中国における医療用人工知能の現状分析：製品検証から市場検証まで

2016年以降、人工知能と医療の融合があらゆる面で火花を散らし始めています。医療AIは数年にわたる開発を経て、2019年に商用化の試練に直面し、臨床応用や医師のワークフローに導入され、2020年初頭に実を結びました。

2020年1月15日、国家薬品監督管理局はCoYa Medicalの革新的製品「冠血流予備能スコア計算ソフトウェア」の登録を承認し、AIイメージングのクラスIII証明書を取得した最初の製品となりました。

また、2019年のAI製品はどのような新たな展開を見せるのか？動脈網卵殻研究所は、2019年未来医療トップ100会議で「2019年中国医療人工知能レポート」を発表しました。本記事はレポートからの抜粋です。下記のQRコードをスキャンすると、完全版を無料でダウンロードできます。

コアアルゴリズム機能を中心とした医療AIアプリケーションマトリックス

本報告書は、応用サービスの対象、医療関係、医療応用疾患の範囲に基づいて、医療人工知能応用マトリックスを作成し、我が国の医療人工知能産業をまとめ、医療人工知能産業マップを作成しました。

医療用人工知能アプリケーションマトリックス

医療情報業界マップ

病院における医療AIの応用シナリオの分析

AI+バーチャルアシスタント：診断と治療のさまざまなリンクを結びつけることが鍵

定祥園の調査によると、研修医の50％以上が、医療記録の作成に1日平均4時間以上を費やしている。フォーブス誌はかつて、外来診療所において医師が患者とのコミュニケーションに費やす時間はわずか 52.9%、書類の処理に費やす時間は 37%、些細な事柄への対応に費やす時間は 10% に過ぎないと報じました。

3時間並んで2分間診察を受けました。医師の診療記録入力にかかる負担の重さ、診療記録の品質管理の難しさ、患者に対する外来サービスの不足は、診療段階における3つの大きな問題点です。音声認識、意味理解、マイクアレイの3つのコアテクノロジーをベースに、AI+仮想アシスタントを診断前、診断中、診断後の複数のリンクに適用できます。

診断前：インテリジェント誘導ロボットは徐々に病院の新たな風景になりつつあります。医療誘導ロボットは、主に患者の音声入力を通じて意味解析を行い、トリアージと誘導の提案を行うことで、人手を節約し、患者の負担を軽減します。より高度な医療ガイドロボットは、センサーを通じて患者のバイタルサイン情報を収集し、事前相談を実施し、患者の基本的なバイタルサインと状態の概要を外来医師に事前にフィードバックすることもできます。これにより、医師は患者を診察する前に患者の状態に関する部分的な情報を入手することができ、医師の診察効率が向上し、誤診が減ります。
診断中: AI 医療記録アシスタントは音声を構造化された電子医療記録に直接変換できます。インテリジェント音声入力の全プロセスは医療言語データモデルによってサポートされており、検査、診断、医療記録の入力を同時に実行できるため、医師の診断が常に中断される状況を回避し、医師の時間を節約して診断と治療そのものに集中することができます。 AI 外科アシスタントにより、外科医は仮想スクリーン、音声認識、ジェスチャー認識などのテクノロジーを使用して電子機器を遠隔操作できるようになります。これにより、手術時間が効果的に短縮され、感染のリスクが低減します。
診断後：患者が退院した後、AI 仮想アシスタントは患者のフォローアップ訪問や満足度調査を実施し、医療アドバイス、フォローアップリマインダー、医療知識などを提供します。
AI+臨床ワークフロー: 医療リソースを合理的に配分して利益を最大化

臨床ワークフローは、病院の管理プロセスと医師のワークフローの一般的な説明です。臨床ワークフローが解決する主な問題は、デジタルツールを使用して複数の参加者間でドキュメント、情報、またはタスクを自動的に転送し、病院のビジネス目標 (非診断および治療行動の情報化) を達成することです。

人工知能は、病院管理、診断・治療プロセス管理を通じて医療業界の完全なデジタル変革を主導し、医療機関が臨床ワークフローを最適化し、より良い医療サービスを提供して、より高い利益を生み出すことを支援しています。

