醫(yī)療保健領(lǐng)域中的大數(shù)據(jù)在改善患者護理以及最終實現(xiàn)合理成本方面具有巨大的潛力。醫(yī)療保健支出正在被不斷削減，人們關(guān)注的重點是如何既減少開支又不影響醫(yī)療護理的質(zhì)量。這種變化迫使醫(yī)療機構(gòu)向以科技為基礎(chǔ)、無需進行高昂支出的解決方案打開大門。此外我們可以看到，市場對精準醫(yī)療和循證醫(yī)學以及患者個體化要求的需求日益增長。
因此，作為滿足這些需求的核心，機器學習的價值定位引人注目。
據(jù)易安信（EMC）報告，35%的醫(yī)療機構(gòu)正在利用大數(shù)據(jù)改善患者護理，31%利用大數(shù)據(jù)降低護理成本，28%用來改善醫(yī)療結(jié)果，22%用來提高早期發(fā)現(xiàn)的幾率。
醫(yī)療以及制藥行業(yè)的一個主要局限是我們對疾病的生物學認識。在針對疾病成因(從脫氧核糖核酸【DNA】、蛋白質(zhì)和代謝產(chǎn)物到細胞、組織、器官、生物體和生態(tài)系統(tǒng))依據(jù)多重標準匯聚更多信息方面，大數(shù)據(jù)開始發(fā)揮作用。因此，醫(yī)療保健領(lǐng)域中的大數(shù)據(jù)正被用于預測流行病、治療疾病以及避免可預防性死亡。隨著世界人口不斷增長以及老齡化，新的需求應運而生，新的診斷與治療模式背后的許多決策都是在數(shù)據(jù)的驅(qū)動下做出的。眾所周知，如果能在早期發(fā)現(xiàn)重大疾病的警示信號，其治療過程會比更晚發(fā)現(xiàn)簡單得多(而且費用也比較便宜)。
機器學習（machine learning）對于癌癥研究而言并不新鮮。
神經(jīng)網(wǎng)絡(ANNs)和決策樹(DTS)應用于癌癥檢測與診斷已近20年。癌癥研究人員只是最近才試嘗試將機器學習運用于癌癥預測和預后。事實上，癌癥預后通常需要來自不同?？频亩辔会t(yī)生，利用不同的生物標志物子集以及多個臨床因素，包括患者的年齡和一般健康狀況、癌癥的位置和類型以及腫瘤的分級和大小、家族病史、年齡、飲食、體重(肥胖)、高風險習慣(吸煙)以及接觸環(huán)境致癌物的情況。
隨著基因組學【oncotype診斷性檢測】、蛋白質(zhì)組學(免疫組織學)、成像技術(shù)(功能性磁共振成像【fMRI】，正電子發(fā)射型計算機斷層顯像【PET】、微計算機斷層掃描【micro-CT scan】、數(shù)字化乳腺攝影)以及核醫(yī)學(前哨淋巴結(jié)定位)技術(shù)的迅速發(fā)展，這種有關(guān)患者或腫瘤的極為詳盡的信息現(xiàn)在很容易獲得。除了測量參數(shù)的數(shù)量不斷增加之外，應用規(guī)則和算法也愈加復雜，且呈現(xiàn)動態(tài)增加。
電腦【以及機器學習】在疾病預測和預后中的運用是朝著個人化、預測性醫(yī)療發(fā)展這個日漸盛行的趨勢的一部分。這種發(fā)展很重要，無論是對于患者生活質(zhì)量方面的決策、醫(yī)生的治療方案決策，還是對于付款人或政策規(guī)劃者實施大規(guī)模預防或治療政策而言莫不如此。另外，由于患者數(shù)據(jù)采集過程將基于可穿戴傳感設備【如蘋果iWatch智能手表和ResourceKit】，以被動的形式持續(xù)進行，個人不必每天主動檢測自身健康狀況，可以擁有正常的生活方式，這應該會大大提高患者的監(jiān)護參與度。
醫(yī)療機構(gòu)在這方面的準備情況
分析技術(shù)的有效運用并不是你可以從供應商那里買到的。這是必須經(jīng)過發(fā)展階段并達到成熟的組織價值和文化價值。真正復雜、需要全力以赴的是，要從事后報告轉(zhuǎn)變?yōu)槭孪阮A測。然而，生命科學在信息技術(shù)管理和完善方面落后于其他行業(yè)。
此外，不同性質(zhì)的技術(shù)基本構(gòu)件太多、相關(guān)的管理方式變化以及人員技能的局限，這些也在一定程度上造成了與先進分析技術(shù)和機器學習相關(guān)的復雜狀況。
讓我們簡單談談每個組成部分：
從非常高的角度來看，整個大數(shù)據(jù)框架是一個組合而成的結(jié)構(gòu)，包括Hadoop分布式計算框架、機器學習方法引擎、事件流及處理引擎、用于結(jié)構(gòu)化數(shù)據(jù)的商業(yè)智能和數(shù)據(jù)倉庫(BI/DW)基礎(chǔ)設施、各種移動設備、傳感設備和監(jiān)控協(xié)議(Wi-Fi、RFID[射頻識別]、Beacon、低功耗藍牙等)、存儲基礎(chǔ)設施、云計算等等。所有這一切意味著需要獲得或購買太多專門技術(shù)。不管通過何種途徑，一家機構(gòu)獲得所有這些專門技術(shù)都需要時間。
