中台详解系列5传统行业中台建设.docx
- 文档编号:29777833
- 上传时间:2023-07-26
- 格式:DOCX
- 页数:110
- 大小:5.69MB
中台详解系列5传统行业中台建设.docx
《中台详解系列5传统行业中台建设.docx》由会员分享,可在线阅读,更多相关《中台详解系列5传统行业中台建设.docx(110页珍藏版)》请在冰豆网上搜索。
中台详解系列5传统行业中台建设
目录:
1、中台?
中台!
6月的一天是特步CIO唐坤军庆功日,特步CEO和营销高级副总裁早早地把礼物送到了他的办公桌上。
“这是我这辈子在工作上最开心事情之一。
”他说:
“以前团队都不记得我们付出。
”
你可能想象不到,3年前,唐坤军的部门基本是一开会就被骂的待遇,“系统跑不动,业务部门急,我们也急。
”
他决定“冒一个很大的风险”,“重建”特步的信息系统,继而重塑公司的业务流程,“我找到肖博(肖利华,阿里巴巴副总裁、阿里云智能新零售事业部总经理),一起去找老板(特步集团主席丁水波)。
”
连唐坤军自己都没想到,汇报不到半小时,丁水波甚至都没有问太多细节,当场就签字,并对他说:
”随时做,你说怎么做就怎么做。
”
对特步来说,这是一个标志性的转折,“我们是这个行业真正率先去做中台的。
”唐坤军说:
“因为这个事情(数字化)对公司和业务部门的帮助太大了,否则他们(指送礼物)凭什么对你好?
”
经历了战略转型的特步,3年后在业绩上终于迎来了属于自己的巅峰时刻。
1
特步国际2018年财报显示,全年营收63.83亿元人民币,同比增长25%,创下上市以来的历史新高。
同样亮眼的还有利润率:
2018年特步净利润增长高达61%,为6.57亿元人民币。
而全年整体毛利提升至26%,达到了28.28亿元人民币。
2015年,特步开始实施3年转型战略:
回归运动,重点是零售模式的改造——这被特步集团主席丁水波比喻为“家里装修”,即内部流程再造和数字化改造。
从服饰行业整体面临库存危机到创下增长新高,3年过去,转型成效凸显。
在公告中,特步将其增长主因归结为三点:
1)健全的产品组合及良好的认受性,带来较高的销售率及来自总代理商的补货订单增加;
2)由于2017年进行存货回购,对总代理商补货的需求更大;
3)由于店铺升级及零售网络优化,下游零售店的销售业绩强劲。
简短的三句话,背后隐藏的,是基于云上的数字化转型。
以增长原因的第1条作进一步解读,通过“云”,特步门店标准化的测量设备搜集到大量顾客的脚型、体型、运动偏好等数据,通过云能力,利用大数据建模分析形成对潮牌的AI视角,即时同步到产品设计和研发部门,迅速体现在下季产品上,即时贴近和满足市场需求。
响应变得更快,只是特步诸多变化中的细小一例。
值得重视的,是技术终于可以直接反映到企业前端的业绩上,而不再是一堆高高在上的概念与更多是花哨的场景。
2
特步在全国7000余家门店,现在全部跑在“云”上。
这句话说起来很简单,但对于几年前线上线下仍处于完全割裂的连锁零售企业而言,只有自身才明白这一过程中的酸甜苦辣。
很难想象,2015年,特步有63个IT系统——“烟囱式”建设走的是IOE路线,“一个扣一个,扣死的。
”特步CIO唐坤军说。
如此众多的“烟囱”,严重阻滞着特步的业务创新,当时的情况,唐坤军概括说:
“应用层面支持业务变革缓慢;第二是业务精准性无法保证;第三是功能层面无法满足集团的全渠道要求。
”
以前,由于库存独立、促销规则不统一等原因,特步所有线上订单都需要从北京中心仓发货,遇到双11这样的活动,消费者有的要几个星期才能收到产品,不仅速度”蜗牛“,物流成本也居高不下。
运营效率低、高库存、高缺货......所有服饰零售企业面临的问题,特步一个也没有落下。
