淺談醫(yī)學(xué)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(guó)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(zhuān)家?，F(xiàn)將兩位的文章進(jìn)行公開(kāi)發(fā)表，與大家一起探討。

現(xiàn)在無(wú)論國(guó)內(nèi)外均出現(xiàn)了移動(dòng)醫(yī)療熱，所有的創(chuàng)業(yè)團(tuán)隊(duì)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(fù)責(zé)任的說(shuō)，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(zhuān)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(zhuān)業(yè)人才。本文無(wú)論是對(duì)創(chuàng)業(yè)團(tuán)隊(duì)還是投資機(jī)構(gòu)都是非常有指導(dǎo)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(jì)80年代開(kāi)始，每隔40個(gè)月世界上儲(chǔ)存的人均科技信息量就會(huì)翻倍 (Hibert & Lopez, 2011)。2012年，每天會(huì)有2.5EB量的數(shù)據(jù)產(chǎn)生 (Andrew & Erik, 2012)?，F(xiàn)在，2014年，每天會(huì)有2.3ZB量的數(shù)據(jù)產(chǎn)生 (IBM, 2015)。這是一個(gè)什么概念？ 現(xiàn)在一般我們電腦的硬盤(pán)大小都以GB，或者TB為單位了。1GB的容量可以?xún)?chǔ)存約5.4億的漢字，或者170張普通數(shù)碼相機(jī)拍攝的高精度照片，或者300-350首長(zhǎng)度為5-6分鐘的MP3歌曲。 那GB和TB, EB，ZB的關(guān)系又是怎樣？

1ZB=1024EB=10242PB=10243TB=10244GB。如果你有一臺(tái)1TB硬盤(pán)容量的電腦，那1ZB就是大致等于10億臺(tái)電腦的容量,遠(yuǎn)遠(yuǎn)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(gè)：大量性（ Volume）, 多樣性（Variety）, 快速性（Velocity） (Zikopoulos, Eaton, deRooos, Deutsch, & Lapis, 2012)。后來(lái)又有學(xué)者把價(jià)值（Value）加到大數(shù)據(jù)的特性里。隨著時(shí)間的推移和人們思考的進(jìn)一步完善，又有三個(gè)大數(shù)據(jù)的特性被提出： 易變性（Variability），準(zhǔn)確性(Veracity)和復(fù)雜性(Complexity)。

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

大數(shù)據(jù)的6個(gè)特性描述如下：

大量性：一般在大數(shù)據(jù)里，單個(gè)文件大量性的級(jí)別至少為幾十，幾百GB以上，一調(diào)查 (Russom, 2013)顯示相當(dāng)多的機(jī)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(kù)軟件，1GB已經(jīng)可以?xún)?chǔ)存千萬(wàn)條有著幾百個(gè)變量的數(shù)據(jù)記錄了。

多樣性：泛指數(shù)據(jù)類(lèi)型及其來(lái)源的多樣化 (Troester, 2012)，進(jìn)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(xué)院的研究報(bào)告稱(chēng)在2012年時(shí)，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(dòng)的特征。不穩(wěn)定的數(shù)據(jù)流會(huì)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(zhǔn)確性：又稱(chēng)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(huì)有很大差異。數(shù)據(jù)分析和輸出結(jié)果的錯(cuò)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(jìn)，垃圾出”。沒(méi)有數(shù)據(jù)保證，大數(shù)據(jù)分析就毫無(wú)意義。

復(fù)雜性：復(fù)雜性體現(xiàn)在數(shù)據(jù)的管理和操作上。IT時(shí)代，隨著數(shù)據(jù)來(lái)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(lái)越復(fù)雜。如何抽取，轉(zhuǎn)換，加載，連接，關(guān)聯(lián)以把握數(shù)據(jù)內(nèi)蘊(yùn)的有用信息已經(jīng)變得越來(lái)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(guān)數(shù)據(jù)是紙張化的形式存在，而非電子數(shù)據(jù)化存儲(chǔ)， 比如官方的醫(yī)藥記錄，收費(fèi)記錄，護(hù)士醫(yī)生手寫(xiě)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(qiáng)大的數(shù)據(jù)存儲(chǔ)，計(jì)算平臺(tái)，及移動(dòng)互聯(lián)網(wǎng)的發(fā)展，現(xiàn)在的趨勢(shì)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(bào)告顯示，2011年，單單美國(guó)的醫(yī)療健康系統(tǒng)數(shù)據(jù)量就達(dá)到了150EB。照目前的增長(zhǎng)速度， ZB（約1021GB）和YB（約1021GB） 的級(jí)別也會(huì)很快達(dá)到 (IHTT, 2013)。Kaiser Permanente，一個(gè)在加州發(fā)展起來(lái)的醫(yī)療健康網(wǎng)絡(luò)系統(tǒng),就有9百萬(wàn)的會(huì)員，被認(rèn)為擁有26.5到44PB的電子健康記錄 (IHTT, 2013)。

IT時(shí)代涌現(xiàn)的還有各種網(wǎng)絡(luò)社交媒體數(shù)據(jù)，比如曾經(jīng)Google用來(lái)預(yù)測(cè)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(cè)序，產(chǎn)生的個(gè)人數(shù)據(jù)則達(dá)到 300GB (Leah, 2014)。公開(kāi)發(fā)布的基因DNA微陣列達(dá)到50萬(wàn)之多，每一陣列包含數(shù)萬(wàn)的分子表達(dá)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(dá)到了數(shù)萬(wàn)TB級(jí)別，每一幅影像包含有5萬(wàn)像素值 (Fan, Han, & Liu, 2014)。

