“智慧醫療”是傳統醫院及醫療機構向數字化、智能化、現代化醫療跨越的最終目標，能夠改善行醫就醫體驗，提升醫療效率和質量。但由於人工智能醫療技術仍處於發展階段，人們的思想意識和接受度仍需提升等原因，“智慧醫療”在落地的過程中還存在很多的問題和挑戰。

1、AI原理難以解釋，公信力不足

“智慧醫療”運用各類人工智能算法，技術複雜，分析得出的結論難以向醫務人員和患者解釋，也就造成了醫務人員和患者在使用AI服務時對結果的準確性產生疑慮。為解決這個問題，一方面需要對醫務人員和患者進行AI服務使用前培訓，用通俗易懂的語言讓他們清晰的瞭解AI服務的功能、原理、準確度和侷限性，有了全面的瞭解，才會產生理解和認同。

2、分析診斷的準確性仍需提升

傳統醫學研究依然較多采用還原論方法，但從生物大分子到細胞組織器官和人體個體，都是一個質變的過程，不能用簡單還原的方法來解釋人體的機能，因此這些檢測數據很難反映疾病的本質，也很難進行準確的科學決策。

醫學AI算法的應用有望通過跨維度異構數據的分析解決這個問題，從而實現更精準的醫療診斷，但目前的AI算法還不成熟，多學科聯合診斷算法上還存在技術瓶頸，需要經歷長時間的學習、實踐和反饋，持續迭代算法模型，才能讓分析診斷的準確率提升到可以實際應用的水平。

3、潛在風險不可控

目前智慧醫療還未進入成熟階段，雖然AI醫療的應用場景很廣泛，比如虛擬助理、藥物研發、健康管理、醫療影像輔助診斷等，但是真正落地、符合醫院使用場景的產品還是比較少，因為存在很多難以預測的潛在風險，安全不可控，AI診斷的失誤會造成患者的健康受損，必須要將風險控制在最小程度。，因此，相關技術和產品的研發還有待進一步提升。

4、非結構化數據多，難以挖掘數據價值

根據IDC Digital的預測，截至2020年醫療數據量將達到40萬億GB，是2010年的30倍。即使醫療數據量巨大，但其中80%左右都是非結構化數據，發揮不了“大數據”的價值。此外，國內醫院電子病歷未完全普及，很大一部分患者的數字化病例資料都是不完全的，這就對醫療數據的數字化整合帶來一定的難度。同時，不同的醫療機構或者企業，其數據錄入標準也是不一樣的，而單個醫療機構或者企業積累的數據難以訓練出有效的深度學習模型。因此，在不同醫療機構或者企業合作時，容易因標準不一導致優質的醫療數據丟失。

5、政策制度不完備

醫院信息化建設發展缺乏頂層建設規劃，相關政策制度不健全、不完備，導致“智慧醫療”轉型難以大規模推動，行業數字化轉型速度緩慢。同時，部分醫院及醫療機構管理者及醫生四項觀念陳舊，對“智慧醫療”重視程度不夠，數字化管理和實施細節不夠清楚，也阻礙了“智慧醫療”的發展。

由捷瑞數字自主研發的伏鋰碼雲平臺，基於“J3D數字孿生引擎”與“RBI商業智能設計器”兩大開發工具，以數字孿生與工業互聯網為驅動，加速醫療機構及企業數字化轉型進程。