老旧的IT系统,已经无法适应新的市场环境的发展需求——门店库存、中心库存、线上库存信息必须全部透明,所有信息必须线上线下一致。
2017年,特步成立了新零售运营中心和大数据中心。
2018年,特步开始与阿里云合作。
基于阿里云的技术能力,特步搭建了业务中台,将会员、订单、库存、物流、结算系统全部打通,实现了内部资源的有效整合。
不少问题就此迎刃而解。
库存和物流效率得到了最直观的改变。
新的IT系统会根据“先就全、再就近”的智能算法,将线上订单自动派送到最近的门店,并自动通知物流公司进行配送。
2018年双11,特步尝到了甜头——线上线下成交额破3.85亿,其中线上成交额3.1亿,同比增长50%,光小白鞋就卖了22万双。
更大的惊喜是,所有订单下单后第二天6点前准时发货,其中80%同省、30%同城,不仅速度快了好几倍,物流费用也降低了50%以上。
数字化后的特步,线下门店也“焕然一新”,比如,通过分析汇总的销售历史、天气、区域喜好等数据,智能调拨系统可预测未来一周的需求,并推动备货,出货时间由平均45天减少至20天。
近两年来业界一直推崇的中台,终于发挥其力量,让特步重新找回了“非一般的感觉”。
3
特步在面对移动互联网时代的“苦恼”,互联网巨头阿里也曾经遇到过。
中台战略就是阿里在这样的“苦恼”下,于2015年提出来的——所其他企业一样,阿里也经历了从传统IT支撑业务到业务数据化再到数据化运营并不断孵化互联网业务的过程。
早期的阿里也是“烟囱式”系统建设模式,不同的技术团队支撑不同的业务,制造了数座独立的“烟囱”,包括1688、淘宝、天猫等三大核心电商业务建了三套系统,三套系统都建设了类似的用户、商品、交易、评价等业务功能,重复建设不仅是重复投资,核心问题是“烟囱”之间无法连接和协同,例如用户体验提高等横向项目无法推进,缺乏共享业务的沉淀也难以快速孵化新的业务。
于是,阿里内部启动了中台战略,用横向打通的技术架构来构建业务中台和数据中台,再用“大中台、小前台”的模式快步跑。
这种模式带来了业务创新上的“裂变”,最典型的是“聚划算”,从提出到上线仅耗时1个半月,仅投入了包括PD、运营和开发10多名员工。
今天,阿里的淘宝、天猫、聚划算、等业务前端,都是构建在“共享业务”中台之上,一个手淘APP里可以共享天猫、聚划算、淘票票等前端业务,同样,一天猫APP里同时可以体验苏宁易购、聚划算、大麦等前端业务。
阿里巴巴集团CTO、阿里云智能总裁张建锋曾表示,阿里云可以为全行业提供“双中台”的数字化转型技术:
一是数据中台。
提供大量数据产品,从数据的获取、数据清洗、数据归档和数据处理,提供一整套服务。
应用包括选址、货品分析、人员分析等一系列场景上。
二是业务中台。
有了数据要能够快速精准算出来。
传统企业销售量和运营的关系,和现在用了数据、互联网技术、智能化技术的完全不一样。
阿里每年几万亿的交易额,内部只有几百个运营。
像“双11”,几万个活动页面,每个活动页面中有无数个商品,每一个页面、每一个商品其实都不是运营决定的,是数据决定,即技术数据化、智能化,最终反哺业务。
很多创新业务,也正是借由阿里双中台而迅速裂变出来,比如盒马鲜生。
仅仅用了9个月的时间,盒马就依靠阿里中台,像搭积木一样快速搭建起了一套全链路的商超操作系统,实现了物流WMS、ERP和财务、门店POS、物流配送、APP、会员、支付、营销等等功能,云上统一处理所有与零售相关的业务,线下线下统一会员、统一库存、统一价格、统一营销、统一结算。
▲门店区域热力图
比如,通过数据中台,盒马可以知道用户需要什么?
喜欢什么?
接受能力是多少?
什么商品最好卖?
能卖多少?
需要及时补货还是快速促销?