除了所有技術(shù)與管理技能之外，數(shù)據(jù)科學家還需要在統(tǒng)計學以及待解問題的具體領(lǐng)域具有深厚的知識。
顯然，一些醫(yī)療機構(gòu)還沒有做好迅速邁入大數(shù)據(jù)世界的準備。這個價值定位如此重大，醫(yī)療機構(gòu)仔細審視這些趨勢之后再啟動實施大數(shù)據(jù)計劃的做法不失為明智之舉。
然而，為了避免花費不必要的錢以及降低失敗風險，采取一些預防措施也是必要的。一般情況下，機構(gòu)應該從小處著手，尋找速贏機會，同時確保獲得能夠解決他們試圖衡量或比較的戰(zhàn)略性醫(yī)療問題的數(shù)據(jù)，而不只是最容易獲得的數(shù)據(jù)。雖然這可以加快項目的進程，但其分析結(jié)果很可能價值有限，這會危及整個計劃。
在大多數(shù)情況下，大數(shù)據(jù)被各大醫(yī)院視為最不重要的能力之一，這與其他行業(yè)形成了很大的反差。與往常一樣，員工的參與是關(guān)鍵，而管理方案的調(diào)整應該支持總體實施方案。
此外，大數(shù)據(jù)的廣泛運用還存在一些障礙，比如患者記錄的隱私問題、獲得正確數(shù)據(jù)、法規(guī)變更、報銷制度變更以及數(shù)據(jù)系統(tǒng)的互通性。因此，一些醫(yī)療機構(gòu)正在制定合作協(xié)議，以便加快實施大數(shù)據(jù)發(fā)展藍圖，分享經(jīng)驗并展望未來，從而克服這些障礙。
例如，OptumLabs和美國衛(wèi)生與公眾服務部(U.S. Department of Health and HumanServices)建有利用數(shù)據(jù)和先進分析技術(shù)來提高醫(yī)療服務水平的協(xié)同合作項目。OptumLabs是一家研究協(xié)作組織，擁有15家合作機構(gòu)——這些合作機構(gòu)已經(jīng)收集了來自1億多名患者的報銷申請和3,000多萬患者的電子病歷的數(shù)據(jù)，還匯集了諸多研究人員、患者權(quán)益保護者、政策制定者、供應商、付款人以及制藥公司和生命科學公司。
新興國家也是這個轉(zhuǎn)變的一部分。
在美國醫(yī)療保健行業(yè)中，奧巴馬醫(yī)改計劃(Obamacare)即《平價醫(yī)療法案》(Affordable Care Act)的推出正在推動該行業(yè)的經(jīng)濟模式與經(jīng)營模式的大規(guī)模變遷。由硅谷創(chuàng)業(yè)者和投資者主導的數(shù)字化科技初創(chuàng)企業(yè)生態(tài)系統(tǒng)通過促成美國和全球醫(yī)療科技(HealthTech)產(chǎn)業(yè)的發(fā)展來對此作出回應。
例如，印度已有一些醫(yī)療科技初創(chuàng)公司提供許多解決方案，其中包括遠程患者監(jiān)護、基于云的數(shù)據(jù)分析、技術(shù)型醫(yī)護工作者和醫(yī)生、自動化患者護理、電子病歷等。此外，印度還有一些富有革新精神的年輕初創(chuàng)公司，比如心臟設計實驗室(Cardiac Design Labs)，這家初創(chuàng)公司正在生物電子學和以基因組測序為基礎(chǔ)的疾病鑒別領(lǐng)域中開發(fā)并且實施實惠而可靠的專利醫(yī)療技術(shù)解決方案。
巴西EstadualGetúlio Vargas醫(yī)院是一家收治創(chuàng)傷患者的主要醫(yī)院，該醫(yī)院的重癥監(jiān)護病房（ICU）病床總是滿的。利用數(shù)據(jù)分析后得到的見解，這家醫(yī)療機構(gòu)得以將ICU患者的住院時間縮短至略超過三天，并且將ICU患者的死亡率降低了大約21%。
他們現(xiàn)在每個ICU床位每月可以多收治近兩位患者。這僅僅是個開始，在資金緊張情況更為普遍的欠發(fā)達國家，大數(shù)據(jù)在強化實際資源并且?guī)椭嗷颊叻矫婢哂泻艽蟮臐摿Α?/p>
數(shù)字化要一盤棋更要各自為戰(zhàn)
分享到微信 ×
打開微信，點擊底部的“發(fā)現(xiàn)”，
使用“掃一掃”即可將網(wǎng)頁分享至朋友圈。