登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《数智化医疗信息利用与服务模式框架构建》

  • 来源专题：数智化图书情报
  • 编译者： 黄雨馨
  • 发布时间：2023-09-17

  • 数智化医疗信息利用与服务模式框架构建

    张传洋 / 郭宇 / 庞宇飞 / 于文倩

    图书情报工作.2023 Vol.67 (13): 49-58.

    摘要： [目的/意义] 从数智化转型视角出发，剖析我国医疗信息化发展现状，梳理医疗信息化系统体系，将其与数智化转型新特征相融合，构建数智化医疗信息利用与服务模式框架，为数智化转型研究与医疗信息化、智慧医疗发展提供新的思路和方法。[方法/过程] 以马克思唯物主义哲学思想为指导，以信息生命周期管理理论以及C-P-S三元世界理论为依据，结合大量文献研究，按照物理空间、信息空间与社会空间的逻辑构建数智化医疗信息利用与服务模式框架。[结果/结论] 框架探讨原数据模块、数据汇集模块和集成系统模块的功能，以及数字与知识双驱动的数智化医疗信息利用与服务模式运行机制，并描述数智化医疗信息应用与服务。

  • 原文来源：https://mp.weixin.qq.com/s/-F5T0eCYy0_JthEeOzX9vg
224浏览量
原文链接
相关报告

  • 《医疗AI与GPT | 梳理全球医疗大模型》
    • 来源专题：数智化图书情报
    • 编译者：闫亚飞
    • 发布时间：2023-09-27
    • 一、国外医疗大模型 1、谷歌医疗大模型（Med-PaLM） 谷歌和DeepMind的科研人员在《自然》杂志上发表了一项研究，根据其研究结果，一组临床医生对谷歌和DeepMind团队的医疗大模型Med-PaLM回答的评分高达92.6%，与现实中人类临床医生的水平（92.9%）相当。 2、BioMedLM（PubMedGPT） 斯坦福基础模型研究中心（CRFM）和MosaicML联合开发了BioMedLM （PubMedGPT）模型，一种经训练可以解释生物医学语言的大型语言模型。CRFM使用MosaicML平台，根据PubMed的生物医学数据训练了2.7B 参数 GPT，在美国医疗执照考试 (USMLE)的医疗问答文本上取得了最先进的结果。在Pile数据集的 PubMed Abstracts 和 PubMed Central 部分上训练了 BioMedLM。该数据集包含约 50B 个标记，涵盖由美国国立卫生研究院策划的生物医学文献中的 1600 万篇摘要和 500 万篇全文文章。 3、GatorTron GatorTron是由佛罗里达大学开发的电子病历（EHR）大数据模型，从头开始开发了一个LLM（没有基于其他预训练模型），使用89亿个参数和来自电子健康记录的>900亿字的文本来改进5个临床自然语言处理任务，包括医疗问题回答和医疗关系提取。 虽然比Med-PaLM的模型小得多，但这是第一个由学术医疗机构开发的医学基础模型，而不是像谷歌、OpenAI或Meta这样的大型科技公司。 这个数据来源是从UF Health综合数据存储库（IDR）——UF Health系统的企业数据仓库中提取了来自247万名患者的总计2.9亿份临床笔记。这些笔记是在2011-2021年创建的，来自超过126个临床科室和约5千万次接触，涵盖了医疗环境，包括但不限于住院病人、门诊病人和急诊部门的访问。经过预处理和去识别，该语料库包括超过820亿个医疗词汇。 4、CLINICAL QA BIOGPT (JSL) John Snow Labs 长期以来一直是自然语言处理（NLP）工具和算法在医疗用例中的领先者。除了数据标记和提取之外，他们还拥有用于去标识化临床笔记和医疗数据的工具。JSL 最近宣布了一种基于 BioGPT（一个较旧、较小的医疗信息训练的大型语言模型）的LLM（BIOGPT (JSL) ），通过基于JSL数据和NLP工具的微调。