淺談醫(yī)學大數(shù)據(jù)（上）

陳遵秋和陳漪伊夫婦是美籍華人，現(xiàn)在美國定居。其二人是目前研究醫(yī)療大數(shù)據(jù)及生物樣本大數(shù)據(jù)真正的專家?，F(xiàn)將兩位的文章進行公開發(fā)表，與大家一起探討。

現(xiàn)在無論國內(nèi)外均出現(xiàn)了移動醫(yī)療熱，所有的創(chuàng)業(yè)團隊和投資公司均把商業(yè)模式指向了最后的醫(yī)療大數(shù)據(jù)分析。但是可以很負責任的說，90%以上的人都不知道醫(yī)療大數(shù)據(jù)分析是什么東西，因此這是一篇掃盲貼，但是僅供專業(yè)人士。文中分析了醫(yī)療大數(shù)據(jù)、它的維度、方法和成本，以及需要的專業(yè)人才。本文無論是對創(chuàng)業(yè)團隊還是投資機構(gòu)都是非常有指導意義的。

大數(shù)據(jù)定義及其特征

大數(shù)據(jù)顧名思義就是數(shù)量極其龐大的數(shù)據(jù)資料。從上世紀80年代開始，每隔40個月世界上儲存的人均科技信息量就會翻倍 (Hibert & Lopez, 2011)。2012年，每天會有2.5EB量的數(shù)據(jù)產(chǎn)生 (Andrew & Erik, 2012)。現(xiàn)在，2014年，每天會有2.3ZB量的數(shù)據(jù)產(chǎn)生 (IBM, 2015)。這是一個什么概念？ 現(xiàn)在一般我們電腦的硬盤大小都以GB，或者TB為單位了。1GB的容量可以儲存約5.4億的漢字，或者170張普通數(shù)碼相機拍攝的高精度照片，或者300-350首長度為5-6分鐘的MP3歌曲。 那GB和TB, EB，ZB的關系又是怎樣？

1ZB=1024EB=10242PB=10243TB=10244GB。如果你有一臺1TB硬盤容量的電腦，那1ZB就是大致等于10億臺電腦的容量,遠遠超出了我們一般的想象。

早期，IBM定義了大數(shù)據(jù)的特性有3個：大量性（ Volume）, 多樣性（Variety）, 快速性（Velocity） (Zikopoulos, Eaton, deRooos, Deutsch, & Lapis, 2012)。后來又有學者把價值（Value）加到大數(shù)據(jù)的特性里。隨著時間的推移和人們思考的進一步完善，又有三個大數(shù)據(jù)的特性被提出： 易變性（Variability），準確性(Veracity)和復雜性(Complexity)。

作者認為價值本質(zhì)上是數(shù)據(jù)被分析后體現(xiàn)出來的有用信息知識的程度，和其他幾個特性有根本區(qū)別。其他幾個特性可以說是數(shù)據(jù)工作者具體實踐中面臨的挑戰(zhàn)，而價值則是征服這些挑戰(zhàn)后獲得的回報。

大數(shù)據(jù)的6個特性描述如下：

大量性：一般在大數(shù)據(jù)里，單個文件大量性的級別至少為幾十，幾百GB以上，一調(diào)查 (Russom, 2013)顯示相當多的機構(gòu)擁有的數(shù)據(jù)總量在10到99TB之間。用我們傳統(tǒng)的數(shù)據(jù)庫軟件，1GB已經(jīng)可以儲存千萬條有著幾百個變量的數(shù)據(jù)記錄了。

多樣性：泛指數(shù)據(jù)類型及其來源的多樣化 (Troester, 2012)，進一步可以把數(shù)據(jù)結(jié)構(gòu)歸納為結(jié)構(gòu)化(structured)，半結(jié)構(gòu)化(semi-structured)，和非結(jié)構(gòu)化(unstructured) (SAS, 2014) 。

快速性：反映在數(shù)據(jù)的快速產(chǎn)生及數(shù)據(jù)變更的頻率上。比如一份哈佛商學院的研究報告稱在2012年時，谷歌每天就需要要處理20PB的數(shù)據(jù) (Harvard Business Review, 2012)。

易變性：伴隨數(shù)據(jù)快速性的特征，數(shù)據(jù)流還呈現(xiàn)一種波動的特征。不穩(wěn)定的數(shù)據(jù)流會隨著日，季節(jié)，特定事件的觸發(fā)出現(xiàn)周期性峰值 (Troester, 2012)。

