直面“大数据”
“量变会转化为质变”。
曾屹立于国际象棋世界王座不倒的象棋大师卡斯帕罗夫（Garry Kasparov）在与IBM推出的超级计算机深蓝（Deep Blue）展开人机大战后，说了这样一番意味深长的话。
“至少在国际象棋的世界里，人类已经无法战胜拥有压倒性数据和计算能力的计算机！”
量变的确会转化为质变。
今天，随着大数据时代的到来，摆在我们眼前的课题也已经蜕变为量和质的问题。怎样正确驾驭这些以令人恐惧的势头持续增加的数据，又怎样将它们转化为高质量的信息？
毋庸置疑，各种数据的爆发式增加会为商业世界创造新的机遇，也会为医学领域的学术研究带来巨大的福音。但是，数据同时也是一柄双刃剑，读取方式错误，可能造成致命的灾难性后果。
研究人员在面对数据时，应该从以下两方面的视角出发。
这就是“假设验证”和“假设生成（一说探索）”。其中，假设验证可以说是研究人员的基本态度，为验证自己提出的假设正确与否需要收集大量数据。当数据与假设不一致，还要对假设进行修改。通过反复的“假设与验证”程序，假设逐渐凝练，继而找到通向真理的道路。
那么，假设来自哪里？
首先，是研究人员的“限定范围内的观察区域”和“大脑”。
其次，“先行研究（现存文献）”是迄今为止主要假设的生成场所。其样貌正逐步改变。从庞大的数据海洋中。或许在与人类前所未有的感知形式相左的过程中，某个新假设突然出现。日新月异的计算机分析技术，例如数据挖掘也许会承担假设萌芽的一个辅助角色。结果，某个研究人员提出的假设也许呈现出颠覆传统的奇葩内容。数据挖掘（Data mining），又译为资料探勘、数据采矿。它是数据库知识发现中的一个步骤。
以抢在竞争对手前面出招为制胜策略的商业世界为例，商业人惯常的思维模式是根据数据挖掘的结果生成某种假设，在这个无沦成败与否的假设阶段，首先果断出手，小试牛刀。(https://www.daowen.com)
例如：市场营销界有一个著名的定论，即“来超市买啤酒的男性顾客很大概率也会购买婴儿尿布”。这是某连锁超市对庞大的历史销售数据进行研究后得出的结论。那么，据此类推，如果这家超市大胆尝试在饮料区的收银台附近摆放婴儿尿布会如何其结果，即使尿布销量平平，对这家超市的销售业绩也无妨大碍，但是，医疗的世界绝非如此。
假设大数据分析获得如下结果，证明：“人在食用某种特定食品后，会出现血压降低的情况。”当然，仅仅根据这个结果，没有哪个研究人员会得出“这种食品具有降低功效”的结论。但是，即便如此，从事人体血压波动研究的研究人员却不能轻易放过这项数据，因为从这种食品中所含的某种有效降压成分与血压之间的关系展开分析，他们可能得出某个新的假设。
对大数据进行分析，就能获得传统无法与之比拟的真知灼见，继而获得大量假设、这其中既包括新派生的某种假设，也可能是一些“无聊或不值一提”的假设、可以说，随着大数据时代的到来，医疗从业人员最应拿出的态度，第一是“假设验证”，第二是“假设生成”的平衡。
如前所述，假设验证是接近科学的根本。但是，凡事过犹不及，如果太钻牛角尖，就可能陷入诸如“执着于寻找对自己提出的假设有利的数据，仅仅将着眼点放在这类数据上”；或者“即使客观数据无法形成佐证，也固执地生搬硬套在自己的假设上……”这样危险的境地。
让人遗憾的是，这恐怕就是近年来在社会上掀起狂澜的“科学论文抄袭问题”之类事件的背景之一。另一方面，与假设验证相比，假设生成在某种程度上需要自由思考，即所谓的“独立假设”，这对科学家来说具有极大的吸引力，但同时必须远离个人主观或自以为是的根源陷阱，以一颗虚怀若谷的坦诚之心，倾听以事实为根据的客观数据。
接下来，对这种情况下浮现出来的某个征兆进行切实的提炼，将这个雾里看花的事物作为假设的萌芽进行耐心培育，在此基础上寻找相关数据。当假设以某种形式逐渐形成雏形，此时需要做的是从验证的视角与数据进行关联——这种假设生成看似具有无穷的吸引力，实则可能以某种完全背离传统知识积累的、无法解释的关系呈现出来。大数据时代的假设生成，其优点和注意点带有这种前所未有的鲜明特征。
本节将从医疗从业者面对大数据时的正确立场出发，例如：以诱发高血压的病因为例，假设人体缺乏某种维生素会导致血压升高。那么，为了对这个假设进行验证，必须以人为对象开展流行病学研究，进行相关数据的搜集和分析工作，然后对结果进行分析（信息提取）。
结果，如果掌握以下两类数据：（1）少量摄入这种维生素的人群存在血压升高的倾向；（2）服用这种维生素的人群的血压呈下降趋势，那么，就可以认为该假设暂时成立。
这种假设验证的思维模式不仅限于维生素与血压之间的关系，研究人员应保持“哪些物质会引起血压升高”的原始问题意识，以及与数据对立是假设生成的立场，只要对诊疗明细数据和电子病历进行充分分析，我们就会发现很多以前忽视的患者的生活方式、既往病史以及以往经历等问题。而关注这类问题有时可能与血压的新研究发展之间存在某种关联性——但是，假设生成看似具有无穷的吸引力，如果非要从否定的立场出发看问题，那么，也有可能与传统知识积累相左，陷入某种难以解释的关系之中。
大数据的世界同样可能夹杂着“偶然性”，这一点毋庸置疑，今天，即使通过大数据分析，得出两种事物之间的关联存在统计学上的意义，也不能排除在其他时间段发现同样关联关系的可能（大数据随着时间流逝，其数据的蓄积量递增，继而形式发生能动性的改变），有时，两种事物之间最初呈现的关系可能仅仅是一个“偶然”。