商業推動了it不斷向前發展，雲計算就是一個有趣的例子。甲骨文ceo拉裡·埃裡森曾經對近兩年大行其道的雲計算表示不屑，因為雲計算并不是一項新技術。但迫于市場競争的壓力，甲骨文還是在2011年推出了雲計算戰略。ibm全球進階副總裁robert leblanc曾對本報記者說，ibm從上世紀六七十年代就開始做雲計算了。他這麼說的原因是雲計算的核心技術那時就有了。然而，最近幾年由于物流雲、醫療雲、商務雲等雲計算商業模式的出現，雲計算才得以開花結果。
大資料也一樣。1989年，gartner提出bi概念。2008年，gartner将bi概念進一步更新為進階分析(advanced analytics)。2011年，麥肯錫闡釋大資料概念。雖然名稱不同，但實際上它們要解決的問題從來沒變過。隻不過，現在的大資料分析技術能處理相比20年前更大量、多樣、實時(volume、variety、velocity)的資料，即大資料。相比20年前的bi，現在的大資料分析能夠産生更大的商業價值，大資料存儲和分析技術的發展也得益于商業場景中資料量的激增和資料種類的多樣化。
是以在實施大資料分析項目之前，企業不僅應該知道使用何種技術，更應該知道在什麼時候、什麼地方使用。除了較早前就開始利用大資料的網際網路公司，醫療行業可能是讓大資料分析最先發揚光大的傳統行業之一。醫療行業早就遇到了海量資料和非結構化資料的挑戰，而近年來很多國家都在積極推進醫療資訊化發展，這使得很多醫療機構有資金來做大資料分析。是以，醫療行業将和銀行、電信、保險等行業一起首先邁入大資料時代。麥肯錫在其報告中指出，排除體制障礙，大資料分析可以幫助美國的醫療服務業一年創造3000億美元的附加價值。本文列出了醫療服務業5大領域(臨床業務、付款/定價、研發、新的商業模式、公衆健康)的15項應用，這些場景下，大資料的分析和應用都将發揮巨大的作用，提高醫療效率和醫療效果。
在臨床操作方面，有5個主要場景的大資料應用。麥肯錫估計，如果這些應用被充分采用，光是美國，國家醫療健康開支一年就将減少165億美元。
通過全面分析病人特征資料和療效資料，然後比較多種幹預措施的有效性，可以找到針對特定病人的最佳治療途徑。
基于療效的研究包括比較效果研究(comparative effectiveness research， cer)。研究表明，對同一病人來說，醫療服務提供方不同，醫療護理方法和效果不同，成本上也存在着很大的差異。精準分析包括病人體征資料、費用資料和療效資料在内的大型資料集，可以幫助醫生确定臨床上最有效和最具有成本效益的治療方法。醫療護理系統實作cer，将有可能減少過度治療(比如避免那些副作用比療效明顯的治療方式)，以及治療不足。從長遠來看，不管是過度治療還是治療不足都将給病人身體帶來負面影響，以及産生更高的醫療費用。
世界各地的很多醫療機構(如英國的nice，德國iqwig，加拿大普通藥品檢查機構等)已經開始了cer項目并取得了初步成功。2009年，美國通過的複蘇與再投資法案，就是向這個方向邁出的第一步。在這一法案下，設立的比較效果研究聯邦協調委員會協調整個聯邦政府的比較效果的研究，并對4億美元投入資金進行配置設定。這一投入想要獲得成功，還有大量潛在問題需要解決，比如，臨床資料和保險資料的一緻性問題，目前在缺少ehr(電子健康檔案)标準和互操作性的前提下，大範圍倉促部署ehr可能造成不同資料集難以整合。再如，病人隐私問題，想要在保護病人隐私的前提下，又要提供足夠詳細的資料以便保證分析結果的有效性不是一件容易的事情。還有一些體制問題，比如目前美國法律禁止醫療保險機構和醫療補助服務中心(centers for medicare and medicaid services)(醫療服務支付方)使用成本/效益比例來制定報帳決策，是以即便他們通過大資料分析找到更好的方法也很難落實。
臨床決策支援系統可以提高工作效率和診療品質。目前的臨床決策支援系統分析醫生輸入的條目，比較其與醫學指引不同的地方，進而提醒醫生防止潛在的錯誤，如藥物不良反應。通過部署這些系統，醫療服務提供方可以降低醫療事故率和索賠數，尤其是那些臨床錯誤引起的醫療事故。在美國metropolitan兒科重症病房的研究中，兩個月内，臨床決策支援系統就削減了40%的藥品不良反應事件數量。