该模型在患者去标识化、实体解析（如提取操作代码和医疗术语）以及临床摘要的准确性等领域可能表现更好，甚至可能优于ChatGPT。 https://nlp.johnsnowlabs.com/2023/04/12/biogpt_chat_jsl_en.html 5、ChatDoctor ChatDoctor：使用医学领域知识在大型语言模型LLaMA上进行微调的医疗大模型。 收集了 700 多种疾病及其对应的症状 + 所需医学检查 + 推荐的药物, 以此生成了 5k 次医患对话数据集。此外, 还从在线问答医疗咨询网站获得了 200k 条真实的医患对话数据集。 使用 205k 条医患对话数据集对 LLM 进行微调, 生成的模型在理解患者需求, 提供合理建议并在各种医疗相关领域提供帮助方面能力显著提高。 此外，为了提高模型的可信度，该项目还设计了一个基于Wikipedia和医疗领域数据库的知识大脑，它可以实时访问权威信息，并根据这些可靠信息回答患者的问，这对容错率较低的医疗领域至关重要。 实验表明，医生患者对话的微调模型在精度、召回率和F1方面超过ChatGPT。 https://www.yunxiangli.top/ChatDoctor/ 二、中文医疗大模型 1、DoctorGLM 基于 ChatGLM-6B的中文问诊模型 基于 ChatGLM-6B的中文问诊模型，通过中文医疗对话数据集进行微调，实现了包括lora、p-tuningv2等微调及部署。 Github地址：https://github.com/xionghonglin/DoctorGLM 2、BenTsao 开源了经过中文医学指令精调/指令微调(Instruct-tuning) 的LLaMA-7B模型。通过医学知识图谱和GPT3.5 API构建了中文医学指令数据集，并在此基础上对LLaMA进行了指令微调，提高了LLaMA在医疗领域的问答效果。 地址：https://github.com/SCIR-HI/Huatuo-Llama-Med-Chinese 3、BianQue 一个经过指令与多轮问询对话联合微调的医疗对话大模型，基于ClueAI/ChatYuan-large-v2作为底座，使用中文医疗问答指令与多轮问询对话混合数据集进行微调。 地址：https://github.com/scutcyr/BianQue 4、HuatuoGPT 开源了经过中文医学指令精调/指令微调(Instruct-tuning)的一个GPT-like模型 地址：https://github.com/FreedomIntelligence/HuatuoGPT 5、Med-ChatGLM 基于中文医学知识的ChatGLM模型微调，微调数据与BenTsao相同。 地址：https://github.com/SCIR-HI/Med-ChatGLM 6、QiZhenGPT 该项目利用启真医学知识库构建的中文医学指令数据集，并基于此在LLaMA-7B模型上进行指令精调，大幅提高了模型在中文医疗场景下效果，首先针对药品知识问答发布了评测数据集，后续计划优化疾病、手术、检验等方面的问答效果，并针对医患问答、病历自动生成等应用展开拓展。 地址：https://github.com/CMKRG/QiZhenGPT 7、ChatMed 该项目推出ChatMed系列中文医疗大规模语言模型，模型主干为LlaMA-7b并采用LoRA微调，具体包括ChatMed-Consult : 基于中文医疗在线问诊数据集ChatMed_Consult_Dataset的50w+在线问诊+ChatGPT回复作为训练集；ChatMed-TCM : 基于中医药指令数据集ChatMed_TCM_Dataset，以开源的中医药知识图谱为基础，采用以实体为中心的自指令方法(entity-centric self-instruct)，调用ChatGPT得到2.6w+的围绕中医药的指令数据训练得到。 