先进分析技术和机器学习如何改变医疗保健行业

医疗保健领域中的大数据在改善患者护理以及最终实现合理成本方面具有巨大的潜力。

医疗保健支出正在被不断削减，人们关注的重点是如何既减少开支又不影响医疗护理的质量。这种变化迫使医疗机构向以科技为基础、无需进行高昂支出的解决方案打开大门。此外我们可以看到，市场对精准医疗和循证医学以及患者个体化要求的需求日益增长。因此，作为满足这些需求的解决方案的核心，先进分析技术和机器学习的价值定位引人注目。

如今医疗以及制药行业的一个主要局限是我们对疾病的生物学认识。在针对疾病成因（从脱氧核糖核酸[DNA]、蛋白质和代谢产物到细胞、组织、器官、生物体和生态系统）依据多重标准汇聚更多信息方面，大数据开始发挥作用。因此，医疗保健领域中的大数据正被用于预测流行病、治疗疾病以及避免可预防性死亡。随着世界人口不断增长以及老龄化，新的需求应运而生，新的诊断与治疗模式背后的许多决策都是在数据的驱动下做出的。众所周知，如果能在早期发现重大疾病的警示信号，其治疗过程会比更晚发现简单得多（而且费用也比较便宜）。据易安信（EMC）报告，35％的医疗机构正在利用大数据改善患者护理，31％利用大数据降低护理成本，28％用来改善医疗结果，22％用来提高早期发现的几率。

例如，北弗吉尼亚非营利医疗系统艾诺瓦（Inova）如今正在进行各种数据项目，其中之一是对艾诺瓦医院新生儿重症监护病房收治的可能有先天性异常的婴儿运用基因测序技术。他们会对婴儿及其父母或者他们认为与此项分析相关的任何其他人进行基因测序，在先进的模型中运行测序结果，然后把结果反馈给婴儿家人。据艾诺瓦信息学主任阿伦·布莱克（Aaron Black）称，艾诺瓦的医生已经能够诊断出60％的病例，是大型学术医院的诊断率（约为30％）的两倍。

机器学习对于癌症研究而言并不新鲜。神经网络（ANNs）和决策树（DTS）应用于癌症检测与诊断已近20年。癌症研究人员只是最近才试尝试将机器学习运用于癌症预测和预后。事实上，癌症预后通常需要来自不同专科的多位医生，利用不同的生物标志物子集以及多个临床因素，包括患者的年龄和一般健康状况、癌症的位置和类型以及肿瘤的分级和大小、家族病史、年龄、饮食、体重（肥胖）、高风险习惯（吸烟）以及接触环境致癌物的情况。随着基因组学（oncotype诊断性检测）、蛋白质组学（免疫组织学）、成像技术（功能性磁共振成像[fMRI]，正电子发射型计算机断层显像[PET]、微计算机断层扫描[micro-CT scan]、数字化乳腺摄影）以及核医学（前哨淋巴结定位）技术的迅速发展，这种有关患者或肿瘤的极为详尽的信息现在很容易获得。除了测量参数的数量不断增加之外，应用规则和算法也愈加复杂，且呈现动态增加。

电脑（以及机器学习）在疾病预测和预后中的运用是朝着个人化、预测性医疗发展这个日渐盛行的趋势的一部分。这种发展很重要，无论是对于患者生活质量方面的决策、医生的治疗方案决策，还是对于付款人或政策规划者实施大规模预防或治疗政策而言莫不如此。另外，由于患者数据采集过程将基于可穿戴传感设备（如苹果iWatch智能手表和ResourceKit），以被动的形式持续进行，个人不必每天主动检测自身健康状况，可以拥有正常的生活方式，这应该会大大提高患者的监护参与度。

医疗机构在这方面的准备情况

分析技术的有效运用并不是你可以从供应商那里买到的。这是必须经过发展阶段并达到成熟的组织价值和文化价值。真正复杂、需要全力以赴的是，要从事后报告转变为事先预测。然而，生命科学在信息技术管理和完善方面落后于其他行业。

此外，不同性质的技术基本构件太多、相关的管理方式变化以及人员技能的局限，这些也在一定程度上造成了与先进分析技术和机器学习相关的复杂状况。

让我们简单谈谈每个组成部分。

从非常高的角度来看，整个大数据框架是一个组合而成的结构，包括Hadoop分布式计算框架、机器学习方法引擎、事件流及处理引擎、用于结构化数据的商业智能和数据仓库（BI / DW）基础设施、各种移动设备、传感设备和监控协议（Wi-Fi、RFID[射频识别]、Beacon、低功耗蓝牙等）、存储基础设施、云计算等等。所有这一切意味着需要获得或购买太多专门技术。不管通过何种途径，一家机构获得所有这些专门技术都需要时间。