大資料分析技術将使臨床決策支援系統更智能，這得益于對非結構化資料的分析能力的日益加強。比如可以使用圖像分析和識别技術，識别醫療影像(x光、ct、mri)資料，或者挖掘醫療文獻資料建立醫療專家資料庫(就像ibm watson做的)，進而給醫生提出診療建議。此外，臨床決策支援系統還可以使醫療流程中大部分的工作流流向護理人員和助理醫生，使醫生從耗時過長的簡單咨詢工作中解脫出來，進而提高治療效率。
提高醫療過程資料的透明度，可以使醫療從業者、醫療機構的績效更透明，間接促進醫療服務品質的提高。
根據醫療服務提供方設定的操作和績效資料集，可以進行資料分析并建立可視化的流程圖和儀表盤，促進資訊透明。流程圖的目标是識别和分析臨床變異和醫療廢物的來源，然後優化流程。僅僅釋出成本、品質和績效資料，即使沒有與之相應的物質上的獎勵，也往往可以促進績效的提高，使醫療服務機構提供更好的服務，進而更有競争力。
資料分析可以帶來業務流程的精簡，通過精益生産降低成本，找到符合需求的工作更高效的員工，進而提高護理品質并給病人帶來更好的體驗，也給醫療服務機構帶來額外的業績增長潛力。美國醫療保險和醫療補助服務中心正在測試儀表盤，将其作為建設主動、透明、開放、協作型政府的一部分。本着同樣的精神，美國疾病控制和預防中心(centers for disease control and prevention)已經公開釋出醫療資料，包括業務資料。
公開釋出醫療品質和績效資料還可以幫助病人做出更明智的健康護理決定，這也将幫助醫療服務提供方提高總體績效，進而更具競争力。
從對慢性病人的遠端監控系統收集資料，并将分析結果回報給監控裝置(檢視病人是否正在遵從醫囑)，進而确定今後的用藥和治療方案。
2010年，美國有1.5億慢性病患者，如糖尿病、充血性心髒衰竭、高血壓患者，他們的醫療費用占到了醫療衛生系統醫療成本的80%。遠端病人監護系統對治療慢性病患者是非常有用的。遠端病人監護系統包括家用心髒監測裝置、血糖儀，甚至還包括晶片藥片，晶片藥片被患者攝入後，實時傳送資料到電子病曆資料庫。舉個例子，遠端監控可以提醒醫生對充血性心髒衰竭病人采取及時治療措施，防止緊急狀況發生，因為充血性心髒衰竭的标志之一是由于保水産生的體重增加現象，這可以通過遠端監控實作預防。更多的好處是，通過對遠端監控系統産生的資料的分析，可以減少病人住院時間，減少急診量，實作提高家庭護理比例和門診醫生預約量的目标。
在病人檔案方面應用進階分析可以确定哪些人是某類疾病的易感人群。舉例說，應用進階分析可以幫助識别哪些病人有患糖尿病的高風險，使他們盡早接受預防性保健方案。這些方法也可以幫患者從已經存在的疾病管理方案中找到最好的治療方案。
對醫療支付方來說，通過大資料分析可以更好地對醫療服務進行定價。以美國為例，這将有潛力創造每年500億美元的價值，其中一半來源于國家醫療開支的降低。
自動化系統(例如機器學習技術)檢測欺詐行為。業内人士評估，每年有2%~4%的醫療索賠是欺詐性的或不合理的，是以檢測索賠欺詐具有巨大的經濟意義。通過一個全面的一緻的索賠資料庫和相應的算法，可以檢測索賠準确性，查出欺詐行為。這種欺詐檢測可以是追溯性的，也可以是實時的。在實時檢測中，自動化系統可以在支付發生前就識别出欺詐，避免重大的損失。
在藥品定價方面，制藥公司可以參與分擔治療風險，比如基于治療效果制定定價政策。這對醫療支付方的好處顯而易見，有利于控制醫療保健成本支出。對患者來說，好處更加直接。他們能夠以合理的價格獲得創新的藥物，并且這些藥物經過基于療效的研究。而對醫藥産品公司來說，更好的定價政策也是好處多多。他們可以獲得更高的市場準入可能性，也可以通過創新的定價方案，更有針對性療效藥品的推出，獲得更高的收入。
在歐洲，現在有一些基于衛生經濟學和療效的藥品定價試點項目。
一些醫療支付方正在利用資料分析衡量醫療服務提供方的服務，并依據服務水準進行定價。醫療服務支付方可以基于醫療效果進行支付，他們可以與醫療服務提供方進行談判，看醫療服務提供方提供的服務是否達到特定的基準。
醫療産品公司可以利用大資料提高研發效率。拿美國為例，這将創造每年超過1000億美元的價值。