地址：https://github.com/michael-wzhu/ChatMed 8、XrayGLM，首个会看胸部X光片的中文多模态医学大模型 该项目为促进中文领域医学多模态大模型的研究发展，发布了XrayGLM数据集及模型，其在医学影像诊断和多轮交互对话上显示出了非凡的潜力。 地址：https://github.com/WangRongsheng/XrayGLM 三、国内产业界的医疗大模型 1、百度灵医大模型 2023年9月19日，百度正式发布国内首个“产业级”医疗大模型——灵医大模型。灵医大模型聚焦智能健康管家、智能医生助手、智能企业服务三大方向，为患者、医院、企业等提供AI原生应用。 灵医大模型能够结合自由文本秒级生成结构化病历，根据医患对话精准分析生成主诉、现病史等内容。此外，灵医大模型也是业内唯一支持多篇中英文文献同时解析的大模型，基于文献解析内容实现智能问答。在辅助诊疗方面，灵医大模型可实现通过多轮对话了解病人病情，实时辅助医生确诊疾病，推荐治疗方案，提升就诊全流程的效率和体验，并成为患者的24小时“健康管家”，提供智能客服服务。此外，灵医大模型还能为药企提供多项赋能，包括专业培训、医药信息支持等等。 2、京东京医千询 京东健康发布了“京医千询”医疗大模型，可快速完成在医疗健康领域各个场景的迁移和学习，实现产品和解决方案的全面AI化部署。 3、腾讯混元医疗大模型 腾讯混元大模型预训练用到的数据高达2万亿tokens，比不少模型高出一个量级。训练数据涵盖285万医学实体、1250万医学关系，覆盖98%医学知识的医学知识图谱和中英文医学文献。这些知识既对大量论文、百科全书、用药说明书中的知识进行了萃取，又纳入了腾讯医典中各个医学专家撰写的针对性的医学文章。所有知识来源都已经过验证，因而可为大模型输出的结果提供权威依据。 一方面来源于患者场景，如线上问诊、医学问答、导诊、预问诊；另一方面来源于医生场景，如医学考题、病历生成、出院小结、检查建议、诊断结果和用药建议。 4、医联MedGPT 预训练阶段使用了超过20亿的医学文本数据，微调训练阶段使?了800万条的高质量结构化临床诊疗数据，并投入超过100名医生参与人工反馈监督微调训练。 5、商汤 “大医”大模型 基于海量医学知识和临床数据打造了中文医疗语言大模型“大医”，可以提供导诊、健康咨询、辅助决策等多场景多轮会话能力。此外，商汤科技同样推出了医疗影像大模型、生信大模型等多种垂类基础模型群，覆盖CT、MRI、超声、内镜、病理、医学文本、生信数据等不同医疗数据模态。 6、云知声山海大模型 云知声将以山海大模型为基础，增强物联、医疗等行业能力，为客户提供更智能、更灵活的解决方案。在医疗场景，发布手术病历撰写助手、门诊病历生成系统、商保智能理赔系统三大医疗产品应用。 7、微脉CareGPT CareGPT 致力于在真实的医疗服务场景中充分发挥健康管理价值，实现预防、咨询、预约、康复的全周期智能化健康管理能力。目前参数规模为 70 亿，可支持医疗健康场景下的多模态输入和输出。 8、东软添翼医疗 医生通过自然语言与添翼交互，快速、精准地完成医疗报告与病历、医嘱开立；面向患者，添翼让问诊更便捷，成为患者全天私人专属医生，提供全面的诊后健康饮食、营养与运动建议等服务。添翼的多模态数据融合能力，也将为医院管理者提供对话式交互与数据洞察，简化数据利用，让医院管理更精细。 9、叮当健康HealthGPT 叮当HealthGPT可以作为AI健康助手，为用户提供全方位的健康相关问题解答和专业建议。无论用户对就医流程、疾病治疗、药品使用、检查结果解读感兴趣，还是关注疾病预防、养生保健、饮食营养、美容健身、家庭医疗护理、心理健康和压力管理，叮当HealthGPT都能满足用户的需求。 10、水木分子ChatDD 新一代对话式药物研发助手ChatDD 及全球首个千亿参数多模态生物医药对话大模型ChatDD-FM 100B，ChatDD (Chat Drug Discovery & Design) 基于大模型能力，则能够对多模态数据进行融合理解，与专家自然交互人机协作，将人类专家知识与大模型知识联结，具备问题理解、任务拆解、工具调用等能力，或有可能重新定义药物研发模式。 