本文根据金赛药业CIO鲜翾在CIAPH第12届医药健康行业数字化高峰论坛上的分享整理

数字化进入深水区，很多业内同仁感触颇深，做数字化到底应该是务实一些，还是要务虚一些？太过务实，老板看不到更美好的未来，数字化项目难以开展；太过务虚，又看不到数字化的实际作用，难以为企业赋能……

既要抬头仰望星空，又要低头踏实赶路，这是对于数字化该如何做最贴切的表达，在CIAPH第12届医药健康行业数字化高峰论坛上，金赛药业CIO鲜翾向大家讲述了她对于数字化的深刻认知，同时也讲了她与数字化的那些事……

以下文字为演讲实录，内容略有删减。

金赛药业CIO 鲜翾

大家好，我是鲜翾。据我观察，很多医药健康行业的CIO是非常务实的，甚至是有些过度务实了。在我看来，数字化既要低头走路，同时也要仰望星空，务实和务虚相结合才是更加合适企业的状态。怎样将数字化描绘的更加广阔，使老板有向往，同时又让团队认知一致，携手同行，做好交付工作，我认为这是一个CIO不可或缺的能力。

我个人非常认可的一个观点是“用数据打通世界”，我坚信“数即万物，万物皆数”。当下我们想要实现AGI，想要做到数字永生，其核心关键点在于能否将一个事物从碳基的状态转变为硅基。数字化是一个很酷的事情，当有一天“万物皆数”实现的时候，所有的事情能够被计算，通过计算就能够发现很多规律，从而或许会发掘出更多的可能性。

很多企业对于数字化的定位是辅助，想要数字化通过智能化来实现价值。过去的数字化更多的是将传统的行为，例如纸质记录、Excel表变为在系统中操作，通过这样的动作，老板就认为企业能够实现降本增效。实则不然，还要做数据沉淀、问题分析，才能做智能化。只有高质量数据积累到一定程度，才能为智能化打下基础。需要注意的是“标注后的高质量数据加上算法才是生产力”。当然，这件事要让老板有清晰的认知，否则老板就会有不切实际的期待。

那何为标注后的高质量数据？以金赛来说，其中一个产品的生长激素，服务的人群主要是儿童，对于儿童骨龄的预测就至关重要。通过设备拍出照片，照片经过医生的查看和标注，将医生的经验沉淀到照片上，判断哪些区域与骨龄的预测相关，形成算法和模型，才可以变成生产力。那么医生的经验，我认为是高质量的数据。

我一直在思考一个问题，药企在面临日益增长的竞争状态下，我们还有哪些机会？客观来说，社会财富的终极目标是改善健康，因此在大健康领域我们的机会还是很多的。金赛药业与很多药企不同，我们非常聚焦，力求在一个靶点、一个产品上做到极致。所以我们尽量做到从研发、生产迭代、再到患者服务、与医生的洞察做得越来越细致。我们相信把细节做到极致，就会出现新的机会。

但在为儿童服务的过程中，我们发现想要服务好患者，只有一个产品是不够的，需要整体的解决方案，因此我们必须从源头来提升解决方案的能力。作为一个神经生物学家，我并非是CIO出身，我曾多年在国外求学读书，拥有丰富的AI、大模型和数据挖掘经验。药企也需要看到最新的技术是什么样的，在哪里。二者不谋而合，这也是我选择服务金赛药业的重要原因。

我曾讲过一个故事，是海量的生命数据是药物研发、医疗健康管理的基础。当时我们打造了“科学算命，科学改运，让人健康活到120”的概念，但最后发现落地很困难。原因在于，对于一个人我们可以收集到他的全基因组数据、肠道微生物数据、抗体、蛋白等数据，依托这些数据我们能够明确知道未来他可能出现的风险，但是无法给出很好的解决方案，最后只能给出的方案就是“少吃多动”，显然这样对于我们和客户都是说不过去的。

金赛药业的核心产品生长激素在抗衰老领域也存在很多机会，怎样用AI的能力、数据的能力，助力我们实现目标？现阶段能够看到，AI在医疗健康领域有很多务实的实践，不论是在可穿戴设备上，还是患者的数据分析上，与患者的交互上，我们都进行了相关的尝试，而且这不仅要在公司内部做，还要联动医院去做。