结合历史销量、节日甚至是天气情况等上千种数据,最大维度可以测算未来30天的销售量,最小精度甚至可以精细到下一分钟。
而负责实施、实现和保障阿里业务中台和数据中台各项功能的,是“幕后功臣”阿里云。
4
信息孤岛,也就是“烟囱式”系统,是目前中国零售企业的通病。
传统的架构是一个一个数据池,相互之间有一堵无法穿透的墙,只能独立运用。
用特步CIO唐坤军的话说,“传统架构紧耦合,链条式集成,难以适应移动互联网所带来的快速业务变化。
如今业务的复杂程度远超过去,为了适应未来的业务发展,我们需要更为敏捷、弹性的互联网架构。
”
这也是大部分零售企业现在仍在面临的共同问题:
首要是必须解决系统、数据一致性问题,要解决这一点,数据“云化”是基础,然后才能应用数据中台和业务中台来实现智能化的店铺选址、货品分析、人员分析等等。
从这个意义上说,所有中国零售企业的信息化都值得从头再来一遍。
在唐坤军看来,再来一遍的核心是:
轻前台、强中台、大后台:
轻前台指的是大门户概念,把所有跟消费者进行互动的入口全部统一;
强中台指的是线上线下整合的共享业务,全都通过中台来进行统一管理,包括库存整合、订单整合、会员整合、物流整合,结算整合等;
大后台,是指传统的应用系统如SAP在订单管理、耗料管理、财务业务一体化等方面依然发挥其优势。
借力阿里云,特步的重构如今已基本成型。
比如数据中台,整个集团的数据分类整合在一起,既可以相互之间调用、分析与整合,又可以独立运用,这是传统IT系统不可能实现的功能。
数据链和业务链的打通,实体内容实现了数字化,所有业务集中在中台上,数据的实时性、准确性让效率大幅度提升,“过去分销零售系统数据要导半天,现在几分钟。
上公有云后会更快。
”唐坤军表示,协同和响应速度是以前不敢想象的,调、补、配全部智能化。
更重要的一点是中台实现了数据分层,帮助特步建立起了“管理视角+业务价值链”的分析决策模式,高层、中层、基层分别需要关注哪些数据,一目了然,这种数据结构产生的结果也最为有效,唐坤军认为,如果做不到这一点,尤其是高层无法有效了解并使用数据,再好的平台和数据对业务的创新和变革都是没有力量。
”
所以,一个强中台给特步带来的是什么?
“以不变应万变,世界怎么变,我们怎么变。
”唐坤军说。
5
谁拥有最强的中台输出能力?
几天前,一篇名为《数据中台,可能是未来20年最大的机会》的文章指出:
目前,腾讯仍在对内建设中台能力;XX的AItoB其实有对外输出智能中台的意思;而阿里则已在去年的组织架构调整后,开始明确对外输出基于阿里云的中台能力。
它的这一判断基于以下事件:
2015年,阿里巴巴创新性的提出中台战略,并在内部取得实践成功。
2018年9月,腾讯宣布新成立云与智慧产业事业群(CSIG)和技术委员会,后者将负责打造技术中台。
2018年11月,阿里云事业群升级为阿里云与智能事业群,将中台战略过程中构建的智能化能力,包括机器智能的计算平台、算法能力、数据库、基础技术架构平台、调度平台等核心能力,向全社会开放和推广。
2018年12月,XX调整组织架构,王海峰同时负责基础技术体系(TG)和AI技术平台体系(AIG)。
王海峰在公开场合表示,打造技术中台是XX调整组织架构的战略方向之一。
与此同时,美团也被曝出在打通大众点评、摩拜等各业务间的数据,构建数据中台。
京东新的组织架构调整中增设了中台部门。
基于云技术的中台成为互联网企业的新一轮竞逐热点,它会不会是未来20年最大的机会暂不讨论。
有意思的是,先抛开其他企业,BAT同时在中台上发力。
根据这篇文章的观点,阿里目前是实力最强也是具备中台能力输出的那一个。
为什么是阿里,原因在第三部分已很清楚。
还有一个数据是,阿里云合作伙伴数量已经超过8000家,服务客户超过10万家,云市场的订单总数突破200万,合作伙伴的业务增长率达到450%。
但对于零售企业而言,还有更值得重视的——阿里在服务商家方面有丰富的实践经验,也积累了大量商业数据,无论是经验还是商业数据厚度上要远甚于同行。
用一句话来概括就是:
业务数据化,数据业务化——阿里做到了的这一点,毫无疑问也可以成为零售企业业务增量的一个助推器。
而借助阿里巴巴对零售行业的长期深耕,阿里云可以称得上是最懂零售的云,目前,国内超过8成的服装企业正在使用阿里云。
所以,上云的另一重要战略意义在于,“你能分享到的,是下一波技术红利。
”阿里巴巴集团副总裁、阿里云智能新零售事业部总经理肖利华说。
6月25日,在阿里云新零售服饰峰会上,肖利华表示,从上云、业务中台和数据中台等方面,阿里云推出了零售业一站式全链路数智化转型升级“五步曲”:
基础设施云化、前端触点数字化、核心业务在线化、运营数据化、供应链智能化。
零售企业当然也可以自己建数据库,把自己的数据打通。
但在肖利华看来,光自己挖个小水沟的自嗨,不能解决长远的发展问题,“只有与平台数据全部连通起来建设业务中台和数据中台,才能打通任督二脉,大幅降低业务创新门槛。
”
所以,商品和供应链自然是“1”,企业应该将更多精力用于关注核心能力建设,即品牌、商品、供应链、渠道和零售等。
但如果要往后多加几个“0”,云或许是其中最核心的因素之一。
从这个角度而言,其他功能最好的办法不是自建,而是去拥抱最适合的合作伙伴,交给他们去实现,“不要试着重新发明一个轮子,用好成熟稳定安全的中间件和半成品,在这个基础上长出各种新物种。
”肖利华给出的建议是:
“没必要为了喝奶,一定要养奶牛。
”
的确,可以不养奶牛,但有一点:
必须要喝上奶。
(灵兽传媒原创作品)
2、中国医院需要什么样的数据中台?