11、华为云盘古药物分子大模型 华为云盘古大模型已经深入金融、制造、政务、电力、煤矿、医疗、铁路等10多个行业，支撑400多个业务场景的AI应用落地。2021年发布的华为云盘古药物分子大模型，是由华为云联合中国科学院上海药物研究所共同训练而成的大模型，可以实现针对小分子药物全流程的人工智能辅助药物设计。实验验证结果表明，盘古药物分子大模型的成药性预测准确率比传统方式高20%，进而提升研发效率，让先导药的研发周期从数年缩短至一个月，同时降低70%的研发成本。 12、智云健康：ClouD GPT 依托大数据平台、机器学习平台、模型开发平台、模型训练平台等基础平台，智云健康开发出医疗行业模型ClouD GPT，已经落地在智云AI辅助诊断和AI药物、器械研发的医疗应用场景。 13、卫宁健康：WiNEX Copilot 卫宁健康已于2023年1月开展了医疗垂直领域的大语言模型WiNGPT的研发和训练工作，截至4月、6月和9月的模型训练参数量达到或将达到60亿、156亿、650亿，目前正在探索更多的医疗应用场景，计划于10月正式发布由GPT技术加持的新产品WiNEX Copilot。 14、创业慧康BSoftGPT BSoftGP将以API调用结合本地部署的方式聚合利用通用GPT模型，同时通过本地部署embedding向量数据库以及公司自有的领域知识库，通过医疗垂直领域的语言模型训练和微调逐步实现产品力，并向公司内外部的应用场景，比如在医疗服务和个人健康等场景中输出AI智能服务。 在临床医疗服务方面，BSoftGPT可以根据医生提供的病历信息和临床数据，自动化生成临床决策建议和治疗方案，从而辅助医生进行临床决策，提升现有的临床决策支持系统CDSS的智能化水平；在面向患者服务方面，BSoftGPT可以通过与患者进行自然语言交互，实现贯穿患者诊前诊中诊后全流程的智能导诊、管理。 15、科大讯飞：星火认知 基于星火认知大模型升级的讯飞医疗诊后康复管理平台，将专业的诊后管理和康复指导延伸到了院外。根据患者健康画像自动分析，平台可为患者智能生成个性化康复计划，并督促患者按计划执行。目前，讯飞诊后康复管理平台试点已取得显著效果：提高合作医院医生的管理效率10倍以上，患者康复过程中的随访率和咨询回复率达到100%，出院患者满意度达到98%以上。 16、中国科学院自动化研究所紫东太初 “紫东太初”定位为跨模态通用人工智能平台，于2021年正式发布。今年6月16日，紫东太初发布2.0版本，目前，“紫东太初”大模型已展现出广阔的产业应用前景，在神经外科手术导航、短视频内容摘要、法律咨询、医疗多模态鉴别诊断、交通图像研读等领域开始了一系列引领性、示范性应用。 在医疗领域，基于紫东太初大模型开放服务平台，实现数据智能标注、高效模型训练、模型灵活部署，实现骨科器械/耗材的自动识别和清点，实现智能化、精细化管理，效率相比传统方式提升了6倍，准确率高达97%以上。 17、深圳市大数据研究院&香港中文大学（深圳）华佗GPT 今年6月，华佗GPT的最新的内测版本在深圳发布。由深圳市大数据研究院和香港中文大学（深圳）联合研发的华佗GPT，使用一亿问答（50G）和10-20T医疗文本，是最大的医疗问答数据集。主要应用于医疗咨询和情感陪伴，包括患者培训、健康咨询、就医分诊等。 华佗GPT是通过融合ChatGPT生成的 “蒸馏数据”和真实世界医生回复的数据，训练并开源了一个新的医疗大模型。自动与人工评测结果显示，华佗GPT在单轮与多轮问诊场景都优于现有中文医疗人工智能模型和GPT-3.5，充分证明其处理复杂问诊对话的能力。下一步，华佗GPT将支持多模态输入。 