传统上，数据可视化（事后报告）的开发是基于瀑布型的方法，通常由一位专家在较为早期的阶段提出要求，并且至多验证最终结果，这就完了。在大数据中，敏捷方法更加适当，在这种方法中，多位专家和多个信息技术（IT）团队必须在及时、明确的迭代工作任务中共同建立解决方案。在任何迭代阶段，专家们在了解情况后都拥有更大的权力，可以进行需要的调整，但他们需要更多地参与和投入到项目中。

除了所有技术与管理技能之外，数据科学家还需要在统计学以及待解问题的具体领域具有深厚的知识。

显然，一些医疗机构还没有做好迅速迈入大数据世界的准备。这个价值定位如此重大，医疗机构仔细审视这些趋势之后再启动实施大数据计划的做法不失为明智之举。然而，为了避免花费不必要的钱以及降低失败风险，采取一些预防措施也是必要的。一般情况下，机构应该从小处着手，寻找速赢机会，同时确保获得能够解决他们试图衡量或比较的战略性医疗问题的数据，而不只是最容易获得的数据。虽然这可以加快项目的进程，但其分析结果很可能价值有限，这会危及整个计划。

在大多数情况下，大数据被各大医院视为最不重要的能力之一，这与其他行业形成了很大的反差。与往常一样，员工的参与是关键，而管理方案的调整应该支持总体实施方案。

此外，大数据的广泛运用还存在一些障碍，比如患者记录的隐私问题、获得正确数据、法规变更、报销制度变更以及数据系统的互通性。因此，一些医疗机构正在制定合作协议，以便加快实施大数据发展蓝图，分享经验并展望未来，从而克服这些障碍。

例如，OptumLabs和美国卫生与公众服务部（U.S. Department of Health and HumanServices）建有利用数据和先进分析技术来提高医疗服务水平的协同合作项目。OptumLabs是一家研究协作组织，拥有15家合作机构——这些合作机构已经收集了来自1亿多名患者的报销申请和3,000多万患者的电子病历的数据，还汇集了诸多研究人员、患者权益保护者、政策制定者、供应商、付款人以及制药公司和生命科学公司。

新兴国家也是这个转变的一部分。

在美国医疗保健行业中，奥巴马医改计划（Obamacare）即《平价医疗法案》（Affordable Care Act）的推出正在推动该行业的经济模式与经营模式的大规模变迁。由硅谷创业者和投资者主导的数字化科技初创企业生态系统通过促成美国和全球医疗科技（HealthTech）产业的发展来对此作出回应。

例如，印度已有一些医疗科技初创公司提供许多解决方案，其中包括远程患者监护、基于云的数据分析、技术型医护工作者和医生、自动化患者护理、电子病历等。此外，印度还有一些富有革新精神的年轻初创公司，比如心脏设计实验室（Cardiac Design Labs），这家初创公司正在生物电子学和以基因组测序为基础的疾病鉴别领域中开发并且实施实惠而可靠的专利医疗技术解决方案。

巴西EstadualGetúlio Vargas医院是一家收治创伤患者的主要医院，该医院的重症监护病房（ICU）病床总是满的。利用数据分析后得到的见解，这家医疗机构得以将ICU患者的住院时间缩短至略超过三天，并且将ICU患者的死亡率降低了大约21％。他们现在每个ICU床位每月可以多收治近两位患者。这仅仅是个开始，在资金紧张情况更为普遍的欠发达国家，大数据在强化实际资源并且帮助更多患者方面具有很大的潜力。

结论

可穿戴技术是门大生意，全球一些最大的科技与创新公司目前正在致力于这个领域。可穿戴技术可能对医疗行业造成的影响是巨大的，因此也成为侧重于医疗行业的初创公司要进入的最重要领域之一。在2015年，和苹果公司一样，MiFile网站推出了让佩戴者能够在线存储自己的医疗信息、过敏信息和护理愿望的腕带。在紧急情况下，任何人都可以通过检查佩戴者的识别卡号（ID）并且向其主要联系人发送短信提示来提供协助。此外，这种技术发送不间断的健康状况数据，其目的在于实时监控患者情况，并且为大数据应用和临床试验等方面提供大量数据，临床试验覆盖的范围只有数百人，而覆盖成千上万人的现实世界数据（RWD）成本非常高昂。

诸如谷歌、苹果、微软、甲骨文和IBM等科技公司依据他们在大数据和机器学习方面拥有的深厚技能，以及医疗保健领域出现的有利时机，一直在招募医学专家，目的是提供最终的先进解决方案和服务，这些是现实中的医疗保健生态系统按照传统方式无法提供的。

正如纽约西奈山医疗系统（Mount Sinai HealthSystem）旗下伊坎基因组学及多尺度生物学研究所（Icahn Institute forGenomics and Multiscale Biology）创始主任埃里克·夏特（Eric Schadt）所说：科技正在彻底改变我们对疾病的认识和治疗方法。