醫(yī)療大數(shù)據(jù)的優(yōu)勢和應用場景

　　有效的整合和利用數(shù)字化的醫(yī)療大數(shù)據(jù)對個體醫(yī)生，康寶中心，大型醫(yī)院，和醫(yī)療研究機構都有著顯著的好處。

　　潛在的利益包括 （W.Raghupathi & Raghupathi, 2014）：

　　1）更多更準確的數(shù)據(jù)使得疾病能在早期被監(jiān)測到，從而使治療更容易和有效。
　　2）通過對特定個體或人群的健康管理，快速有效地監(jiān)測保健詐騙。
　　3）基于大量的歷史數(shù)據(jù)，預測和估計特定疾病或人群的某些未來趨勢，比如：預測特定病人的住院時間，哪些病人會選擇非急需性手術， 哪些病人不會從手術治療中受益，哪些病人會更容易出現(xiàn)并發(fā)癥，等等。麥肯錫估計，單單就美國而言，醫(yī)療大數(shù)據(jù)的利用可以為醫(yī)療開支節(jié)省出3千億美元一年。

　　醫(yī)療大數(shù)據(jù)的利用可以從以下幾方面減少浪費和提高效率 （Manyika, 以及其他人， 2011）：

　　臨床操作： 相對更有效的醫(yī)學研究，發(fā)展出臨床相關性更強和成本效益更高的方法用來診斷和治療病人。

　　研究和發(fā)展：在藥品和醫(yī)療器械方面，建立更低磨損度，更精簡，更快速，更有針對性的研發(fā)產(chǎn)品線。統(tǒng)計工具和算法方面，提高臨床試驗設計和患者的招募，使得治療方法可以更好地匹配個體患者的病癥，從而降低臨床試驗失敗的可能和加快新的治療方法推向市場。分析臨床試驗和病人的病歷，以確定后續(xù)的跡象，并在產(chǎn)品進入市場前發(fā)現(xiàn)病人對藥物醫(yī)療方法的不良反應。

　　公共衛(wèi)生：分析疾病模式和追蹤疾病暴發(fā)及傳播方式途徑，提高公共衛(wèi)生監(jiān)測和反應速度。更快更準確地研制靶向疫苗，例如：開發(fā)每年的流感疫苗。

　　此外，醫(yī)療大數(shù)據(jù)的分析還有利于以下幾方面的發(fā)展 （W.Raghupathi & Raghupathi, 2014）：

　　循證醫(yī)學：結合和分析各種結構化和非結構化數(shù)據(jù)，電子病歷，財務和運營數(shù)據(jù)，臨床資料和基因組數(shù)據(jù)用以尋找與病癥信息相匹配的治療，預測疾病的高危患者或提供更多高效的醫(yī)療服務。

　　基因組分析：更有效和低成本的執(zhí)行基因測序，使基因組分析成為正規(guī)醫(yī)療保健決策的必要信息并納入病人病歷記錄。

　　提前裁定欺詐分析：快速分析大量的索賠請求，降低欺詐成功率，減少浪費和濫用。

　　設備/遠程監(jiān)控：從住院和家庭醫(yī)療裝置采集和分析實時大容量的快速移動數(shù)據(jù)，用于安全監(jiān)控和不良反應的預測。

　　病人的個人資料分析：全面分析病人個人信息（例如，分割和預測模型）從中找到能從特定健保措施中獲益的個人。例如，某些疾病的高�；颊撸ㄈ缣悄虿。┛梢詮念A防措施中受益。這些人如果擁有足夠的時間提前有針對性的預防病情，那么大多數(shù)的危害可以降到最低程度，甚至可以完全消除。