18、北京智谱华章科技有限公司&北京中医药大学东方医院：基于“GLM-130B”的数字中医大模型 6月27日，北京市首批10个人工智能行业大模型应用案例发布，其中包括北京智谱华章科技有限公司和北京中医药大学东方医院共同开发的数字中医大模型示范应用。该项目项目选用了基于智谱华章高精度千亿中英双语稠密模型“GLM-130B”，面向中医领域名医经验挖掘整理需求，构建数字中医服务平台，探索高危肺结节人工智能临床诊疗和临床评价研究等解决方案，实现中医临床经验的智慧化复制新模式。项目已初步研发了医疗垂直领域的问答功能，支持对医疗、健康问题进行智能化知识问答；同时开发了根据症状生成中医处方，并提供处方主治症候医学解释等辅助诊疗功能。 19、哈尔滨工业大学：“本草”中文医学大模型（原名：华驼） 据今年5月报道，哈尔滨工业大学的研究团队训练出中文医学大模型，命名为“华驼”，后更名为“本草”。“本草”团队主要利用了中文医学知识图谱CMeKG和2023年关于肝癌疾病的中文医学文献，借助OpenAI API，分别构造了8000条问答数据和1000条多轮对话训练数据。然后，基于LLaMA-7B基座模型，进行有监督的微调，构建了“本草”中文医学大模型。 20、上海人工智能实验室：OpenMEDLab浦医 6月29日，由上海人工智能实验室牵头，并联合国内外顶级科研机构、高校及医院共同发布全球首个医疗多模态基础模型群“OpenMEDLab浦医”，并逐步开源。“OpenMEDLab浦医”融合了全球顶尖的AI研发能力、海量医学数据以及医学专家知识，首批发布的基础模型群中，包含基于医学图像、医学文本、生物信息、蛋白质工程等10余种数据模态训练而成的基础模型。该模型将促进基于医疗基础模型的跨领域、跨疾病、跨模态科研突破，同时助力解决医疗领域的长尾问题，推动医疗大模型的产业落地。
    7574浏览量
    原文链接

  • 《医疗设备的不安全：诊断清晰，治疗模糊》
    • 来源专题：宽带移动通信
    • 编译者：wangxiaoli
    • 发布时间：2018-10-22
    • 近年来，越来越多的医疗保健专业人员开始意识到全面医疗设备安全的必要性，整个行业的从业人员已经开始加大力度来提高这一标准。 乐观的旁观者可能会指出实现这一目标的步伐。开发人员已经意识到了最明显的漏洞，更多的信息安全研究人员也加入其中。 如果不出意外，像I Am The Cavalry这样的倡导组织的形成，以及漏洞披露数量的简单上升，已经开始规划出一条可以抵御攻击的医疗设备路线。 先存条件 在上个月的黑帽安全技术大会上的一次演说中，暴露了目前市场上心脏起搏器的严重缺陷。它们的制造商不愿意解决这些漏洞，这清楚地表明，医疗设备的安全问题之所以受到困扰，在很大程度上是因为主要卫生保健部门参与者缺乏凝聚力以及开发人员安全卫生状况不佳。 为什么会这样？尽管医疗设备已经取得了不可否认的成果，但仍然存在像黑帽展览上那样的漏洞呢？就像医生有时必须诊断的最棘手的医疗状况一样，其根源在于多种复合疾病。 首先，物联网医疗设备的运行条件——包括了从联网胰岛素泵到联网CT扫描仪的所有东西——与消费者物联网对应设备的运行条件有着明显的不同。 据医生同时也是安全研究员的Christian Dameff说，一个关键的区别是，它们的生命周期明显更长，往往比它们所运行的操作系统的支持周期更长。 “对于消费者物联网来说，可能每年都会有设备定期的更新换代”Dameff说，“医疗联网设备预计将服务5年、10年以上，这可能是CT扫描仪等设备的情况，你猜怎么着？它们将运行Windows XP，而Windows XP将在三年后结束支持”。 作为安全研究员和I AM The Cavalry联合创始人的Beau Woods指出，事实上，新联网医疗设备必须经历的监管过程是如此冗长——这是可以理解的——以致于当它们进入市场时，通常会落后现代安全趋势好几年。 Woods表示：“今天推出的任何新设备都可能有几年的研发阶段，以及几个月到几年的FDA审批阶段”。 “你可以拥有8到10年前就完成基本构思，但是到现在才刚刚出的设备，所以它们当然没有与现在相同的保护措施或者具有现代医疗设备架构，更不用说10年前推出的、仍然完全可以使用的设备，比如说核磁共振成像仪”他解释道。 始终处于联网状态的医疗设备必须满足的需求，尤其是心脏起搏器等植入设备的需求，会带来额外的操作限制。桌面操作系统开发人员已经花了几十年的时间积累经验，以确定最佳实践开发对策。然而，不允许停机的无头医疗物联网设备排除了许多非常规的对策，因此有必要开发适合医疗部署的新设备。 医生，诊断结果是什么？ 强生公司的产品安全总监Colin Morgan指出，传统的控制在某些医疗环境中肯定是不够用的，但这可以鼓励研发人员在特定的约束条件下进行创新。 “有时，在这种环境差异下，我们需要确保安全控制不会影响设备的预期用途”Morgan表示，“假设您的机器上有一个会话锁，你离开办公桌15分钟，你的屏幕锁定了。在某些医疗设备上，这可能会破坏它的预期用途，而我们的工作——这也是工作中有趣的一部分——要弄清楚，‘如果我们不能做那种控制，还有什么别的控制手段可以降低风险？’”。 尽管医疗硬件的独特需求已引起了创造性的新安全控制措施，但由于缺乏足够的激励结构，这一举措往往受到损害。 目前的监管和过去的水平相比虽然是突飞猛进，但并不总是能够阻止制造商忽视潜在威胁生命的漏洞，尤其是在这样一种情况下，谢天谢地，目前还没有先例说明无监管环境下会发生什么。 “我不认为这是故意的，但请想一想：如果我是设备制造商，而且我的设备出现了故障，我是否会提交一份政策，对每台设备进行深入的取证调查，以查找恶意软件？”Dameff问道。 “答案是否定的”他说，“因为一旦我发现存在漏洞以及折中方案，我就必须向FDA报告，这可能会导致过高的召回和罚款等等。因此，找到这些类型的患者伤害情况的动机，根本就不存在”。 在某些方面，缺乏激励是最好的情况，因为目前的监管框架将资源从形成整体安全态势上转移开，有时还彻底排除了发现缺陷的途径。 在医疗保健监管方面，没有哪项立法比《健康保险携带和责任法案》（更广为人知的名称是HIPAA）的规模更大。毫无疑问，它在数字时代的患者保护方面具有里程碑意义，但其对隐私的独特关注，以及其问世时间比广泛的医疗物联网更早的事实，已经对设备安全产生了一些意想不到的有害后果。 Dameff直言不讳地表示，当侵犯患者数据的隐私时，公司要比违反设备的安全控制付出更多的代价，因此公司也会相应地考虑其优先级。 “医疗保健公司害怕HIPPA的强硬责罚，这推动了所有的安全对话”他说，“保护患者的医疗信息可以获得他们所有的资源，因为冒着违规的风险，将会以美元和美分的形式付出代价”。 HIPAA的卓越地位不仅使其在规模上倾向于压倒性地解决隐私问题，而且有时还会完全阻碍安全研究。在隐私和安全相互排斥的情况下，HIPAA规定隐私获胜。 “如果设备出现故障，我们必须将其发回设备制造商以弄清楚它到底怎么了，原则上由于HIPAA的缘故，他们会擦除硬盘驱动或移除硬盘驱动，然后才会将硬盘发往他们手中”Dameff说。 “根据政策，那些出现严重故障的设备会被送回制造商手中的时候，它们甚至无法使用操作系统，而操作系统是故障所在的软件”他指出。 治疗时机 尽管医疗物联网安全问题涉及许多方面，但仍有令人鼓舞的迹象表明，该行业已经找到了立足点，并围绕着下一步进行整合。其中一个广受好评的进程便是FDA发布的两份指导文件：《可互操作医疗设备的设计考虑和上市前提交建议》和《医疗设备网络安全的上市后管理》，或者简称为“上市前指导和上市后指导”。 Woods表示：“我得说，FDA在指导医疗设备制造商如何解释法规，FDA又是如何解释法规方面已经取得了很大的进展”。 “因此，当FDA发布了诸如医疗设备网络安全上市前指南或医疗设备网络安全上市后指南之类的内容时，这有助于监管方和设备制造商在构建设备时考虑到如何利用这些经验教训”他补充道。 除了敷衍地遵守指南的要求外，一些参与者还提出，要将他们列出的一些可选建议纳入其中。