这是一个巨大的悖论：一方面，整个保险业都非常看好健康险的前景，因为这是一个规模达万亿元的蓝海市场，未来令人遐想;另一方面，众多险企眼看着机会摆在面前却难以下咽，甚至目前已开展的健康险业务都陷入持续亏损，现实如此尴尬。

　　总的来看，健康险经营困难，主要是存在三大痛点：第一是产品设计上不够科学，缺乏大量长期的发病率数据支撑，以及患病后不同治疗方案的效果和费用评价;第二是单笔健康险保费较小，难以承受高昂的推广费用，目前的人海战术并不实用;第三是有效核保和防止骗保，这需要大量的专业人员，也将产生巨额的成本。

　　如何破解三大痛点?近日，《每日经济新闻》记者寻访相关领域各类企业，集思广益。今天的报道，是来自医疗大数据领域的建言。

　　北京大数医达科技有限公司，是一家专注于医疗大数据的企业，目前已与北京、江苏、广东等地的多家三甲医院合作，用一亿多份电子病历进行数据挖掘，并使用深度学习等最前沿的人工智能方法，对常见病的诊断和治疗进行建模分析。

　　日前，《每日经济新闻》记者(以下简称NBD)专访大数医达的创始人邓侃博士，他是美国卡内基梅隆大学(CMU)计算机学院博士，专攻人工智能和数据挖掘，历任美国甲骨文公司(Oracle)主任系统架构师、百度高级总监主管网页搜索等职位。针对健康险与医疗大数据面临的问题，邓侃博士逐一回答了记者提问，并坦率地提出了他的建议。

　　健康险面临“一点三面”问题

　　NBD：目前很多健康险公司都是亏损的，您认为是什么原因造成的?

　　邓侃：首先是保险产品设计的问题。保险产品的设计，有两个维度：一个是产品为用户提供哪些服务;另一个是如何定价。价格定高了不行，老百姓买不起，定低了也不行，保险公司赔不起。

　　其次是获客的问题。如何大规模低成本地在茫茫人海中，找到需要健康险但又不是逆选择的用户?

　　第三是风控的问题。如何有效审单核保和防范骗保?

　　这三个方面做不好，健康险就难以成功。

　　要做好这三个方面，必须先做好一个基本点。这个基本点是，险企必须与医院结成共同利益体。如果赔付金额降下来，不仅险企受益，医院也应该相应受益。反之，如果赔付金额超标，不仅险企受损，医院也会相应受损。

　　这个基本点是先决条件，也就是说如果先决条件做不到，那么前面说的三个方面也就很难做到。

　　从目前看，“一点三面”的问题，似乎都没有解决好。所以，健康险没能做起来。

　　NBD：为什么“一点”是基本点，是“三面”的前提，而不是平行的四个方面?

　　邓侃：因为只有当险企和医院结为利益共同体，达到这个基本点以后，保险产品的设计才更有依据，获客的成本更低而且更精准，风控更有保障。

　　先说保险产品的设计。什么样的医疗服务，对哪些人有吸引力，人均成本多少，人均收益多少，这些统计数据，对于保险产品的设计来说，至关重要。假如险企和医院结为利益共同体，假如医院帮助险企设计保险产品，甚至医院和险企共同设计产品，相信双方共同智慧的结晶，会更成功。

　　再分析医院的获客能力。每个城市的中心医院，为数不多。但如果把这几家为数不多的中心医院就诊病人的基本资料，汇总在一起，基本上可以与这个城市的人口普查相媲美。不过，要注意的是，在用户没有主动询问的时候，主动去兜售保险产品，不仅效率低，而且令人反感。

　　至于风控，更需要医院的配合。如果医院的利益与险企的利益脱钩，医院势必希望多卖药，多做检查，多做手术，把小病当大病治。

　　所以说，要推行健康险，首先要制定一个好的制度，这个制度把医院的利益与险企的利益绑定。只有先做到这个基本点，医院才会有内在动力，协助险企把产品设计好，找到最合适的用户，并在医疗过程中防范骗保行为，而不是在医疗过程后审查骗保行为。

　　离开了医院的配合，险企能否把健康险做好呢?似乎看不到这种可能性。医院与险企的利益绑定，健康险就大行其道，反之，就门庭冷落。中外各国的经验，正反两方面的案例都有，都支持这个结论。

　　医院积极配合险企很关键

　　NBD：医院积极配合险企，这是健康险成功的充分条件，还是必要条件?换句话说，如果医院积极配合险企，健康险就一定能成功?

　　邓侃：是必要条件，而不是充分条件。换句话说，单靠医院的配合，还不能保证健康险的成功。

　　比如说获客。如果一个人经常跑步、经常锻炼，向这种很健康的人推销重大疾病保险，他很大程度不会买。必须在合适的位置，在合适的时间，跟合适的人，推荐合适的产品。Right timing(对的时间)、Right location(对的地点)、Right people(对的人)、Right product(恰当的产品)，这四个R，不完全是医院能够做到的。

　　在病人到医院就诊的过程中，推销健康险，显然不是对的时间，也不是正确的地方。因为病人到医院就诊，主要的诉求是解决当下的病痛，而不是安排未来的财务支出。

　　又如风控，即便绑定了医院的利益与险企的利益，但是医生的利益，未必与医院的利益一致。如何防范医生在开处方的时候，明显偏向某一家药厂的药?