準確性：又稱為數(shù)據(jù)保證(data assurance)。不同方式，渠道收集到的數(shù)據(jù)在質(zhì)量上會有很大差異。數(shù)據(jù)分析和輸出結(jié)果的錯誤程度和可信度在很大程度上取決于收集到的數(shù)據(jù)質(zhì)量的高低 (W.Raghupathi & Raghupathi, 2014)。所謂“垃圾進，垃圾出”。沒有數(shù)據(jù)保證，大數(shù)據(jù)分析就毫無意義。

復雜性：復雜性體現(xiàn)在數(shù)據(jù)的管理和操作上。IT時代，隨著數(shù)據(jù)來源及數(shù)據(jù)量的爆發(fā)，各種不同渠道數(shù)據(jù)的大量涌現(xiàn)，數(shù)據(jù)的管理和操作已經(jīng)變得原來越復雜。如何抽取，轉(zhuǎn)換，加載，連接，關聯(lián)以把握數(shù)據(jù)內(nèi)蘊的有用信息已經(jīng)變得越來越有挑戰(zhàn)性。

醫(yī)療大數(shù)據(jù)的爆發(fā)

早期，大部分醫(yī)療相關數(shù)據(jù)是紙張化的形式存在，而非電子數(shù)據(jù)化存儲， 比如官方的醫(yī)藥記錄，收費記錄，護士醫(yī)生手寫的病例記錄，處方藥記錄，X光片記錄，磁共振成像（MRI）記錄，CT影像記錄等等。

隨著強大的數(shù)據(jù)存儲，計算平臺，及移動互聯(lián)網(wǎng)的發(fā)展，現(xiàn)在的趨勢是醫(yī)療數(shù)據(jù)的大量爆發(fā)及快速的電子數(shù)字化。以上提到的醫(yī)療數(shù)據(jù)都在不同程度上向數(shù)字化轉(zhuǎn)化。

有報告顯示，2011年，單單美國的醫(yī)療健康系統(tǒng)數(shù)據(jù)量就達到了150EB。照目前的增長速度， ZB（約1021GB）和YB（約1021GB） 的級別也會很快達到 (IHTT, 2013)。Kaiser Permanente，一個在加州發(fā)展起來的醫(yī)療健康網(wǎng)絡系統(tǒng),就有9百萬的會員，被認為擁有26.5到44PB的電子健康記錄 (IHTT, 2013)。

IT時代涌現(xiàn)的還有各種網(wǎng)絡社交媒體數(shù)據(jù)，比如曾經(jīng)Google用來預測流感的數(shù)據(jù)?；驍?shù)據(jù)也是非常龐大的存在，一次全面的基因測序，產(chǎn)生的個人數(shù)據(jù)則達到 300GB (Leah, 2014)。公開發(fā)布的基因DNA微陣列達到50萬之多，每一陣列包含數(shù)萬的分子表達值。在生物醫(yī)藥方面，功能性磁共振影像的數(shù)據(jù)量也達到了數(shù)萬TB級別，每一幅影像包含有5萬像素值 (Fan, Han, & Liu, 2014)。

此外，各種健身，健康可穿戴設備的出現(xiàn)，使得血壓、心率、體重，血糖，心電圖（EKG）等的監(jiān)測都變?yōu)楝F(xiàn)實和可能，信息的獲取和分析的速度已經(jīng)從原來的按“天”計算，發(fā)展到了按“小時”，按“秒”計算。比如，一家名為Blue Spark的科技公司已經(jīng)生產(chǎn)出能24小時實時監(jiān)測體溫的新型溫度計貼片temptraq。

這種數(shù)據(jù)的擴展速度和覆蓋范圍是前所未有的，數(shù)據(jù)的格式也五花八門，可能是無格式文件（flat file），CSV，關系表，ASCII/純文本文件等等。

同時，數(shù)據(jù)的來源也紛繁復雜，可能來自不同的地區(qū)，不同的醫(yī)療機構(gòu)，不同的軟件應用。不可否認，一旦理順了多格式，多源頭，呈爆炸性成長的大數(shù)據(jù)的整合和分析，醫(yī)療大數(shù)據(jù)將對提高醫(yī)療質(zhì)量，強化患者安全，降低風險，降低醫(yī)療成本等方面發(fā)揮無與倫比的巨大作用。

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(gòu)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(jié)合和分析各種結(jié)構(gòu)化和非結(jié)構(gòu)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?；颊呋蛱峁└嗟尼t(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(gòu)及10家其他機構(gòu)的調(diào)查 (IHTT, 2013)，2013年，醫(yī)療機構(gòu)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(gòu)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。

AD：【獵聘優(yōu)選】阿里巴巴 PHP開發(fā)工程師 30-40萬