强生公司的Morgan表示，他的团队已经从与FDA相辅相成的关系中受益。 他说：“从我们的角度来看，过去几年我们已经完成了很多工作，这些工作最初是通过FDA推动的。我们与他们密切合作——我们与FDA网络安全团队建立了非常紧密的合作关系——通过围绕上市前和上市后的指导文件的启动……我们的质量体系出现了一些变化，我们正把它们真正地融入我们的质量体系中”。 监管机构和制造商之间的这种合作氛围对于加强整个行业的安全至关重要，因为它改变了从争夺竞争优势到确保患者基本安全水平的动态。 Morgan建议，合作不应该，也不会很快停止。由卫生部门协调委员会牵头的一个正在努力进行的项目是创建一个“医疗手册”，由医疗服务提供者、设备制造商、行业协会和其他相关人士机构提供的专业知识组成。 它将为各类组织提供指导，告诉它们可以采取哪些措施来改进安全实践。通过传播来自大公司的操作知识，较小的公司可以征求到所收集的智慧。 同时，除了现有的指导文件之外，还可以从医疗保健之外的信息安全和开发者社区，学习和吸收到很多东西。 考虑到由于监管监督而导致的开发和发布之间的滞后，对于制造商来说，第一次就正确地处理好这一问题就显得更为重要，这意味着将安全从补充性工作转变为开发所固有的工作。 “我认为我们不需要医疗安全专家。我们只是需要将这些好的实践从一开始就融入到设备的架构、工程和操作中去”I Am The Cavalry的Woods表示，“我认为，这需要对我们一直认为的传统方式进行一些反思”。 医疗设备开发商采用这种方法的方式是进一步吸引和整合独立的研究团体，Dameff补充道。 “我认为你需要对安全研究人员的投入和你的设备的独立安全测试保持开放的态度，然后才能进入市场”他建议道，“即使设备制造商为它发布了一个补丁，医院可能也不会真的部署它。所以我们需要做大量的前期工作，使这些产品在上市之前尽可能安全”。 正如上个月黑帽大会上演讲所显示的那样，尽管一些公司在处理来自独立研究人员披露的错误问题越来越适应，但一些公司依然顽固不化。主讲人表示，在收到通知后已超过500天，他们披露的制造商仍然没有采取行动。 “有很多可怕的故事”Dameff说，“我觉得医疗设备制造商意识到他们不能轻视研究人员了……这情况已经太多了，部分原因是现在的医疗设备有DMCA的豁免权”。 DMCA（即千禧年数字版权法）规定，测试医疗设备的诚实研究人员不必承担探索专有软件的法律风险，而专有软件是漏洞赏金猎人的生命线。 然而，对于研究人员来说，充分利用豁免是很重要的，不仅制造商会认真对待他们的投入，而且业界及其监管机构也会允许他们尽可能多地获取现实世界的数据。 Woods的组织——I Am The Cavalry，概述了满足这些要求的措施。 Woods说：“我在I Am The Cavalry了解到希波克拉底宣言，从中得到的一个东西便是，一种绝对可靠的证据捕捉能力，它可以让你捕捉到潜在的安全问题，或者任何设备的真正故障，以一种保护隐私的方式”。 “因此，我们不会为了安全而放弃隐私，因为我认为它们不是相互排斥的”他继续说道，“但关键是能够从设备上获取所需的日志和信息类型——比如固件状态、是否被篡改、是否最新版本、是否有额外程序以及存在意料之外的软件”。 最后，正如Morgan所说，所有这一切都必须满足维护提供者的需求，只有让他们充分参与到对话中才能实现这一点。 “我们面临的最大挑战之一是上市后管理”他指出，“我们如何才能在客户环境中更好地将安全补丁部署到设备上？客户环境各不相同，因此我们必须与客户不断地沟通，从他们那里了解到他们想从我们这里得到什么，他们的期望是什么，以及我们如何能更好地与他们合作，推出补丁，营建他们想要的东西，这样我们就能一起不断地降低风险”。 安排检查 最终，解决医疗设备安全状况不佳的问题，就像诊治患者一样：整体治疗必须是全面的，各种治疗措施不得冲突。 在监管机构、制造商和供应商达成一致的方面，安全状况已得到明显改善。而正是他们观点发生冲突的地方，情况仍有待改善。
    110浏览量
    原文链接