　　然而，根據(jù)一份針對美國和加拿大333家醫(yī)療機構及10家其他機構的調(diào)查（IHTT, 2013），2013年，醫(yī)療機構累積的數(shù)據(jù)量比2011年多出了85%， 但77%的醫(yī)療健康行政人員對自己機構在數(shù)據(jù)管理方面的能力評價為“C”。此外，僅有34%報告他們能從電子健康記錄（EHR）中獲取數(shù)據(jù)用來幫助病人，而有 43% 報告他們不能收集到足夠多的數(shù)據(jù)來幫助病人。由此可見，在北美的醫(yī)療系統(tǒng)中，醫(yī)療大數(shù)據(jù)的管理使用準備工作還有一大段路要走。中國也是處在起步階段。

　　數(shù)據(jù)分析框架（傳統(tǒng)數(shù)據(jù)分析框架，大數(shù)據(jù)分析框架）

　　醫(yī)療大數(shù)據(jù)有著前面第一節(jié)提到的所有特征。在醫(yī)療大數(shù)據(jù)帶來各種優(yōu)勢的同時，大數(shù)據(jù)隨之帶來的各種特性使得傳統(tǒng)的數(shù)據(jù)處理和數(shù)據(jù)分析方法及軟件捉襟見肘，問題多多。在大數(shù)據(jù)時代出現(xiàn)之前，受限于數(shù)據(jù)量的可獲得性和計算能力的有限性，傳統(tǒng)的數(shù)據(jù)管理和分析采用著不同的思路和流程。傳統(tǒng)上，對于問題的研究建立在假設的基礎上進行驗證，進而研究事物的相關因果性，希望能回答“為什么”。

　　而在大數(shù)據(jù)時代，海量數(shù)據(jù)的涌現(xiàn)提供了從不同角度更細致更全面觀察研究數(shù)據(jù)的可能，從而打開了人們的好奇心，探索欲望，人們想知道到數(shù)據(jù)告訴了我什么，而不僅僅是我的猜想是否被數(shù)據(jù)驗證了。人們越來越多地用大數(shù)據(jù)挖掘各種感興趣的關聯(lián)，非關聯(lián)等相關性，然后再進一步比較，分析，歸納，研究（“為什么”變成一個選項而不是唯一終極目標）。大數(shù)據(jù)與傳統(tǒng)數(shù)據(jù)思路上的不同導致了分析流程的不同，如圖一所示：

　　圖一

　　面對海量的數(shù)據(jù)和不同的分析思路，大數(shù)據(jù)的管理和分析與傳統(tǒng)數(shù)據(jù)分析的差異日益加大。回答特定問題的單一預設結構化數(shù)據(jù)庫明顯不能完全勝任處理大數(shù)據(jù)的海量及混雜等問題。數(shù)據(jù)的混雜多樣性具體可以從一些調(diào)查數(shù)據(jù)中表現(xiàn)出來。SAS 的一份調(diào)查報告顯示機構內(nèi)的非結構化數(shù)據(jù)最多可以占到總數(shù)據(jù)量的85%，而這些非數(shù)字，非結構化的數(shù)據(jù)卻必須被量化分析和用到?jīng)Q策分析中（Troester, 2012）。

　　另一份2013年進行的 SAS 調(diào)查報告顯示在461個提供完整反饋信息的機構中只有26%的機構表示他們所擁有的大數(shù)據(jù)是結構化的（Russom, 2013）。 此外，在機構中，分析的數(shù)據(jù)一般不會只有一個單一的來源。Alteryx 的調(diào)查報告顯示在200家被調(diào)查的機構中只有6%的機構表示他們的數(shù)據(jù)是只有一個來源，最為普遍的情況是5-10個來源， 具體分布如圖二（Alteryx, 2014）。

　　調(diào)查中還顯示 90%的被調(diào)查樣本表示有數(shù)據(jù)整合問題，37%表示需要等其他小組提供數(shù)據(jù)，30%表示不能得到他們想要的數(shù)據(jù)，一般估計是一個數(shù)據(jù)分析師的60%到80%的時間是花在數(shù)據(jù)處理準備階段上的（Alteryx, 2014）。