中国互联网的今天,市值总和接近10万亿人民币,头部阿里巴巴、腾讯各有4000多亿美元市值。
一方面市值熠熠,一方面互联网成为数据应用技术的发源地,数据中台也在其中萌芽。
腾讯汤道生说,“中台能力以前就有,只不过它们大多服务于内部业务,在产业互联网时代才开始逐渐对外开放这些技术积累。
”京东黎科峰也坦言“公司在一轮又一轮组织架构调整之后,将数据中台提升到了重视的新高度。
”这一切只是聚光灯下数据中台的冰山一角,数据中台作为从业务视角而非技术视角的技术,应用已经慢慢地向传统领域渗透。
2019年7月,佛山市妇幼保健院马丽明主任在演讲《中国医疗机构新一代数据中台建设的探索》中讲述了在数据战略时代,医疗信息化工作者不易的摸索之路,也表达了医院场景对于人工智能技术的真实需求。
医院信息化的基础设施好比是地基。
而现实是,地基之上的建筑物并不能等到基础设施完全到位了才开始起步。
中国医院的信息化步伐与人工智能技术的落地都在同一片工地里热火朝天的开工。
(一)数据中台的需求背景
▲▲▲
众所周知,新医改的核心就是“腾空间、调结构、保衔接”。
腾空间,就是腾出地方,让出空间,包括取消药品加成和采用两票制集中采购压缩药品中间环节的利润,同时规范医疗服务行为。
通过调整医疗价格、服务价格来调整医疗现在的结构,药品大型检验、检查的价格往下调,能够体现医务人员技术劳动价值往上升。
结构性的调整对医院机制带来很大影响。
新机制必须要跟社保和财政补偿衔接好。
公立医院的院长在这关键时期面临挑战。
确保医疗质量的前提下,减少过度医疗,提高服务质量是工作的重中之重。
但是,如何提升才是关键。
在这个情况下,数据分析有了新的历史使命,新医改为信息化赋能临床提供了加速度。
1999年,中国医疗机构信息化开始。
2010年,一个十年的数据积累期。
2019年,一个十年的数据汇通期。
预计在2021年后,迈向数据应用期。
产业实现从医疗数字化,到医疗智能化需要跨越两个门槛。
第一个,以技术为核心,向以数据为驱动转变,需要医疗机构信息中心有非常多的数据专家。
美国很多医院的信息中心几百甚至几千的人才规模,其中大部分是数据专家。
但是,现在国内医疗机构的数据专家很少。
第二个,“全科一体化”向“专科定制化”转变,医疗信息化工作者需要更加熟悉临床业务和流程。
不仅如此,医疗信息化工作者还面临以下几个挑战,
挑战一,如何利用数据赋能业务?