病院経営の目的は、病院の医療資源の配分を徹底的に最適化し、利益を最大化することです。

AI は病院の既存の情報に基づいてモデルを構築し、正確なアルゴリズムのセットをトレーニングし、作業の手配を自動的に行います。例えば、電子カルテや病歴などの情報に基づいて、どの患者が最もタイムリーな治療を必要としているかを分析し、優先的に医療資源を提供したり、医療サービスの順序を最適化したりすることができます。

製品分類の観点から見ると、臨床ワークフロー管理は、対象に応じて医療機器管理、医師用ツール、支払い管理に分けられます。

医療機器管理：手動管理からインテリジェント管理への移行。医療機器管理プロセスにおける問題点としては、個別配布、保守および品質管理の効率の低さなどが挙げられます。医療機器資産管理において、インテリジェンス化、情報化、標準化が徐々に一般的な傾向となり、医療機器サービス市場は単純な機器メンテナンスから医療機器のライフサイクル全体の管理へと変化してきました。

医師向けツール: 単一ポイントの医師エンパワーメントから複数ポイントの医師共同エンパワーメントへ。医師用ツールの主な役割は、医師に力を与え、作業効率を改善し、医師の能力を高めることです。

医療保険コスト管理：ルールベースのコスト管理からビッグデータベースのコスト管理への移行。人工知能とビッグデータは、インテリジェントな医療保険監視システムの構築に新たなアイデアを提供します。一部の地域では、詐欺や保険金詐欺の識別能力を向上させ、医療保険の払い戻しの合理性を確保するために、事例推論、医療行動パターン分析、治療計画分析、医師と患者のネットワーク拡散分析などのビッグデータ分析手法の使用を検討し始めています。

AI+予防管理：包括的な疾病スクリーニングと予測を実現

最良の治療は、病気が起こる前に治療することです。予防医学は受動的な治療よりも優れています。人工知能、ビッグデータ、遺伝学などの技術の進歩により、いくつかの病気の可能性を予測することが可能になりました。アンジェリーナ・ジョリーは、がんのリスクを減らすために予防的に両乳房切除手術を受けた。彼女は遺伝的欠陥があり、乳がんや卵巣がんを発症するリスクが高かったため、この手術が行われた。

これは遺伝学的観点からの病気リスク予測であり、AIは私たちの行動、生化学、画像検査の結果に基づいて病気をスクリーニングし、予測することもできます。

糖尿病網膜症を例に挙げてみましょう。これは一般的な網膜血管疾患であり、糖尿病患者の失明の主な原因です。中国は世界で最も多くの2型糖尿病患者を抱えており、糖尿病患者数の増加に伴い、糖尿病網膜症の有病率と失明率も年々増加しています。

糖尿病網膜症の初期段階では臨床症状が現れないことが多く、症状が現れたときには病状がすでに深刻になっており、最適な治療時期を逃してしまう可能性が高くなります。したがって、糖尿病網膜症の治療効果は、治療が適切なタイミングで行われるかどうかにかかっています。しかし、我が国では眼科医が不足しており、住民の関心も低いため、現在、糖尿病網膜症のスクリーニング率は 10% 未満です。

中国には90万以上の基礎医療機関があり、医療機関総数の95％を占め、5億8000万人をカバーしています。しかし、かかりつけ医の供給が不足しており、既存の医師数では業務量を処理できず、医師の過重労働、誤診、見逃しが発生しています。

また、一次医療機器の先進性も十分ではありません。わが国一次医療保健機関の機器は50万元以下に集中しており、100万元を超える機器はほとんどありません。これは、機器の先進性が十分ではなく、基本的な病気の診断と治療しか満たせず、困難で複雑な病気の早期スクリーニングを完了できないことを示しています。

予防管理は、その製品の使用範囲に応じて、スクリーニング製品と予測製品に分けられます。

スクリーニングと診断の根本的な違いは、診断は明らかな症状が現れた後にそれがどんな病気であるかを判断するのに対し、スクリーニングでは事前に病気が存在するかどうかは分からないという点です。

