1、多个行业已经利用大数据改善业务，例如金融业、零售业、生命科学、环境研究。大数据市场估计每年会增长50亿美元价值，到2020年将达到600亿美元价值4。医疗健康行业目前面临着巨大挑战，其中，最主要挑战包括：急剧升高医疗支出、人口老龄化带来慢性疾病问题、医疗人员短缺、医疗欺诈5等。国家统计局数据显示，我国2013年医疗卫生总支出为31 668亿元，较2012年上升12.6%，并且已经连续8年每年增长超过10%。医疗支出已经占据了社会总支出很大比例，在可以预见将来，医疗支出将会持续增长。然而，根据美国医学研究院（Institute of Medicine，IOM）一篇报告，如今医疗健康支出1/3被浪
2、费而没有用于改善医疗。这些浪费包括不必要服务、行政浪费、昂贵医疗费用、医疗欺诈和错失预防机会6。为了保持竞争力，医疗机构必须把数据作为一种战略资产，分析数据以达到提高诊断准确度、提高疗效、降低费用、减少浪费目。医疗健康机构采用大数据可以有效地帮助医生进行更准确临床诊断；更精确地预测治疗方案成本和疗效；整合病人基因信息进行个性化治疗；分析人口健康数据预测疾病爆发等。利用大数据技术还能有效减少医疗成本，麦肯锡全球研究院预计使用大数据分析技术将每年为美国节省3 000亿美元开支。其中，最有节省开支潜力两个方面包括临床操作和研发7。利用大数据技术帮助医疗企业实现其业务例子正在快速增多。比如，Activ
3、eHealthManagement收集用户健康方面数据以帮助用户实现健康管理；CancerIQ整合临床数据和基因数据帮助实现癌症风险评估、预防和治疗；CliniCast利用大数据预测治疗效果以及降低花费。本文首先介绍医疗健康行业大数据特点以及大数据技术背景，然后举例说明目前大数据在医疗健康行业应用，最后分析目前医疗健康大数据系统及其相关技术。2、 背景知识2.1 大数据处理方法根据麦肯锡全球研究院2011年报告，适合大数据处理技术包括：关联规则学习、分类、聚类分析、数据融合、机器学习、自然语言处理、回归、信号处理、仿真、可视化8等。其中，关联规则学习是挖掘各个变量间有趣关系，比如在零售中发现经
4、常被一起买商品，便于促销；分类是通过训练已有数据集来有效识别新数据，比如预测用户购买行为；聚类分析是按数据相似程度将整个数据集分为多个小规模数据集；数据融合是将多个数据源信息整合分析以产生新更加精确、连续、有价值信息；机器学习是一类算法总称，关注设计算法自动识别数据中复杂模式；自然语言处理关注计算机和自然语言联系，帮助计算机识别人类语言；回归是一组统计算法，用来判断因变量和自变量关系，以帮助预测。信号处理是一组用来识别、分析、处理信号技术；仿真是模拟一个复杂系统行为技术，经常被用来预测；可视化是将数据处理为图像、图标、动画，以帮助人类直观了解数据。2.2 大数据处理平台大数据特点决定了传统数据
5、库软件和数据处理软件无法应对存储、处理、分析大数据任务。大数据处理任务由运行在数十台，甚至数百台服务器大规模并行软件完成8。常见大数据处理平台和工具有：MapReduce，其提供了一种分布式编程抽象方法；Hadoop，其包含了多个系统和工具以帮助完成大数据任务； HDFS，其用来可靠地分布式存储数据； Hive，其提供了Hado op上SQL支持； HBase，它是基于HDFS一种非关系型数据库；Zookeeper，其提供了集群节点一个管理方法。2.3 医疗健康数据来源医院信息系统（hospital information system，HIS）是医疗数据重要来源。医院信息系统包括：电子病例系
6、统（electronic medicalrecord system，EMRS）、实验室信息系统（laboratory information system，LIS）、医学影像存档和通信系统（picture archiving &communicationsystem，PACS）、放射信息管理系统（radiology information system，RIS）、临床决策支持系统（clinical decision support system，CDSS）等。根据中国医院信息化状况调查报告中对于医院信息系统总体实施现状报告，截至2006年，电子病例系统、实验室信息系统、医学影像存档和通信系统、
7、临床决策支持系统已有或在建率分别为27.46%、37.70%、25.20%、12.30%9。除此之外，各种健康设备可以帮助收集用户生命体征信息，比如心电数据、血氧浓度、呼吸、血压、体温、脉搏、运动量。社交网络和搜索引擎也包含了潜在人口健康信息。2.4 医疗健康大数据特点医疗大数据除了包含了大数据5 个V 特点之外，还有多态性、时效性、不完整性、冗余性、隐私性等特点10。多态性指医师对病人描述具有主观性而难以达到标准化；时效性指数据仅在一段时间内有用；不完整性指医疗分析对病人状态描述有偏差和缺失；冗余性指医疗数据存在大量重复或无关信息；隐私性指用户医疗健康数据具有高度隐私性，泄漏信息会造成严重后
