能+医疗健康的商业化落地的痛点和难点,各位也从不同角度探讨了商业的可行方向,特别是其中非常关键的数据的获取和应用的问题,接下来我们要再深入探讨一下投资之道,看看各位是否有什么独门秘籍可以分享。我们看到中国的创业公司一个很普遍的现象,就是同一个领域内同质化项目现象非常多。在美国我们往往看到有足够细分的赛道,且每个赛道有两、三家做得非常好的公司。从投资人的角度,你们怎么去甄别如此多大量同质化的项目,如何能在比较早期的时候看到谁在未来能脱颖而出?

江敏:每个机构定位不一样,各自的要求不同。我们软银中国是比较稳健的投资风格,我们一年不会投很多项目,可能看一、两百个项目才会投一个项目。所以当我们看这些创业企业的时候,主要聚焦这几个点考虑。第一,细分的赛道是不是有是真的需求还是伪需求,是真的痛点还是伪痛点。第二,在细分赛道上,我们会看前十,但我们一般只投前三或前五,那么他们跑出来的可能性是还是很大的,而且我们基金从Pre-A到成长期都有相应基金匹配。第三,我们非常看重人,我们对创业者本身的气质和能力非常看重。

谷昕容:可是在很早期的时候可能还不出名次,或者跑一段之后这个名次会变化啊。

陈鹏辉:是的,这个问题比较难回答,很多时候是你还没有充分的信息能够清晰看到谁是第一、第二、第三,所以我觉得很多时候还是由运气的成分在,这一点是毋庸置疑的。但我同意刚才张总所说的,团队很重要,人很重要。很多人做的是同样的东西,如果就是在这么一个环境中,同一个赛道上,如果大家都做同样的事情,那我们就看大家的执行力,执行力在中国是非常重要的。同一个赛道上,同时开始,都有非常好的起点,或者是不同的起点和不同的资源,谁能够至少在开始的一段走得更好更快,你只有这段时间可以做判断,这是一个着重考量的点。而长期来看,选对了方向,有很强执行力的企业即使最后不是第一但也一定是个很不错的公司。

何川:在过去这一年中,执行力对杏脉来说确实是最重要的。刚才马总也说了,医疗影像是得到融资最多的赛道,但是烧了几年下来,并没有一家做到非常理想的状态。从最开始的时候,我就在想如何才能做出差异化,我想我们目前做的最好的地方应该在于我们用了行业里最好企业10%的成本做到了别人两、三年才能做到的事情。我认为在当前医疗行业需要长跑以及在政策法规上不太清晰的时间段而言,确保在高速的迭代和发展的过程当中用最小的成本活得更久是一件很重要的事情,即使我们有复星这样的资本方,这也是我们作为一个独立企业要思考的问题。

第二点来自于我们在实践中的感受。虽然这个行业里面有这么多企业,但是我们最终在客户那里看到的真实反馈是,你的产品是否可以规模化,真正被应用起来,这仍然有很大挑战。真实的情况是,不超过3-5家企业能够实现规模化且高质量产品落地应用,这对于目前在这个细分领域已经获得融资的100多家创业企业来说,比例是非常低的。

所以市场没有大家想象的那么蓬勃和简单,但我认为这可能是我们的机会。相对于融资的问题,我们更应该思考的关键问题是,把聚焦点放在哪里,达成什么样的目标。现在大家觉得医疗AI很热,但相较于去年和前年已经有些退潮了,这样反而可以沉淀出更有前景的企业。

马骏駸:我觉得目前融资布局在智能医疗企业和早前的互联网公司不一样的是他们大部分都是着重在B端的,因为现在做C端的智能医疗其实BAT已经占据了流量入口,对初创企业比较难。所以大量的初创企业,尤其在B轮之前碰到的一个问题在于,商业化和融资是一个鸡生蛋和蛋生鸡的问题,商业化没有落地,就拿不到融资,也就意味着商业化落地很难,因为商业化落地需要投入人力、资源和资金。

谷昕容:马总在结尾的时候又提出了一个非常好的问题,但是由于时间的关系,我们今天场上的讨论不得不到此结束了。关于投资,我们肯定有说不完的话题,我们可以利用下面自由交流的时间再继续深入讨论。当然,我也希望能够再次有机会与台上几位大咖开展对话,也要特别感谢几位今天非常精彩、干货满满的分享。谢谢!

本文来源:公众号“容言创新”(ryi-media)


返回首页  

联系我们


关于我们
友情链接
Copyright ©2013- 2017 CFIC. All Rights Reserved. CopyRight @ 2013-2017 陆家嘴金融网 版权所有 沪ICP备16028734号-1