诚然在数字化的过程中，需要明确核心的高质量数据在哪？上文谈到，我认为专家的经验，对某一事物的理解，对业务结果最关键的信息，这些都是高质量数据。数字化是将这些数据用系统的方式进行拆解，找到数据在哪？是否连贯？是否能自动化串联？计算方法是什么样的？计算规则是什么？当我们回到万物皆数这件事情，便可以把整个链条看成数据流，将业务变成规则，就可以逐步更加容易的落地。

不仅是药企，所有行业在数字化中，让老板体感最好的一定是BI，老板会发现所有的焦虑都能在看板中发现，因此会对于数字化有比较真实的印象。所以数据中台是必须做好的，然后再为业务配上合适的工具。金赛药业从聚焦产品到升级为一个解决方案的过程中，逐渐发现慢病管理成为了企业中一个核心的业务，如何做到高效？这需要与医院协同，从早期筛查，到医院就诊，再到后期的方案制定，进行闭环的管理。

在金赛药业内部，有一个AIDD团队，没有选择外部AIDD团队的原因是，我们企业中有一个非常厉害的化学家，像是古代的“炼丹师”一样，有什么需求，他能够快速满足。而且对于使用AI算出的小分子，他能够明确看出是否具有可行性。

但是大分子就不同了，随着技术的发展，大分子药如何去做是必须解决的。我们首先做了很多工具，使业务方产生信任感。众所周知，药企中研究新疾病、新靶点、新论文是非常常见的情况，所以我们把优秀的医学官如何看论文的方法沉淀下来，打造了很多大模型为基础的工具，为其他人赋能，提供帮助。

有一个实际的案例和大家分享，我的老板曾经提到过一个问题：腰腹部脂肪与全身的脂肪有无差异的靶点？其实是想讨论能否做到减肥的时候是否能做到只减腰腹部，或者是内脏脂肪。很多专家找到的论文老板都不满意，业内也没有关于这一话题的论文资料。那我们通过大模型扫描了整个文献库，确实也没有找到动物实验或者是人体实验中关于这一话题的内容，最后老板彻底放弃了。

从这个例子来说，我们要注意的是在药物研发时要让老板清楚这是一个具有一定风险的事情，需要药物研发专家的高度配合，并且要做到不遗漏，将经验输入给AI，AI需要不断的反复的收集数据集，因为大模型是否好用与数据训练集是息息相关的。可以说一家企业根据自身数据集做出的算法，拿到另一家企业，不一定好用，因此数据模型的调优是非常重要的。一些与数据安全、信息分享相关的大模型，我们也是自己部署的，因为不管是翻译的文件还是一些提出的问题，都是涉及到信息的。

我们在全生命周期的管理中，存在开发IVD设备、器械开发、数字化随访系统、患者管理等小工具，其中都会涉及到“医工交叉”的概念，所以我们会与高校合作，打造相关的一些工具，通过算法平台，来助力研发效率的提升，我认为院企合作这件事情是非常有意义的。

如何在合规的背景下，与医院开展合作？当然一切都是以合规为前提，很多医院的医生是需要帮助的，他们在临床上积累了很多病例，而且不但有看病增效的需求，同时也有科研需求，因此我们希望将企业的一些能力开放给到医生，在某些疾病可以与医生开展产学研的合作，从而真正共创出一些好的产品。

目前我们也已经有所行动，与各大儿童医院建立战略合作，我希望的是在广大的妇女儿童健康改善的需求下，充分发挥我们的能力，共创共进，解决国家所关注的一些问题，同时做好科研，这才是真的务实。

当然这样的项目仅靠我们自身是难以完成的，需要多方共同的努力，包括与一些优质供应商伙伴合作。做数字化，很容易陷入到降本增效的误区中，固然推动数字化要为企业带来效率的提升，但是需要明确的是系统到底结合了哪些领域的专家认知与实践，否则空有系统，也是没有任何作用的，抓不住关键用户，一定得不到预期的效果。

以上就是我的一些想法与实践，期望能够在更多的领域向大家学习，谢谢！