醫療是人工智能較好的落地場景之一。近幾年，隨著人工智能政策的出臺，資本的接連涌入，醫療人工智能公司呈雨后春筍般涌現。人工智能技術最先成熟應用的領域是在肺部，肺結節篩查準確率已經達到了95%以上。此后，乳腺癌、冠狀動脈斑塊、皮膚癌、眼底病等疾病篩查產品也接連出現，如去年谷歌率先推出了乳腺癌篩查平臺、今年平安科技在各大展會上亮相的OCT智能眼部篩查系統。
事實上，心血管領域對于人工智能技術也抱有極大期望。據《中國心血管病報告2017（概要）》最新發布的數據顯示，近年來，我國心血管病患病率與死亡率均逐年上升，心血管患病人數高達2.9億，而心血管病死亡占居民疾病死亡構成40%以上，居首位，已經成為影響中國居民健康水平、阻礙社會經濟發展的重大公共衛生問題和社會問題。
但要想將人工智能技術充分賦能心血管領域，有“兩道門檻”需跨越：第一，在數據收集階段，需促進醫院與醫院間的數據互聯互通，實現高效運算、快速分析及其與臨床表型組數據的整合；第二，能進行大規模組學數據分析，落地應用。
難題一：醫療數據前端存壁壘，心血管信息化研究平臺難形成
欲將人工智能技術應用到心血管領域，第一步需解決的是數據收集問題。目前，各醫院間存在系統相互割裂，壁壘森嚴的問題，這也就造成了各家醫院間的信息數據難以交換、共享和整合，更無法大規模進行數據模型訓練。
構建一個心血管信息化研究平臺是解決數據壁壘的根本。此前，中國心血管健康聯盟就曾主導成立了“iHeart項目”，以此來整合及共享心血管疾病相關臨床信息，促進跨領域、跨行業的數據融合及協同創新。中國醫學科學院阜外醫院也曾成立國家心血管疾病臨床醫學研究中心，致力于心血管平臺建設。
具體來講，心血管信息化研究平臺的建設流程包括：第一是對數據進行采集與轉化，從院內專家的臨床經驗、文獻資料抽取知識內容，通過數據的治理引擎對數據進行統一處理，并在此過程中進行數據的質量控制，最終將數據匯總到臨床大數據中心；第二對大數據中心的數據經過加密脫敏，通過映射到標準術語集，再經過自然語言處理，形成術語庫及知識庫；第三是存儲于通用數據模型，可進行科研分析平臺的多場景和多中心應用。
在平臺建設中，有兩個難點：第一是對數據質量的控制。中國工程院院士、國家心血管病中心主任胡盛壽就曾在2018深圳國際BT領袖峰會上提到，我國的醫療數據存在不完整和不真實的問題，比如診斷行為不規范，信息產生、采集的錯誤百出。而平臺建設需要高標準、高質量的標注數據庫。第二是平臺建設也需診斷場景的深度學習模型研發。雖然深度學習算法有很多公開的開源模型，但這些模型都是在一定的數據集上訓練出來的，且大多是基于自然界的二維圖像。
也正是這兩個難點，中國至今還沒有心血管領域的醫療產品通過FDA認證。但為解決上述問題，大部分的心血管信息化研究平臺在建設上都會選擇有科研實力的大型醫院作為模型數據構建試點區。此外，在模型的搭建上，也會選擇有臨床醫學數據中心實施經驗的單位進行承建。
難題二：心血管領域的臨床決策支持系統成熟難度大，落地較困難
自2015年以來，國家已陸續出臺了多項推動醫療人工智能領域發展的政策，Al產品也紛紛出現。在心血管領域，已經有不少的醫學影像篩查產品。但能對診療起到更大幫助的臨床診療決策支持系統目前仍處在一個十分不成熟的階段，其主要原因一個是術語庫的建立難度大，另一個是人機交互體驗難以實現。
術語庫的建立往往與心血管信息化研究平臺的建立有莫大關系，而人機交互體驗則涉及到后期的應用落地。通俗一點講，人機交互體驗就是讓系統按照醫生的臨床思維過程，在醫生需要的時候提示需要的信息，為醫生輸出可支持智能評估，智能填表、自動風險提醒、醫囑提醒、治療方案建議，醫療質量控制等多種決策支持服務，并結合心血管臨床科室的實際臨床決策場景，提供提醒、警告、建議等多形式的決策服務。
人機交互之所以難以實現的主要原因在于Al醫療這一行很少具備兼醫學知識與技術并存的人才，臨床決策支持系統的構建主要依靠的是技術人員，但最終的用戶是醫生，兩者的思維差異很大，因此，人機交互體驗不佳。
此前，平安集團SMART科技大會上平安科技首席醫療科學家謝國彤透露了平安醫療科技在臨床決策支持系統上所做的突破。在談及人機交互體驗上，他表示，目前平安醫療科技設計的解決方案包括兩個環節：一是事中，也就是醫生在操作臨床決策支持系統的過程，平安醫療科技的智能輔助診斷系統會干預到整個診斷過程，并會提供最后的用藥指導。另一個是事后，平安醫療科技通過為醫生提供助手，運用機器對一天看過的病歷進行匯總、復盤，找出可能存在診斷問題的病歷，進一步減少醫生的出錯率。
建立臨床決策支持系統就面臨重重困難，而要建立心血管領域的臨床決策支持系統更不簡單。目前，臨床決策支持系統主要以全科為主，應用場景也主要偏向基層，為全科醫生服務，主攻心血管領域在少數。未來，人工智能技術想進一步賦能心血管領域，可以預料到還有很長一段路要走。