此外，各種健身，健康可穿戴設(shè)備的出現(xiàn)，使得血壓、心率、體重，血糖，心電圖（EKG）等的監(jiān)測(cè)都變?yōu)楝F(xiàn)實(shí)和可能，信息的獲取和分析的速度已經(jīng)從原來(lái)的按“天”計(jì)算，發(fā)展到了按“小時(shí)”，按“秒”計(jì)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(shí)實(shí)時(shí)監(jiān)測(cè)體溫的新型溫度計(jì)貼片temptraq。

這種數(shù)據(jù)的擴(kuò)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(mén)，可能是無(wú)格式文件（flat file），CSV，關(guān)系表，ASCII/純文本文件等等。

同時(shí)，數(shù)據(jù)的來(lái)源也紛繁復(fù)雜，可能來(lái)自不同的地區(qū)，不同的醫(yī)療機(jī)構(gòu)，不同的軟件應(yīng)用。不可否認(rèn)，一旦理順了多格式，多源頭，呈爆炸性成長(zhǎng)的大數(shù)據(jù)的整合和分析，醫(yī)療大數(shù)據(jù)將對(duì)提高醫(yī)療質(zhì)量，強(qiáng)化患者安全，降低風(fēng)險(xiǎn)，降低醫(yī)療成本等方面發(fā)揮無(wú)與倫比的巨大作用。

醫(yī)療大數(shù)據(jù)的優(yōu)勢(shì)和應(yīng)用場(chǎng)景

有效的整合和利用數(shù)字化的醫(yī)療大數(shù)據(jù)對(duì)個(gè)體醫(yī)生，康寶中心，大型醫(yī)院，和醫(yī)療研究機(jī)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(zhǔn)確的數(shù)據(jù)使得疾病能在早期被監(jiān)測(cè)到，從而使治療更容易和有效。

2）通過(guò)對(duì)特定個(gè)體或人群的健康管理，快速有效地監(jiān)測(cè)保健詐騙。

3）基于大量的歷史數(shù)據(jù)，預(yù)測(cè)和估計(jì)特定疾病或人群的某些未來(lái)趨勢(shì)，比如：預(yù)測(cè)特定病人的住院時(shí)間，哪些病人會(huì)選擇非急需性手術(shù)， 哪些病人不會(huì)從手術(shù)治療中受益，哪些病人會(huì)更容易出現(xiàn)并發(fā)癥，等等。麥肯錫估計(jì)，單單就美國(guó)而言，醫(yī)療大數(shù)據(jù)的利用可以為醫(yī)療開(kāi)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(fèi)和提率 (Manyika, 以及其他人, 2011)：

臨床操作： 相對(duì)更有效的醫(yī)學(xué)研究，發(fā)展出臨床相關(guān)性更強(qiáng)和成本效益更高的方法用來(lái)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(jiǎn)，更快速，更有針對(duì)性的研發(fā)產(chǎn)品線(xiàn)。統(tǒng)計(jì)工具和算法方面，提高臨床試驗(yàn)設(shè)計(jì)和患者的招募，使得治療方法可以更好地匹配個(gè)體患者的病癥，從而降低臨床試驗(yàn)失敗的可能和加快新的治療方法推向市場(chǎng)。分析臨床試驗(yàn)和病人的病歷，以確定后續(xù)的跡象，并在產(chǎn)品進(jìn)入市場(chǎng)前發(fā)現(xiàn)病人對(duì)藥物醫(yī)療方法的不良反應(yīng)。

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(cè)和反應(yīng)速度。更快更準(zhǔn)確地研制靶向疫苗，例如：開(kāi)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(xué)：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(cái)務(wù)和運(yùn)營(yíng)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(yù)測(cè)疾病的高?；颊呋蛱峁└嗟尼t(yī)療服務(wù)。

基因組分析：更有效和低成本的執(zhí)行基因測(cè)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(qǐng)求，降低欺詐成功率，減少浪費(fèi)和濫用。

設(shè)備/遠(yuǎn)程監(jiān)控：從住院和家庭醫(yī)療裝置采集和分析實(shí)時(shí)大容量的快速移動(dòng)數(shù)據(jù)，用于安全監(jiān)控和不良反應(yīng)的預(yù)測(cè)。

病人的個(gè)人資料分析：全面分析病人個(gè)人信息（例如，分割和預(yù)測(cè)模型）從中找到能從特定健保措施中獲益的個(gè)人。例如，某些疾病的高危患者（如糖尿?。┛梢詮念A(yù)防措施中受益。這些人如果擁有足夠的時(shí)間提前有針對(duì)性的預(yù)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(duì)美國(guó)和加拿大333家醫(yī)療機(jī)構(gòu)及10家其他機(jī)構(gòu)的調(diào)查 (IHTT, 2013)，2013年，醫(yī)療機(jī)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(duì)自己機(jī)構(gòu)在數(shù)據(jù)管理方面的能力評(píng)價(jià)為“C”。此外，僅有34%報(bào)告他們能從電子健康記錄（EHR）中獲取數(shù)據(jù)用來(lái)幫助病人，而有43%報(bào)告他們不能收集到足夠多的數(shù)據(jù)來(lái)幫助病人。由此可見(jiàn)，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(zhǔn)備工作還有一大段路要走。中國(guó)也是處在起步階段。

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