随着互联网、云计算、5G、人工智能、物联网等技术发展，数字化在医疗场景中的价值日益显现，数字医疗产业也迎来蓬勃发展。据《2023—2027全球数字医疗产业经济发展蓝皮书》，2022年全球数字医疗市场规模为2110亿美元，2023年至2030年将以18.6%的年均复合增长率增至8092亿美元，全球医疗数字化转型已成大趋势。

　　数字化探索已到深水区

　　当前，我国数字医疗产业规模稳步增长。日前，在中国首个数字医疗创业孵化器的揭牌仪式上，北京昌平科技园发展有限公司总经理王颖介绍，数字医疗发展可谓一日千里，已成为行业风口。以医疗器械厂商、互联网科技公司、传统医疗服务机构为代表的产业链上下游都在积极入局。

　　诸多企业乘着数字技术的东风进行数字化转型，将数字技术与药械产品进行融合创新，推出了多项走在前沿的高科技器械产品和创新药。

　　作为布局医疗领域的互联网企业之一，腾讯健康智慧医疗的总经理张国栋表示，数字化目前已成为药企降本增效的有力手段。受深化医改、支付政策变革、数据积累以及新型数字技术进一步成熟等多种因素影响，药企的数字化探索进入深水区，药械企业开始应用多种数字化创新技术与模式，来应对多变环境带来的挑战。在这个过程中，企业的生产、协作方式都发生了变化和重塑，从线下转到线上，最终走向线上线下一体化。在实体走向数智融合过程中，数字技术正逐步成为企业的内驱力，更为企业提供了新的生产力。

　　在医疗健康产业数字化升级方面，最直观的表现莫过于数字技术与创新药械的深度融合。而这方面，AI创新药物研发体现得淋漓尽致。公开报道显示，国内目前已有上百家AI创新药企。

　　“AI创新药物研发未来已来。”可瑞生物CEO谢兴旺说，数字医疗技术可以帮药企更快设计出更好的医疗场景解决方案，促使企业合理分配研发资源。比如做大分子药物时，如果没有AI辅助手段，可能药物要做一两万个分子，才可以找到满足要求的候选药物。现在通过AI计算，可以大量压缩无效的工作量。相信随着数据的积累和算法的提升，效率会更优。

　　深度融合需要互联互通

　　数字化时代的来临，使医药行业加速洗牌。相较于传统研发生产经营模式，探索数字化、拥抱现代化已成为药企高质量发展的必经之路，这也将沉淀出企业未来的核心竞争力。

　　“数字医疗是一个很广泛的行业。广义来看，它其实就是数字技术赋能新兴医疗健康产业的集合。”在远毅资本投资人侯占才看来，我国数字医疗的发展历经了3个阶段，即医疗信息化阶段、互联网医疗阶段以及现在的数字医疗创新阶段。

　　针对深度融合，高博医疗集团副总裁尚华表示，未来的互联网医院更多还是依托于实体医疗机构，目前看，互联网医院业务场景偏少，数据全面性、数据可追溯性方面仍有很大发展空间。

　　如何统一地、有规则地、结构化地把这些数据串联起来，需要继续推动。业内人士表示，无论是线上还是线下，医疗的本质都是服务，数据底层的稳定性和安全性尤为重要，这方面还有很长的路要走。

　　目前我国异地就诊率居高不下，国家也正着力解决看病难看病贵的问题。利用数字化技术打破资源分配不均衡、看病难、挂号难、报销难等问题，更好服务于民，已成为医疗行业建设发展的重点。

　　“在这个过程中，我们看到了AI医生的价值。在我国，看病难、看病贵的本质是享受优质医疗服务难且贵。AI医生，就是优质医疗资源扩容下沉和区域医疗资源均衡布局的重要抓手。”为更好推动AI影像医生产业的发展，数坤科技首席发展官万怡挺建议把影像医生和技师的专业服务从检查费中拆分单列为一项医事服务费，从而明确这部分服务的价值。同时，参考发达国家相关政策，探索纳入商保和医保的合理方式。

　　鹰瞳科技合伙人伍王应认为，现在提倡优质医疗资源下沉，未来数字医疗的重点一定是面向基层、面向临床的。

　　数字医疗未来雏形初现

　　人工智能技术加速更新迭代，引发各界热议和关注。对于超级人工智能的出现，数字医疗行业圈持有怎样的态度？是否会重构数字医疗的形态与格局？

　　尚华认为，数字医疗未来的终极形态是全息数字人，即真实的人在虚拟世界的分身，这个分身可以全面映射身体状况。比如真实的人生了病，数字人分身就可以展现症状，先模拟出将来愈后状况，然后再去治疗。“事实上，很多现有的数字产品都是在全息数字人形态上做切面。如何整合切面，帮助我们做低成本的诊疗和临床研究，这是我们的目标。”尚华说。

　　目前，人工智能已广泛应用在医疗领域。有专家认为，超级人工智能可在患者端、医院端、企业端寻求突破。比如，在患者端，大模型的应用可以促进在线问诊更专业更理性更具人情味，同时，对于精神疾病诊疗，AI对话可以对患者进行干预陪伴。在医院端，人工智能可以输出更为结构化的病案，并进行病案质量控制，提升智慧医院管理效率，同时借助医生数字人形象，进行患者宣教工作。在企业端，较之传统营销方式，可更高效完成推广工作。

　　人工智能更迭加速能推动数字医疗发展。“AI升级迅速的原因之一就是训练数据量足够大。如何把所有医疗数据用合规的方法去训练成内容，在法规层面、伦理层面和技术层面做好把控，让数据安全地用起来，是个值得探讨的问题。”谢兴旺说。