　　对此，只有审核诊断和治疗全过程，核对患者的症状、化验结果和检查报告，与医生的诊断结果是否一致，与处方是否一致，才能更彻底地防范骗保，落实风控。

　　NBD：Right timing、Right location、Right people、Right product，针对获客的这四个R，大数据能提供什么帮助呢?

　　邓侃：不同时机，用户的诉求是不同的。前面说过，病人到医院就诊，主要的诉求是解决当下的病痛，而不是安排未来医疗支出。购买健康险的最佳时机，是用户有征兆可能会患病的时候，而不是已经患病了以后。没有患病的恐惧，就不会有强大动机去买健康险。已经患了病，再去买保险，对于险企来说，已经错过了销售的最佳时机。

　　用户有征兆可能会患病的时候，用户会做什么?医疗咨询。在用户咨询的时候，推荐保险，是Right timing。

　　用户在哪里做医疗咨询?最方便的地方，是在网上咨询。所以，在移动互联网大流量的入口，提供免费医疗咨询，顺势推荐健康险，是Right location。

　　大数据如何帮助险企产品呢?大数据能够提供医疗咨询，通过医疗咨询，收集用户的健康状况和病情，从而精准推荐健康险，向Right people 推荐Right product。

　　医疗知识图谱可实现高精度风控

　　NBD：大数据与医疗咨询有什么关系?

　　邓侃：医疗大数据，最重要的数据来源，是医院的病历。病历中不仅记录着患者的健康状况和病情，而且记录着医生诊断病因的全过程，而且记录着治疗方案包括用药处方和手术方案，而且记录着病情变化的过程。通过对病历做数据挖掘，可以整理出体征、症状、化验指标、影像检查标志物，与疾病之间的关联关系，与药品和手术等治疗手段之间的关联关系。我们把这些关联关系，称为医疗知识图谱。医疗知识图谱可以用于医疗咨询。

　　NBD：医疗知识图谱也能用于核保，实现风控吗?

　　邓侃：是的。医疗知识图谱能够基于患者的体征和症状，核对诊断过程中所做的化验和检查，是否有过度检查。也能根据化验结果和影像检查标志物，核对诊断结果是否合理，核对用药和手术是否合理。实现诊断和治疗全过程的核保，高精度地实现风控。

　　NBD：在设计健康险产品的时候，也能够通过大数据来提高设计质量，是吗?

　　邓侃：是的。前面说过，健康险的产品设计，有两个维度：一个维度是提供哪些服务，另一个维度是如何定价。

　　健康险提供的服务，可以包括今年看病的总费用，健康险能报销多少，也可以包括单病种的报销额度，也就是如果投保人患上某某疾病，健康险能报销多少手术、药品、和住院费用。在制订报销额度之前，必须测算在不同的当前健康状态下，未来罹患某种疾病的概率，以及各类疾病的平均诊治费用。

　　从海量病历中，不仅能够统计出各类疾病的平均诊治费用，而且也能够通过跟踪多位患者的病情发展，统计出疾病转化的概率。

　　制度设计须兼顾社会伦理和保险成本

　　NBD：从社会伦理讲，险企是否有权以甄别逆选择的名义，查验投保人的病历?是否有权根据投保人的健康状况和病史，制定不同的健康险投保价格?是否会引起疾病歧视、年龄歧视、性别歧视等等道德争议?

　　邓侃：在设计健康险制度的时候，绕不开社会伦理问题。譬如生命是否无价?从个人来讲，如果自己的生命面临危险，当然要不计成本抢救生命。但从社会整体来讲，很难做到不计成本地挽救每一个生命。

　　在设计健康险制度的时候，必须同时兼顾社会伦理和保险成本。如果险企都破产了，老百姓无处投保，这是更大的道德风险。

　　大数据能够精准测算各种制度之下，保险成本和受惠人群，为保险制度的设计，提供数据依据。

　　NBD：医院会把病历，交给大数据公司吗?如果病历外泄了，如何保护患者隐私?同时，如果大数据公司拿到的病历，仅仅是脱了敏的病历，不知道患者的联系方式，那么大数据公司如何实现精准营销呢?