市場で主流の AI 早期スクリーニング製品を分析した結果、それらは主に肺結節スクリーニング、糖尿病網膜症スクリーニング、がんスクリーニングの 3 つのカテゴリに集中していることがわかりました。なぜなら、上記のスクリーニング画像はDR、CT、眼底写真など比較的入手しやすいものがほとんどだからです。さらに、中国国家検査検疫研究所は2018年にカラー眼底画像と肺CT画像の2つの標準データベースを確立しており、これも製品の開発、承認、販売促進に大きく役立っています。

人工知能は、テキスト、画像、ストリーミングデータ（心拍数、血中酸素、呼吸など）を含むマルチモーダルデータに基づいており、伝染病、慢性非感染性疾患、精神疾患など、さまざまな病気の予測に応用できます。

AI+支援診断：CDSSとMDTの組み合わせが将来の開発方向

診断データの流れから見ると、まず患者は画像診断、病理診断、体外診断などの一連の検査を受け、予備的な検査結果を得ます。その後、検査データはPACSやHISなどの情報システムを通じて統合され、保管されます。最後に、すべてのデータは医師によって収集され、総合的に解釈されます。

人工知能の究極の目標は、専門家のように独立した総合的な診断を行えるようにすることです。しかし、最も成熟したアプリケーションは現在、特に画像処理の分野では単一のプロジェクトに焦点が当てられています。 AI+支援診断の分野では120社が数えられ、その中で画像支援診断が最も高い割合（34％）を占め、次いでデータ統合・保管（22％）でした。

画像: クラウドベースと統合開発

X 線、CT、MRI、超音波の 4 つの主要な画像技術と最新の核医学画像技術 (PET) に基づき、画像分野における人工知能の応用には、主に画像分類、臓器ラベリング、組織構造のセグメンテーション、病変のセグメンテーション、画像登録が含まれます。製品のレイアウトは、胸部、頭部、骨盤、四肢の関節に重点を置いています。最も大きな投資は肺結節および肺関連疾患であり、次いで心血管疾患および脳血管疾患、主に前立腺および直腸に関する骨盤疾患、そして主に骨折および骨年齢に関する骨および関節疾患となっています。

病院の需要者にとって、画像 AI 製品が三次医療機関に導入されるには、三次医療機関の医師の 2 つの重要なニーズ、つまり効率性のニーズと科学研究のニーズを把握する必要があります。現在、CT 肺結節、CTA 冠状動脈性心疾患、脳卒中などの比較的成熟した補助診断製品はすべて、医師のフィルム読影効率の追求に応えています。

医療能力がやや劣る郷鎮レベルの病院については、設備の遅れ、人員不足などの問題により限界がある。初等医療向けの画像AI製品は、主にX線と超音波に基づいており、一般的な病気の診断を支援している。画像 AI 企業は、医師向けのプライベートクラウドを構築したり、医療連合のクラウド PACS に接続したり、病院内での指導を通じて医師のフィルム読み取り能力やレポート作成能力を養成したりすることができます。

病理学: さまざまな種類の病気

医療診断ワークフロー全体において、医療画像分析の次のステップである病理診断は、診断の「ゴールドスタンダード」です。

従来の病理学的診断は主観性が高く、再現性が低く、誤診率が高いという問題がありました。病理学者は、肉眼と個人的な経験を頼りに、顕微鏡で切片を40～400倍に拡大し、細胞の形態と組織構造を観察し、分析診断を行います。必要に応じて、免疫組織化学検査や免疫蛍光検査を行って判断を補助し、その後、手作業またはソフトウェアの助けを借りて画像をカウントします。

同時に、放射線科と同様に、我が国では病理学の専門家も深刻に不足しています。保健統計年鑑によると、わが国に登録されている臨床病理医はわずか1万200人であり、これは国家衛生委員会が定めた100床あたり1～2人の病理医という基準から大きく離れている。わが国における病理医の不足は合計で約10万人に上る。