简单来讲,读懂数据。
首先要实现数据的互联互通,集成标准化和结构化。
通过优质数据,定位临床质量和效率问题,从而分析问题背后的原因。
根据发现的问题,使用辅助决策系统改善医疗质量,解决临床问题,提升临床效能。
同时,能提供指标参数,进入下一轮的管理,怎么去更好地做控制和调整。
挑战二,专科发展速度非常迅猛,很多的专科系统面临着井喷,可以看到胸痛、静脉血栓栓塞症(VTE)、房颤、卒中和脓毒症,这么多的专科系统都有特定的专科知识,专有的诊疗规范,特定的服务环节、专有指控和数据分析指标。
这给医院信息中心带来了很大的困扰。
需要面对很多的厂家,一个病、每一个系统都可能是不同厂家提供的产品,需要大量的协调。
每个系统都有自己的硬件要求,都需要硬件的投入。
每个系统都要去做接口,支持集成平台的方式,造成了大量的重复工作。
都有自己的标准,最终没了标准。
更关键的一点是,各个系统之间是交叉的。
可能某个疾病的知识体系改变了,会影响相关系统的使用。
比如静脉血栓栓塞症的知识改变了,会影响抗凝药物的使用推荐。
信息化必须解决五大核心问题,
第一,数据集成,数据的汇集结构化、标准化。
第二,数据洞察,形成模型。
第三,平台化,兼容多应用的开放式平台支持各种应用。
第四、解决数据决策,形成各种临床的应用产品。
第五、业务重塑。
场景化人机协同,同时还要结合的业务进行改进和提升。
数据驱动下的新架构集成平台应该在中间,再加上的业务中台、数据中台,两大中台作为支撑。
在今天的环境下,医院对数据中台的需求是呼之欲出的。
(二)数据中台的构成
▲▲▲
虽然对业界对数据中台的定义还没有达成共识,厂家和专家对数据中台的标准和意见都有所不同。
但是,现实工作已经实践出了主要结构。
数据中台至少应该是要包括五个主要部分:
第一,数据的标准化和结构化。
第二,数据的聚类和转化,形成业务所需要的信息。
第三,数据指控和监控,保证的数据质量。
第四,构建指标体系。
第五,统一对外的服务。
向下发展提高性能,保障数据的应用能力。
向上拓展能够提高数据应用的价值和赋能业务。
数据中台可以比喻为建房子,如果所有的建筑组件都是以一块一块砖头为单位去建,速度很慢,建房子的又不止一个人,又有很多的系统。
应用落地的速度受限。
因此,可以把一些重复性的、反复使用的做成标准部件。
例如一体化的洗手间、门窗,这些是数据中台要管理的东西,通过标准化的部件统一提供服务。
数据中台主要分成两大部分,第一,数据处理,第二,对外服务的中台。
先把这些跟企业业务有较强相关性的部分抽取出来,把经常反复使用的抽取出来。
数据中台要满足这种快速迭代、快速应用的需求,同时又要兼前顾后。
(三)数据中台的能力与业务流程
▲▲▲
数据中台具备统一的能力,统一的数据存储能力,数据计算能力和数据的应用能力。
数据中台必须要能够完成各种数据模型,包括基础模型和融合模型,标签和算法,还有质量控制管理和数据的安全管理。
马丽明主任谈到,现在服务中台已经比较成熟了,而各个医院建立了数据中台的并不多,都还在起步探索阶段。
医院微信的服务中台,应用层不包括复杂的业务逻辑,只做呈现和转换,但是服务层已经实现了服务的微小化管理,每个业务单独的服务分级管理。
因为服务性、可用性的要求不一样,像挂号,可就采取N加1的部署,像信誉度管理、检验检查,这些实时性要求不高,或者是患者用得不多的,这部分的业务需求标准可以适当降低。
所以,分级管理把数据变成一个个细颗粒度的资源,资源通过统一的API的方式给业务逻辑层即可。
流程改变,业务逻辑改变,只需要修改业务逻辑层。
能够同时提供给多方使用,只需要改一个地方,所有的都是用统一服务的方式,需求导向结果。
所以,数据中台是非常有必要的,主要要做几件事情:
第一,构建统一的测速与以及映射体系,这是一切标准化和结构化的基础。
第二,在术语制定的时候,可以参考国内外的权威临床数据集。
第三,结合国内临床数据使用的习惯和本土的表达,从而形成能够满足用户查阅的中文标准的术语体系。
术语的范围包括这几部分,
第一个,疾病、症状、实验室的检查、手术操作、病理的症状体征等临床诊疗信息。
第二个,通过自然语言处理(NLP)和本体映射的方式,实现数据标准化和结构化。
第三个,构建统一疾病数据模型,形成数据资产目录。
数据资产化的本质是要有足够的颗粒度和维度,直接用于业务场景。