　　邓侃：首先得强调一下，大数据公司不需要向医院索取病历。所有病历，都存放在医院内网的私有云里。大数据只不过在医院的私有云里，对病历进行了数据挖掘。也就是说，大数据公司的程序，读过每一份病历，但是大数据公司的员工，没有直接接触病历。

　　实际上，合作的主体，是险企和医院两家，大数据公司只不过提供了数据挖掘的能力。

　　举例来说，如果有一位用户购买健康险，如果按制度规定，险企有权审核他的病史。以往调阅病历，需要去医院的病案室，人力成本和时间成本都很高。这个时候大数据技术的作用就体现出来了。大数据技术能够帮助医院病案室，在一秒内调阅病人所有既往病历，甚至可以自动读解这些病历，整理该病人的病史和判断他的健康现状。也就是说，大数据技术提高了医院病案室的工作效率。

　　又比如说，如果有投保人申请医疗费用报销。以往做法，险企要组织大量人力，人工核查每一份报销单。对险企来说，工作量巨大。对投保人来说，报销不及时。这个时候大数据技术的作用就体现出来了。大数据自动地智能地，全面核对报销单与存放在医院里的病历。不仅高精度，而且高效率。

　　从严格意义上来讲，大数据只是提高了数据处理的效率。但从实际效果上来讲，大数据技术同时做到了高精度和高效率。以前不可能做到的事情，现在通过大数据做到了，大数据促成了一场革命。

　　预计12个月内首批产品上线

　　NBD：国外健康险有哪些先进的案例或者合作模式可用来借鉴吗?

　　邓侃：医疗行业和医疗保险，与各国国情密切相关。美国各种医疗机构的组织安排和财务安排，深受医保公司影响。甚至很多医疗机构，直接隶属于医保公司。英国的医疗医保制度与美国不同，日本也不同。各个国家各有特色。

　　譬如美国重视PBM，Pharmacy Benefit Management，药品福利管理。保险公司从各家医院收集各类药品的需求，然后向药企团购，以便获得批发优惠价。

　　但是中国目前更突出的问题，不是药品的价格，而是乱开药。PBM对于中国也很重要，但是似乎并非当务之急。

　　NBD：国外在医疗大数据方面还有哪些探索?跟国外比，中国在医疗大数据方面的成就如何?

　　邓侃：国外在医疗大数据方面，目前成就比较突出的有三个企业。第一个是IBM Dr Watson。IBM想在癌症领域，尤其想针对某几个疾病，收集高质量的病历，并对它们进行数据挖掘，同时对相关论文做智能语义分析。通过双管齐下的办法，细分这几个疾病病程，更精细地推荐各种治疗方案。

　　其次是Google旗下的DeepMind，也就是下围棋的那个AlphaGo。他们跟英国卫生部合作，收集了全英国170万份病历，针对常见病，研发家庭医生电脑助手。英国整个医疗体系中从业人数最多的是家庭医生，但是家庭医生的临床水平参差不齐，DeepMind想借助家庭医生电脑助手，实现常见病的标准化诊断和治疗。

　　还有一个美国公司叫Flatiron Healthcare，它的主业是从全球各地收集病历，目前首要目标是收集癌症病历。各地各医院的病历，格式不统一，语义用词不规范，所以Flatiron想把全球的病历烫平整理，实现病历的标准化、结构化，实现全球病历的互联互通。

　　全球各国都在尝试医疗大数据，而且很多大数据专家一致看好中国。因为中国不仅人口全球第一，而且电子病历储量全球第一，所以中国在医疗大数据有得天独厚的优势。

　　另外，中国政府的行政能力，也是得天独厚的。如果中国在政府引领之下，尝试医疗医保改革，实践基于大数据的健康险，那么很有可能实现弯道超车。对于全球各国来说，医疗医保都是头痛的问题。如果中国摸索出医疗医保的新方法新产品，那么卖到国外去，将会十分受欢迎。

　　NBD：看来到目前为止，全球还没有出现成熟的健康险产品。对于这些正在探索的企业，大概需要多长时间，才能完善技术，完善商业模式，并脱颖而出呢?

　　邓侃：常见病的数量不多，几百个而已。常见病的智能诊断和治疗系统，无论是面向医生的智能临床助手，还是面向患者的智能自诊工具，估计在12个月之内，会有第一批产品上线。

　　把大数据和机器学习技术，应用到医疗行业，实现智能诊断和治疗系统，相关的研究课题非常多，产品形态非常多，赢利模式非常多。如果目标紧紧盯住几百个常见病，缩短战线，快速冲刺，12个月内，是能开发出质量令人满意的产品。面对蓝海，面对一望无际的商机，创业企业最大的挑战，是保持注意力的专注。切忌分兵出击，处处出击，处处遭遇阻力。

　　12个月内，技术方面会取得重大突破。接下去，第二个里程碑，是实现赢利模式闭环，尤其是实现医疗大数据、智能诊疗与健康险的紧密结合。有价值，就有用户，有用户，就有赢利模式。相信在未来2~3年内，一定会有若干家公司，探出路子来。

　　精彩观点

　　只有当险企和医院结为利益共同体，达到这个基本点以后，保险产品的设计才更有依据，获客的成本更低而且更精准，风控更有保障。

　　如果医院的利益与险企的利益脱钩，医院势必希望多卖药，多做检查，多做手术，把小病当大病治。