病理学における AI の応用は、関与の度合いに応じて 3 つのカテゴリに分けられます。

デジタルスキャン技術を使用して、スライス全体のデジタル画像 (WSI) が形成されます。画像関連の特徴が抽出され、細胞サイズ、構造特性、細胞集団密度、空間分布などの情報が定性的および定量的に分析されます。
病理画像の分類とグレーディング：AI は組織の分類、良悪性の区別、癌のグレーディング結果を直接出力できるため、病理診断の精度、効率、一貫性が向上します。現在、AI技術は乳がん、脳腫瘍、前立腺がんなどの分類とグレード判定において約90％の精度を達成しています。
プロセス全体がデジタル化され、デジタルスライスの初回相談、デジタルレポート、デジタルスライスのアーカイブなどを実現します。高スループットで高速な WSI テクノロジを使用することで、従来のスライスをすべてスキャンしてデジタルスライスに生成できます。コンピュータストレージとインターネット伝送技術を組み合わせて、デジタルスライスをアーカイブしてクラウドにアップロードし、地域ネットワーク病理診断プラットフォームを構築し、迅速な検索機能を提供することで、地理的制約を打ち破る「クラウド病理部門」を形成します。これにより、病理医の経験的誤判断による誤診がさらに減少し、病理医やその他の医療スタッフがデータを入手しやすくなり、作業効率が向上します。

生物学、化学、免疫学、遺伝学、臨床情報などの他の分野を統合し、医師の診断と治療を支援します。AIは病理形態データの分析に使用されるだけでなく、免疫組織化学、分子検出データ、臨床情報を統合して、関連情報を統合した最終的な病理診断レポートを取得し、患者に予後情報と正確な薬物治療ガイダンスを提供します。

遺伝子：AIが配列解釈のボトルネックを突破

2018年11月、第13回世界タンパク質構造予測コンテスト（タンパク質分野のオリンピック競技）において、DeepMindの人工知能プログラムAlphaFoldが遺伝子配列に基づいてタンパク質の3D構造を予測することに成功し、優勝しました。

AIは遺伝子検査にますます利用されるようになっています。第二世代のシーケンシング技術の成熟により、単一ゲノムの検査コストは1,000ドル未満にまで低下しました。遺伝子シーケンシングの急速な発展により、膨大な量のデータも生成されました。これらの遺伝子ビッグデータをどのように解釈し、疾患関連の変異を取得し、病原遺伝子を見つけるかが、現在の開発のボトルネックとなっています。人工知能は、強力なデータ処理および学習機能を利用して、遺伝子配列の解釈プロセスに参入しています。

IBMは2014年に早くもニューヨークゲノムセンターと協力し、IBMのワトソン人工知能システムをベースにした腫瘍ゲノムの分析に特化したプログラムの開発を開始した。 IBMは、最近Neurology Genetics誌に掲載された論文で最新の研究結果を公開した。研究者らは患者から腫瘍生検サンプルと血液サンプルを採取し、両サンプルのDNAと腫瘍のRNAの配列を解析した。

配列データは分析のためにIBM Watson Genomicsプログラムとバイオインフォマティクス専門家および腫瘍学者の専門家チームに送信されました。ワトソンシステムは、臨床治療の選択肢に関するレポートの作成にわずか 10 分しかかかりませんでしたが、専門家グループが同様のレポートを作成するのに 160 時間の手動分析を要しました。

包括的な補助診断：CDSSとMDTの組み合わせ

総合補助診断システムは、多分野の専門家が患者の個別診断と治療計画を協議して作成するプロセスであるMDT（多分野共同相談）に似ています。腫瘍、腎不全、心不全などの複雑な疾患の診断と治療に特に適しています。

人工知能が包括的な解釈を実現したい場合、少なくとも、マルチソースの異種データマイニングと、CDSS と MDT の共同使用という 2 つのステップを完了する必要があります。

マルチソース異種データマイニング：人工知能企業が病院と協力する場合、ビッグデータ技術を使用して、マルチソースの構造化データと非構造化データのクリーニング、感度低下、構造化、標準化を完了する必要があります。これにより、病院はこれまで断片化されていた医療データを統合し、相互接続された医療ビッグデータプラットフォームを形成し、ビッグデータの処理と分析のためのデータ基盤を築くことができます。