比如说患者画像、医院画像、设备画像。
通过业务反推的方式和基于患者信息聚合衍生的方式,构建随取随用的数据。
数据里面保存的不仅仅是患者的信息,还包括了很多的标签。
重构流程的关键是,只有深入到临床路径,才能发现更深层次的信息。
首先是要匹配业务需求,然后根据需求对流程进行优化。
梳理的过程包括,首先收集指南,再把指南按照疾病的主流程进行拆解,从而形成决策树。
罗列疾病核心变量,变量可能不够,需要结合业务需求直接反馈信息,临床研究表单收集内容,补充疾病变量。
把两者整合在一起,从而形成疾病数据模型和运营模型。
除了数据分类存放有利于数据有效利用,数据资产目录也很重要。
举个例子,静脉血栓栓塞症(VTE)需要管理的指标非常多,包括诊疗过程的指标,诊断类指标以及诊疗结局指标。
例如,诊疗过程指标,包括静脉血栓栓塞症(VTE)风险评估比率、出血风险评估比率。
诊疗结局指标,包括医院相关性静脉血栓栓塞症(VTE)发生比率,静脉血栓栓塞症(VTE)相关病死率。
这些防控指标并不是直接就能收集到,往往在收集到静脉血栓栓塞症(VTE)风险评估之后的数据,才能计算出来。
只有这样,才能更好地辅助各类业务的应用。
谈到构建统一的疾病为核心的知识库,至少要包括这三部分,
第一,通用的知识,包括常见的药品知识检验、检查知识。
第二,模块化疾病知识,包括了筛查诊断手术和操作指引和知识。
第三、疾病知识,包括疾病指南和专家共识。
在知识库基础上,还要构建指标标准管理体系,至少要包括五部分,
第一、流行病学数据。
第二、临床路径和指南。
第三、医院和科室的质量标准。
第四、国家对重大疾病的要求。
第五、国家管理相关的机构设定的医院运营的指标(DRGs)。
基于数据资产和指标标准,才能定准确的定位,发现问题,定位临床问题。
更好地判断是过度医疗,还是检查不足。
构建统一的数据质量和监控体系是质控体系重中之重。
在指控当中有至少是有三个事情是必须。
第一、一致性。
第二、标准化,
第三、合理性。
如果有条件,最好是能够把内容质控也加进去,最好能在使用前进行监控,对于能够及时发现医疗质量问题和风险有非常大的帮助。
另外,开放的APIs,统一数据中台支撑多种的业务数据的应用,做开放式的接口服务数据中台。
开放接口服务有几个好处,第一是简化管理。
对接会变得很简单,然后很快速,排错也容易,能够减少数据治理工作量。
如果每个系统接入,都要去做数据治理,都要去做对标还是蛮痛苦的。
第二、数据安全。
不需要全部开放数据给某一个应用,只需要提供业务所需的最小级,可以减少不必要的数据暴露,还可以做统一的脱敏转化,从而更好地保护患者隐私和医院的数据资产。
这方面国外已经有很好的应用案例,像斯坦福大学用于慢性疼痛患者管理的健康信息注册网络,是开源、开放标准的,高度灵活的系统平台。
基于临床的知识决策的推荐,为临床的医生提供最佳的实践路径,并提供临床结果追踪的决策支持。
人工智能辅助临床诊疗决策的需求是非常巨大的,也是真实的。
在此处,马丽明主任谈到一个性命攸关的案例,一个小朋友两三天前在医院看病时还好好的,突然间,急重症肺炎转到重症加强护理病房,短短几天,从活蹦乱跳到性命垂危。
重症肺炎在国内存在很大的问题,其中一个问题是部分低年资医生没有办法对重症肺炎进行百分百的准确识别。
虽然国家已经有很明确的诊断标准。
但问题的难点在于潜在的重症患儿早期症状不明显,而病情恶化快,可能两三天前根本就没有什么太特别的症状,突然间就要进重症加强护理病房了。
临床识别非常困难。
起病急,病情重变化又快。
如果能够在早期识别病情,提早采取措施,会大大降低重症肺炎的病型病死率。
国外已有可以参考的案例,美国杜克医疗(DukeHealth)基于人工智能技术,针对脓毒症的不同症状表现进行预警的建模,对及时发现脓毒症起了很大的帮助。
再比如败血症,平时表现和很多急性感染的表现是一样的。
也就是说,败血症本身并无特殊临床表现,败血病的临床表现也可见于其他急性感染。
人工智能建模预警在第一次抗生素给药前17个小时就已经检测到败血症。
所以,非常期待国内有更多的人工智能公司能够给医务人员带来更多的帮助。
马丽明主任深刻的回顾了数据中台在医院的应用与发展,也讲述了来自医疗前线
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 详解 系列 传统 行业 建设