钛媒体注:前些天,国内首款基于百度云的可穿戴手环设备咕咚手环曝光。在国外,Jawbone和Nike等厂商早已从个人健康管理方面切入了可穿戴设备领域。不同领域的巨头开始施展拳脚,这已经是消费电子领域的下一个蓝海所在,它又与大数据技术紧密结合。
大数据是近年来信息技术领域的研究热点,利用大数据监测人的健康状况正在美国医疗行业渐渐升温。可穿戴、大数据、健康,三者看起来如此接近,但离我们构想的未来还有些遥远。这个领域在中国的梦想者也越来越多起来。目前在这个领域还有哪些尚未解决的问题?它们如何结合才能释放出价值?怎样才能让基于可穿戴设备的大数据医疗在中国更好地“落地”?
以下为一有志于大数据医疗的创业者向钛媒体的独家供稿。文章的上篇介绍了可穿戴设备的行业现状以及将来会面临的问题,下篇则对这一领域的未来进行了展望。钛媒体将全文编辑整理如下:
这两天,Jawbone以1亿美金的价格收购了Bodymedia这条新闻让大家对可穿戴市场充满了期待,大家似乎看到了普通人利用可穿戴式设备可以管理自己的健康状态远离医院的时代已经来临。殊不知可穿戴式设备和让人们管理自己的健康之间还隔着100个Bodymedia Fit,这条路任重而道远。
本文就从穿戴式设备、大数据、用户使用习惯等不同角度来分析5-10年后健康管理可能以什么样的方式被激活。整篇文章分上下两部分,上篇主要是描述目前让人们兴奋的市场前景和现状之间相隔的鸿沟,下篇主要是讲我们可能突破鸿沟的路径,在医院以外形成一个“发现-处置-评估”的闭环服务,让人们能通过自我管理的方式将“未病”发现于萌芽,结合自身独特的体征节律状况得出个性化的康复方案,并进行周期性的评估和方案微调来把“未病”拒之门外。
(上篇)理想丰满、现实骨感
市场状况
移动医疗和移动健康的话题在今年越来越热,很多公司都纷纷进入这个领域,原因有两个:一个是这个产业体量很大,在中国医疗服务大概是2-3万亿人民币的规模,占GDP 5%-6%的比例左右,在美国是2-3万亿美金的规模,占到美国GDP比例的17%左右;其次是互联网和移动互联网对现有行业的影响相对较小,存在着较大的突破空间。
随着医疗服务成本高企,从政府、社保、保险公司和个人都将越来越难以承担,并且中国逐渐进入老龄化社会,健康管理的领域应会在5-10年内由现在2000-3000亿人民币的市场成长成为一个接近甚至超越医疗服务市场的规模。
在中国家庭结构成4-2-1的倒金字塔结构,一对年轻夫妇上面要赡养4个老人,下面要抚育一个孩子,任何一个人突然的健康变化都会带来难以承受的金钱和时间以及精力的损失,所以大家也会越来越关注健康管理相关的产品和服务。
移动医疗领域由于我国的体制限制,信息和数据共享化很难实现突破,所以很多技术领域的成果在现实中很难推广,这就让更多人把眼光移到医疗服务的前端市场:健康管理。尤其当爱康国宾4月中旬融资一个亿美金的消息,更是让这个领域成为了关注的焦点。
在健康管理领域中最需要解决的问题就是及时发现身体的健康异常和重大疾病风险预警,传统情况下我们会通过年度的体检来实现这一要求,但是体检时间跨度大,同时地域的覆盖能力也不足够,人们纷纷把眼光转移到可穿戴式设备上,希望能够通过这样的设备来实现跨地域大人群身体异常实时发现。
目前市场上与健康相关的可穿戴式传感器主要有两大类:
一个是体外数据采集,主要通过带G-sensor的三维运动传感器或GPS获取运动状况、运动距离和运动量,来帮助用户进行运动和睡眠的管理,同时在帮助用户引入社交平台概念让用户之间进行数据衡量和对比来推动用户持续产生行为改变用户的健康状况,并且在后端服务领域引入专业的运动和睡眠实验室的数据分析模型来对个体的运动和睡眠的改进提供收费建议。在这个领域国外Fitbit,Jawbone,Nike是这个领域的领头羊。
这类设备面临的问题只能满足用户自我量化的需求,并激发用户通过锻炼等预防行为来改善身体状况,但无法发现健康异常状况并做出风险预警。
第二是通过体征数据(如心率、脉率、呼吸频率、体温、热消耗量、血压、血糖和血氧、激素和BMI指数,体脂含量)监测来帮助用户来管理重要的生理活动。现阶段可以利用的体征数据传感器包括:1、体温传感器;2、热通量传感器,用来监测热量消耗能力,可以用于血糖辅助计算和新陈代谢能力推算;3、体重计量传感器,用于计算BMI指数;4、脉搏波传感器,推算血压,脉率等数据;5、生物电传感器,可用于心电、脑电数据采集,也可用来推算脂肪含量等;6、光学传感器,推算血氧含量,血流速;
这些数值交叉分析的结果可以用来分析用户现在体质状况,主要健康的风险评估,并结合数据可以给出几项关键生理活动:睡眠、饮食、运动和服药的个性化改善建议,让用户保持在一个稳定的身体健康状况。
为什么还没有大公司?
但是在这个领域还没有大的公司,原因有几个:
1、 体征数据较难采集,血压和血糖现阶段多是用有创或有感的方式进行数据采集,虽然无创式采集有理论基础,但是只能用间接式的推算方式得出近似模拟数值,并且设备成本高企;
2、 用户检测的时间随机和随意性带来的数据噪点,用户自发检测的最大问题是无法排斥意外因素带来的数据干扰,比如:运动、情绪、服药、睡眠状况甚至天气异常变化带来的影响。这些数据远不能反应用户体征真实情况,会形成数据噪点。
3、 设备检测精度的问题,家用设备的检测精度无法与医用级设备达到同样的精度,数据量大同时检测精度不够,医生不愿意投入精力分析,是数据价值降低。
4、 缺乏处置服务和手段,数据虽然显示了每个单个个体的体征情况,但是缺乏对应的个性化处置方案,也降低了数据价值。
5、 缺乏体征数据的动态评估机制,无法有效提前发现异常。
6、 缺乏权威专业机构的分析判断,无法督促用户在没有体征感受前很难重视数据并持续改变自己的生活习惯和规律来预防。
7、 设备的采集频率和功耗、数据传输、数据分析能力的矛盾,数据采集密度越高,分析价值越高,但是功耗和数据冗余大大增加,数据采集密度低又降低了异常状况的敏感度。
上面的问题其实是大量准备进入这个行业的移动互联网创业者经验没有覆盖到的地方。其实在这一波浪潮之前,远程体征检测设备已经经过一轮兴起和衰落,也是基于同样的原因。换上可穿戴式设备的新概念,同样要面临去解决这些问题。
在下篇中我们会集中探讨如何通过可穿戴式设备持续采集数据,结合大数据分析预测有效解决上面的所提出的问题,我个人认为这几年的发展路径一定是:
1、 传感器小型化、集成化,让体征检测设备采集数据用户无创无感化,不妨碍用户日常的生活习惯;
2、 体征数据可连续采集和传输,同时可以通过双向智能调节采集频率;解决功耗和数据冗余的问题;
3、 体征连续数据的分析能力,用户通过纵向的自身数据比较了解健康变化的情况,通过横向的大人群数据比较来对中长期异常提前风险预警,同时能获得个性化的处置方案;
4、 不同数据相结合的交叉分析能力,既能提高对异常情况的敏感度,也能提高分析的准确性。并且对人体情况的判断更智能,需要人工干预的情况越来越少。
(责任编辑:蒙遗善)