如今的医疗IT上市公司 市值已不足百亿
开源节流之下，卫宁健康、东软集团（医疗业务部分）、创业慧康、三家头部IT企业营收仍有升势；东华软件、嘉和美康虽未增长，但下跌幅度也在3%以内；连亏数年的易联众也在2023年实现营收利润双向增长，挂上ST后首次扭亏为盈。然而，二级市场似乎并不愿为这样的数据买单。
新冠疫情激发的信息化需求曾为医疗IT行业带来一波涨势。但在2023年一季度后，整个医疗IT行业的股价一直处于下行区间。
截至发稿，绝大部分公司的市值都已跌回百亿以内，仅余卫宁健康保有百亿身价，但也不足2020年高点的一半。
外界认为，“十四五”下的智慧医疗建设、《关于全面推进紧密型县域医疗卫生共同体建设的指导意见》中的紧密型县域医共体建设虽然给予了行业增量，但这些项目将均匀地分散在各个年份中，对应的价值已经反映在了股价中。当宏观经济下行，医院、公卫面向信息化建设的预算减少，医疗IT企业能够拿下的市场份额随之减少。
但他们忽略的是，后勤、医管、数据中心、临床质控等建设看似成本，实则能为医院的运营、管理、经营、科研带来间接效益，进而推动医院进行更为深度的信息化建设。
刘展（化名）曾在一家医疗IT初创公司担任副总经理，他认为，国内的医疗IT行业对于政策的依赖太过强烈。
“企业的经营业务总是顺着医院的需求进行，医院需要什么，我们就做什么。医院又是跟着政策走，政策需求什么，他们就采购什么。这样的激励机制下，企业们只需想着怎么更高效、更经济地满足上面给出来的标准。
因此，即便企业花了更多的成本，把产品做得功能更全面、内容更丰富，但只要不是能为医院带来真正价值的硬需求，医院很少会为额外功夫买单。”
一方面，医疗信息化产品趋于同质化竞争，医院很难通过甄别价值精确选择产品，进而由地域、知名度、影响力、人际等因素组成“关系网”取而代之。
另一方面，医院也不太在乎医疗IT领域的产品创新。毕竟，许多新的解决方案不过是在旧的解决方案上进行局部创新，且大部分创新的价值相当有限，不足以打动医院管理者更换产品。
刘展告诉动脉网：“许多IT厂商喜欢使用‘新一代’去展示系统的先进性，譬如新一代HIS系统、新一代数据中心。现实之中，这些系统的确是在升级迭代，但大家对于HIS中“新”的定义并没有明确界定，绝大多数‘新一代’并不具备跨时代的创新意义。换句话说，也就是创新没有带来新的市场。”
实际之中，初创企业在利用深度学习、自适应学习等智能化工具打造应用产品时，囿于隐私、安全等问题，无法触碰医院存储的海量高质量数据，只能通过合作的方式，小批量地获取数据，治理成本高昂。
2023年初国家数据局的成立曾为医疗数据的标准化甚至流通带来希望，但1年半过去，没有新的指导办法指导医疗领域。
回顾医疗大数据产业爆发时，许多投资人重押医疗数据未来价值后前赴后继入场，但如今大量A轮、B轮公司的撤离，说明要将想象中的医疗大数据化为现实，显然还有相当一段的距离。
某上市公司高管在今年CHINC大会上无奈地谈到了现在的形势，尤其是在2023年，运营商拿下了不少曾经属于医疗IT公司们的标的，再将部分标的转给医疗IT公司。
这番操作下，医疗IT公司们拿到的订单数量没有太大的跌幅，最终到手的钱确是实实在在地少了。
多重因素的抑制作用下，企业疲于应对市场问题，创新乏力，竞争乏力，难有余力进行突破。
以新近大热的信创为例。医疗信息化作为数字中国“2+8体系”的重要组成部分，关系到国家战略安全和人民生命安全，但目前为止还是信创渗透率较低的板块。
医疗IT公司们转行做信创并不容易。
到目前为止，C/S架构为主的产品应用到今天还有90%以上的存量，这些旧系统是信创下个阶段替换生产环境工作站的主要挑战。此外，由于传统架构更依赖数据库执行业务逻辑，基础软件中数据库适配问题也需企业逐一解决。
此外，医院复杂的网络架构也为信创业务的入局提出挑战。在过往4G/5G融合、万物互联和多网融合的智能化医院建设之后，大多数西苑内外网的边界已经模糊不清。集团化、医联体、智慧医院等各种新需求下，企业很难分清楚哪些医疗应用属于院内，而哪些应用应该延伸到院外。
数据迁移风险也是信创产品适配融合过程中的一个重要问题。在进行数据迁移时，可能会遇到数据格式不兼容、数据丢失、数据错误等问题，甚至可能导致原有系统的瘫痪。因此，如何保证数据迁移的可靠性和安全性，也是信创国产化适配过程中的一个关键难点。
作为全行业炙手可热的前沿技术，大模型进入医疗领域的第一落点，大概率是医疗IT。医疗是一门严肃的学科，医生在诊疗过程中做出的任何决策都需要遵循“循证”二字，无法同设计、金融、制造等行业一样随心所欲地开发大模型应用。因此，现阶段的医信领域大模型大多远离诊疗环节，它们聚焦于医疗数据的流动环节，注重医院运营的提质增效；或是挖掘数据之间的未知联系，助力大数据的价值挖掘。
“尽管早先基于规则或统计方法的NLP技术强化了人工智能的分析能力，但它没有脱离通过‘输入信息－关联数据库－搜索结论’的逻辑。这种推理的方式只考虑了‘上文’，忽视了‘下文’。相比之下，医生的推导过程不仅会囊括各类报告给到的数据，还会根据过往经验推断数据之外的可能。因此，NLP实现的质控并非真正意义上的内涵质控”。福鑫科创CEO吴笛在采访中表示。
“一个基础例证是，假如为一名男性患者开具妇科药物，此类明显的错误很容易在后续审核中被NLP检测出来。然而，存在一些更为隐蔽且难以检测的问题，例如，在某一特定人种或地理区域内，可能会出现一些异常或不符合常规的疾病模式或生理特征。若事先对此类情况缺乏了解，或者相关规则未能覆盖此类情形，甚至未能提出正确的问题以进行探究，那么内涵质量监控机制将无法有效地识别出这些问题。”
页:
[1]