8、果。3 、医疗健康大数据应用举例信息化医疗数据、医疗研究数据、病人特征数据以及移动设备、社交网络和传感器产生医疗健康相关数据为医疗健康从业人员提供了新思路，利用大数据技术可以从中发现潜在关系、模式，从而帮助医师提高诊断精度、预测治疗效果、降低医疗成本，帮助医药公司发现潜在药物不良反应、帮助公共卫生部门及时发现潜在流行病。下面将从公共卫生、药物副作用评估、治疗预测和降低医疗成本、辅助诊断和个性化治疗等几个方面介绍大数据用处。3.1 助力公共卫生检测2009年，Google比美国疾病控制和预防中心提前1 2周预测到了甲型H1N1流感爆发，此事件震惊了医学界和计算机领域科学家，Google研究报告发
9、表在Nature杂志上11。Google正是借助大数据技术从用户相关搜索中预测到流感爆发。随后XX公司也上线了“XX疾病预测”借助用户搜索预测疾病爆发。借助大数据预测流感爆发分为主动收集和被动收集，被动收集利用用户周期提交数据分析流感当前状况和趋势，而主动收集则是利用用户在微博推文、搜索引擎记录进行分析预测。FluNear You12借助用户周期提交自我流感检测来预测流感爆发。首先，用户在Flu Near You网站上注册，随后每个星期用户将收到一封电子邮件，指引用户登录Flu Near You网站。在网站上，用户填写一份关于自己是否有流感症状调查。最终Flu Near You收集信息并利用大
10、数据技术生成目前流感疾病和未来流感疾病预测可视化图表。流感爆发初期，通常伴随着用户在搜索引擎搜索相关内容或在社交网络上发布相关内容，这些信息可以作为流行病爆发初期预警13,14。参考文献15以用户在Twitter上推文以及英国健康保健局发布城市流感样病例率（influenza like illnessrate）为数据源，通过LASSO算法进行特征选择，选择推文关键字，建立未来数天流感样病例率预测模型，取得了比较精确结果。在疾病传播中，长时间和病原体接触会增加感染几率，因此追踪人口接触信息以及人口位置信息将有助于了解流行病行为16,17。参考文献18设计了一套使用智能手机自动收集人口位置信息和接
11、触信息应用。参考文献19将流行病数据源分为媒体（包括官方媒体）、移动设备、社交网络、Pro-Med邮件列表、实验室和医院数据，并根据不同数据来源设计了一套收集数据、分析数据、验证数据、数据可视化系统，用以直观表现流行病情况。3.2 帮助发现药物副作用药品上市后不良反应检测一般依赖被动检测和主动检测。被动检测依赖于医生、患者、制药公司提供不良反应报告。被动检测最大问题是漏报，参考文献20认为94%不良反应没有被报告。主动检测则是利用文本挖掘、数据挖掘技术从EHR、EMR、社交网络、搜索引擎中发现潜在药品导致不良反应事件20。参考文献21利用药品不良反应存在时间先后顺序，挖掘电子病例中可能存在药物
12、不良反应。参考文献22将引起不良反应条件分为使用一种药品、两种药品、一种药品和病人一种特点、一种药品和一种药品过敏事件，根据决策树、聚类等数据挖掘方法发现条件和不良反应结果关系。当药物使用和不良反应存在低频率因果关系时，一般数据挖掘算法将难以分辨因果关系和偶然事件23，参考文献23基于预认知决策模型（RPD model）设计了多种算法用以发现药品不良反应中低频因果关系2325。3.3 助力治疗预测和降低医疗成本目前，医疗健康行业成本高昂部分原因来自医疗失误和医疗浪费。根据1998年美国医疗协会报告，仅仅在美国，可以避免医疗失误每年造成了98 000起死亡案例26。美国花在医疗健康上费用超过1
13、700亿美元，而中国每年花费在医疗健康上费用超过30 000亿元。在此背景下，多国通过改革医疗系统以减少医疗失误及医疗浪费，最终削减医疗开支。美国于2011年通过关于医疗健康信息技术HITECH法案宣布：决定投入500亿美元在5年内使用信息技术解决医疗行业存在问题27。而中国在2009年宣布了花费1 200亿元10年医疗系统改革计划第一部分。参考文献28中分析了澳大利亚医疗保险行业，认为使用目前验证技术无法有效发现医疗服务中存在欺诈、滥用、浪费、错误等现象，原因在于旧验证技术只关注单个病例，无法利用多个病例间联系。作者以医疗账单为数据源，建立关于治疗费用、住院时间等数据预测模型，使用数据挖掘技
14、术发现账单中异常数据；使用领域专家建立规则库分析异常账单，发现其中可能存在问题并给出警告。典型应用环境包括医疗器材滥用、手术过程和病情诊断不符、过度收费等。提早检测出医疗过程中问题将为国家保险机构、患者、私立保险机构节省大量花费。3.4 辅助诊断参考文献29,30认为患者基因型、生活方式、身体特征、多重病患严重影响了治疗效果。提早根据患者特征设计个性化治疗方案将有助于降低成本，减少医疗事故。参考文献31认为通过挖掘用户基因信息和电子病例可以做到：根据患者基因信息和患者其他特征预测各种治疗方案可能副作用；选择更好治疗方案，而不是尝试各种治疗方案；帮助用户预防疾病或削弱疾病影响。之后，参考文献31设计了一套系统Mayo用来收集、存储个性化治疗所需要数据，并为数据分析师提供分析数据平台。参考文献32则通过分析病人特征数据并匹配相似病例以帮助医师诊断。4、 医疗健康大数据平台为了利用大数据技术处理医疗健康问题，需要针对数据特点以及处理方式设计专门系统。下面主要介绍目前医疗健康大数据平台如何设计以应对挑战。4.1 个人数据收集系统iEpi1是一个便于流行病医疗科研人员快速搭建起收集用户接触信息、位置信息平台系统