CDSS は MDT と組み合わせて使用されます。単一の分野に基づく CDSS には共有サービスモデルが欠如しており、多くの場合、サブシステムとして EMR に組み込まれているため、患者の状態を包括的に評価することができません。 MDTの多職種連携を活用し、関連するエビデンスの関連性に基づいて最善の診断結果と治療計画を策定できれば、医療サービスの効率と質がさらに向上することが期待されます。

AI+支援治療：手術と薬剤を中心に効率化を軸に

薬物療法と外科的治療という2つの主な治療法に関して、AI支援治療は術前計画、術中ナビゲーション、インテリジェント投薬において優れた役割を果たしており、手術時間と合併症を効果的に削減できます。

腫瘍の治療中、標的領域の描写と治療計画の設計は医師の多くの時間と労力を費やします。がん患者 1 人あたり約 200 枚の CT 画像があります。アウトラインを作成する際、医師は各画像で臓器と腫瘍の位置をマークする必要があります。従来の方法によると、このプロセスには医師が 3 ～ 5 時間かかります。標的領域の描写が不正確であったり、腫瘍が変化したりしたために最初の治療コースが効果がない場合（腫瘍組織の縮小が 30% 未満）は、治療計画を変更する必要があり、医師は患者の標的領域を再度描写する必要があります。

術前計画：人工知能は、CT/MRI画像データに基づく画像認識技術を使用して、対応する対象領域を自動的に概説し、具体的な放射線照射計画または手術計画を自動的に生成し、医師に渡して最終確認することができます。
術中ナビゲーション：患者の術前画像データを実際の解剖学的構造と正確に一致させ、VR、MR、ガイドプレートなどの技術を使用して、3次元デジタルモデリングとアルゴリズムの最適化により病変を正確に特定します。
投薬推奨: 実際の投薬ビッグデータに基づき、人工知能技術を使用してパーソナライズされた投薬ガイダンスを実現します。個別化医療とは、最も適切な患者に最も適切なタイミングで最も適切な薬剤と最も適切な用量を投与することを意味します。
AI+リハビリテーション：患者の日常生活への復帰を支援することを目指す

臨床医学は生存を主な目標とし、薬物、医療機器、手術などの治療法を用いて患者の生存を可能にします。一方、リハビリテーション医学は生活の改善を目的としています。リハビリテーション治療により、患者の損傷した機能は部分的または完全に回復し、よりスムーズに社会復帰できるようになります。したがって、臨床医学とリハビリテーション医学は相互に補完し合います。臨床医学は患者の治療期間中に介入し、リハビリテーション医学は患者の回復期間中に介入します。最終的には、両者とも病気を治し、患者が徐々に正常な人へと移行できるようにします。

リハビリテーションのデータフローの観点から見ると、リハビリテーションは、モニタリング、ガイダンス、コンディショニングの 3 つの段階に分かれています。つまり、最初にデータを取得し、次にデータを分析し、最後にデータを適用します。

モニタリング - ウェアラブルデバイス：診断や治療における AI の応用と比較して、リハビリテーション分野における人工知能の応用はより困難です。なぜなら、診断や治療のプロセスにおける AI データは（病院の情報システムから）簡単に取得でき、データとアルゴリズムを使用して製品を反復的に磨き上げるだけで済むからです。リハビリテーションには、個人の健康データを収集するためのウェアラブルデバイスが必要です。現在、市場に出回っているウェアラブルデバイスのほとんどは、血糖値、血圧、心拍数、体温、呼吸などの健康指標を監視できるモニタリングデバイスです。
ガイダンス - リハビリロボット：人が毎日生成する健康データの量は非常に大きいです。データをどのように処理し、データを情報に変換し、情報を知識に変換し、知識を健康管理の情報に変換するか、これは人間の生活データを収集した後の人工知能の仕事です。

これらの中で最も直感的なのはリハビリテーションロボットです。これは、人工知能、モノのインターネット、ビッグデータなどの技術を使用して、リハビリテーション機器を人間的でインテリジェントなものにし、人間とコンピューターの相互作用、インテリジェントな支援トレーニング、正確な力の制御などの目標を達成します。現在、リハビリテーションロボットは、主に骨関節リハビリテーション、聴覚視覚リハビリテーション、言語リハビリテーションなどの分野に集中しており、将来的には心肺リハビリテーション、神経リハビリテーションなどへの拡大が期待されています。コンディショニング：健康管理