醫藥公司在新藥物的研發階段，可以通過資料模組化和分析，确定最有效率的投入産出比，進而配備最佳資源組合。模型基于藥物臨床試驗階段之前的資料集及早期臨床階段的資料集，盡可能及時地預測臨床結果。評價因素包括産品的安全性、有效性、潛在的副作用和整體的試驗結果。通過預測模組化可以降低醫藥産品公司的研發成本，在通過資料模組化和分析預測藥物臨床結果後，可以暫緩研究次優的藥物，或者停止在次優藥物上的昂貴的臨床試驗。
除了研發成本，醫藥公司還可以更快地得到回報。通過資料模組化和分析，醫藥公司可以将藥物更快推向市場，生産更有針對性的藥物，有更高潛在市場回報和治療成功率的藥物。原來一般新藥從研發到推向市場的時間大約為13年，使用預測模型可以幫助醫藥企業提早3～5年将新藥推向市場。
使用統計工具和算法，可以提高臨床試驗設計水準，并在臨床試驗階段更容易地招募到患者。通過挖掘病人資料，評估招募患者是否符合試驗條件，進而加快臨床試驗程序，提出更有效的臨床試驗設計建議，并能找出最合适的臨床試驗基地。比如那些擁有大量潛在符合條件的臨床試驗患者的試驗基地可能是更理想的，或者在試驗患者群體的規模和特征二者之間找到平衡。
分析臨床試驗資料和病人記錄可以确定藥品更多的适應症和發現副作用。在對臨床試驗資料和病人記錄進行分析後，可以對藥物進行重新定位，或者實作針對其他适應症的營銷。實時或者近乎實時地收集不良反應報告可以促進藥物警戒(藥物警戒是上市藥品的安全保障體系，對藥物不良反應進行監測、評價和預防)。或者在一些情況下，臨床實驗暗示出了一些情況但沒有足夠的統計資料去證明，現在基于臨床試驗大資料的分析可以給出證據。
這些分析項目是非常重要的。可以看到最近幾年藥品撤市數量屢創新高，藥品撤市可能給醫藥公司帶來毀滅性的打擊。2004年從市場上撤下的止痛藥vioxx，給默克公司造成70億美元的損失，短短幾天内就造成股東價值33%的損失。
另一種在研發領域有前途的大資料創新，是通過對大型資料集(例如基因組資料)的分析發展個性化治療。這一應用考察遺傳變異、對特定疾病的易感性和對特殊藥物的反應的關系，然後在藥物研發和用藥過程中考慮個人的遺傳變異因素。
個性化醫學可以改善醫療保健效果，比如在患者發生疾病症狀前，就提供早期的檢測和診斷。很多情況下，病人用同樣的診療方案但是療效卻不一樣，部分原因是遺傳變異。針對不同的患者采取不同的診療方案，或者根據患者的實際情況調整藥物劑量，可以減少副作用。
個性化醫療目前還處在初期階段。麥肯錫估計，在某些案例中，通過減少處方藥量可以減少30%~70%的醫療成本。比如，早期發現和治療可以顯著降低肺癌給衛生系統造成的負擔，因為早期的手術費用是後期治療費用的一半。
通過分析疾病的模式和趨勢，可以幫助醫療産品企業制定戰略性的研發投資決策，幫助其優化研發重點，優化配備資源。
大資料分析可以給醫療服務行業帶來新的商業模式。
彙總患者的臨床記錄和醫療保險資料集，并進行進階分析，将提高醫療支付方、醫療服務提供方和醫藥企業的決策能力。比如，對醫藥企業來說，他們不僅可以生産出具有更佳療效的藥品，而且能保證藥品适銷對路。臨床記錄和醫療保險資料集的市場剛剛開始發展，擴張的速度将取決于醫療保健行業完成emr和循證醫學發展的速度。
另一個潛在的大資料啟動的商業模型是網絡平台和大資料，這些平台已經産生了大量有價值的資料。比如patientslikeme.com網站，病人可以這個網站上分享治療經驗;sermo.com網站，醫生可以在這個網站上分享醫療見解;participatorymedicine.org網站，這家非營利性組織營運的網站鼓勵病人積極進行治療。這些平台可以成為寶貴的資料來源。例如，sermo.com向醫藥公司收費，允許他們通路會員資訊和網上互動資訊。
大資料的使用可以改善公衆健康監控。公共衛生部門可以通過覆寫全國的患者電子病曆資料庫，快速檢測傳染病，進行全面的疫情監測，并通過內建疾病監測和響應程式，快速進行響應。這将帶來很多好處，包括醫療索賠支出減少、傳染病感染率降低，衛生部門可以更快地檢測出新的傳染病和疫情。通過提供準确和及時的公衆健康咨詢，将會大幅提高公衆健康風險意識，同時也将降低傳染病感染風險。所有的這些都将幫助人們創造更好的生活。
<b></b>
<b>原文釋出時間為：2013-12-23</b>
<b>本文來自雲栖社群合作夥伴“大資料文摘”，了解相關資訊可以關注“bigdatadigest”微信公衆号</b>