健康管理とは、受動的な病気の治療から能動的な自己健康モニタリングへの変革です。人工知能健康管理は、バイタルサインデータを基に、データを通じて各人の身体的特徴を学習し、各人に合わせたパーソナライズされた健康管理プランを設計します。現在の主な応用分野は、糖尿病、慢性疾患管理、血圧管理、乳房の健康管理、胎児心拍数モニタリングなどです。

健康管理に関わる健康面には、主にリスクの特定、健康評価、精神モニタリング、健康介入などが含まれます。

リスク特定：人工知能技術を用いて情報を取得し分析することで、疾病のリスクを特定し、リスクを軽減する対策を提供します。
健康評価：食習慣、運動サイクル、服薬習慣など、患者の個人的な生活習慣に関する情報を収集し、人工知能技術を使用してデータを分析し、患者の全体的な状態を評価し、日常生活の計画を支援します。
メンタルヘルス: 人工知能技術を使用して、言語、表情、音、その他のデータから感情を識別します。
健康介入: 人工知能を使用してユーザーのバイタルサインデータを分析し、健康管理計画をカスタマイズします。
AI+科学研究: 生産ツールが科学研究者の生産性を解放する

AI+医薬品開発

一般的に、製薬会社が新薬の開発に成功するには、5億ドルから10億ドルを費やし、10年から15年かかる必要があります。新薬の研究開発における高いリスク、長いサイクル、そして高いコストは、製薬会社にとって最大の悩みの種です。

現在、新薬研究開発分野における人工知能の応用は、医薬品の発見段階、臨床研究段階、承認・販売段階のあらゆる段階に浸透しています。主に、ターゲットの発見、化合物のスクリーニング、結晶形の予測、薬物の方向転換、医療翻訳、薬物監視などの複数のアプリケーションシナリオが含まれます。

創薬段階

医薬品の開発はターゲットの発見から始まります。薬剤師は科学文献や個人の経験から生理活性物質の構造を推測し、ターゲットを発見します。しかし、今日の情報爆発の時代では、生命科学の論文は30秒ごとに発表されています。さらに、特許や臨床試験結果などの膨大な情報が世界中に散在しており、科学研究者にはすべての情報に注意を払う時間もエネルギーもありません。従来のターゲット発見プロセスには平均 2 ～ 3 年かかります。

人工知能は、自然言語処理技術（NLP）を使用して膨大な量の医学文献と関連データを学習し、ディープラーニングを使用して化合物と疾患の関係を発見し、ターゲットを見つけ、ターゲット発見サイクルを短縮します。

化合物合成において、AI は小分子化合物の薬物特性をシミュレートし、数週間以内に合成実験に最適なシミュレーション化合物を選択し、各化合物のテストコストを 0.01 セントに抑えて、化合物合成コストを大幅に削減できます。

前臨床医薬品研究段階

ターゲットを見つけたら、そのターゲットに一致する対応する小分子化合物も見つける必要があります。このマッチングプロセスは、ユーザーが Baidu で特定の単語 (ターゲット) を検索するのと似ており、エンジンは関連する検索結果 (小分子化合物) のリストで応答します。これは複合スクリーニングです。

ハイスループットスクリーニングと従来の仮想薬物スクリーニングは時間がかかり、医薬品開発の成功率も低い。人工知能の出現により、革新的な低分子医薬品の発見への新たな扉が開かれた。

臨床研究段階

臨床試験設計の最適化：2015年の「臨床試験データ検証公告」では、臨床研究データを厳格に検証しています。その後の政策では、臨床研究に対するより高く明確な要求が提示され、情報システムと技術の応用が繰り返し言及されています。Taimei Medical Technologyは、人工知能技術を使用して医学知識を構造化し、多元異種臨床データの構造化、標準化、および関連推論を支援し、eCollect（EDC）では、副作用薬物相関計算や医療記録OCR認識などの人工知能技術を使用して、データ収集の品質と効率を大幅に向上させています。

承認および上場段階

登録と申告：中国は2019年以来、eCTD（電子共通技術文書）標準を段階的に実施し、医薬品の登録と審査の国際化と電子化を継続的に推進しています。従来のCTDでは自動化のレベルが低いため、承認プロセスでは依然として企業の多くの時間と人的資源が「書類作業」に費やされています。人工知能技術の導入により、登録・申請プロセスにおける自動作成、自動翻訳、自動公開・承認などの統合インテリジェント操作の実現が期待されます。

医薬品安全性監視: 医薬品安全性監視は主に医薬品の安全性と有効性の 2 つの側面を扱い、医薬品や治療に対する副作用の収集、分析、監視、予防が含まれます。

2015年、FDAは市販後の医薬品安全性報告は電子的に提出しなければならないと規定し、2019年には国家医薬品副作用センターが副作用直接報告システムを立ち上げ、副作用のオンライン提出を実施しました。Taimei Medical TechnologyのeSafety医薬品安全性監視システムは、CDEおよびNMPA医薬品副作用直接報告システムに直接接続して副作用を直接報告することができ、FDA AERSおよびEU EudraVigilance医薬品安全性監視データベース提出テストに合格しています。

人工知能技術の応用により、eSafety システムは CIMOS の自動インポート、SAE スキャンレポートの自動インポート、副作用抽出、レポート翻訳などの機能を持つようになり、作業効率が大幅に向上します。

医療AI製品パイプライン分析

7つの主要セグメントの62社を対象に、合計82製品を対象に製品応用の進捗状況について調査しました。そのうち、補助診断および予防スクリーニング製品が最も多く、それぞれ 31 と 13 となっています。

昨年の報告書「2018年医療人工知能報告書：飛躍的前進」と比較すると、次のような新たな変化が見られます。協力病院の数は昨年の数十から数百に全体的に増加しました。画像AIのレッドオーシャン市場から、医薬品開発、リハビリテーション管理、臨床ワークフロー管理などのブルーオーシャン市場へと徐々に拡大しています。2018年、画像AIは主に胸部、肺、眼科などの疾患に焦点を当てていましたが、2019年には心臓血管と脳血管の分野に焦点を当てる予定です。

医療AI製品の応用進捗状況抜粋（2019年10月現在）

中国医療AI企業の投資と資金調達の分析

統計の利便性については、投資と資金調達のデータを処理する際に次の原則に従ってください。このレポートに関与する資金調達イベントは、IPO、IPO、プライベートプレースメント、寄付、獲得の間にエンジェルのラウンドに囲まれています。 A、BのすべてのラウンドはラウンドBにマージされ、Cを使用したすべてのラウンドはラウンドCにマージされ、ラウンドD以下のIPOがラウンドD以上にマージされます。

このレポートのチャートとグラフの測定値はすべてRMBに変換されます（イベントが発生した年の平均為替レートに基づいていますデータの締め切りは2019年10月31日です。

2018年から2019年の投資機関の活動

資金調達ラウンドから判断すると、2019年の投資と資金調達は主にAラウンド（25倍、60％を占める）に集中しており、これらの企業の大部分は2017年から2018年に2,000万人民元の金額を設立しました。ラウンドD以上では6つの資金調達しかありませんでしたが、総額は24億6,000万元に達しました（58％を占めています）。

個々の企業が調達した資金調達の量に関しては、Taimei Medical Technologyは2019年に15億元の総資金調達量で最初にランクされ、Sipai NetworksとSenyi Intelligenceが続きました。イメージングAIの分野に集中していた2018年とは異なり、今年の資金調達額の上位10社は、主にAIドラッグ開発および医療ビッグデータプラットフォームの分野に分配されています。

2019年に資金調達を完了した一部の医療AI企業（2019年11月現在）

資金調達の目的から判断すると、上記の企業によって集められた資金は、主に製品の研究開発に使用され、製品ラインを継続的に充実させ、たとえば、総資金調達のために製品の障壁を獲得します。

第二に、一部の企業は資金を使用して他の分野に拡大します。最後に、資金の一部は製品マーケティングに使用されます。