三、数据安全
从“数据”本身而言，一般意义上的安全问题大致有两方面：一是易成为网络攻击的显著目标，在网络空间中，医疗大数据的关注度高，其含有的敏感数据会吸引潜在的攻击者；二是对现有存储或安全防范措施提出挑战，特别是数据大集中后复杂多样的数据存放在一起，常规的安全扫描手段无法满足安全需求。
这些问题将表现在数据资源共享、数据资产界定和盘活，以及数据真实性判断等各个方面。当前国际国内涉及数据的法律法规尚没有形成体系，所以应在资源产权保护、竞争制度安排等各方面开展讨论。
1.数据资源共享
不同的庞大数据集，在多个逻辑上集中的数据组织（data organization）和物理上集中的数据区域（data area）中达到“一定规模”，就构成了数据资源（data resource）。数据资源之所以能成为人类重要的现代战略资源之一，并且其重要性“在21世纪可能超过石油、煤炭、矿产”，是因为，数据资源如同现实世界的自然资源（如森林、草原、海洋、土地、水、水产和野生动植物等）或能源（如石油、煤炭、矿产、电力和其他可再生能源），既形态多样、具有有限性、不可替代和不稳定，又可利用、可发展、分布不均和受技术开发水平制约。
现有的法律体系中，在美国，法律对国有和私有信息、数据共享有着截然不同的态度，即对国有采取完全开放、对私有给予严格保密，相关的联邦法律包括《信息自由法》《隐私法》《阳光法》《版权法》等。其中，1966年生效的《信息自由法》，是美国信息共享的指导性法律，其立法根本是满足每个公民对信息获取的需求；1974年的《隐私法》规范了行政机关处理个人记录的行为，规定了个人记录必须对本人公开和对第三者限制公开的原则；1976年的《阳光法》目的是保障和促进公民更加有效通过多种途径获取和利用政府信息，《版权法》则在第105条明确不允许联邦政府拥有版权，并对数据的二次开发没有限制。在欧盟，有与信息共享相关领域最为全面而系统的法律法规体系，特别在科学数据共享方面立法速度极快，除了具有指导意义的《欧盟条约》和《欧洲共同体条约》外，主要的还有1996年的《欧洲议会和理事会关于数据库法律保护的指令》、2001年的《关于公开获取欧洲议会、委员会和理事会文件的规则》和2002年的《布加勒斯特宣言》，数据保护同样区分公有和私有数据问题，数据共享则考虑了过程中的汇集、开放、管理、使用和安全等问题，代表国际上典型当代信息共享思想的《布加勒斯特宣言》把信息社会与数据资源共享紧密联系起来，认为这个所谓的“信息社会”应是“以广泛传播和分享信息、各利益相关方（包括政府、私营部门和民间团体）的真诚参与为基础”。
近年来，在国家科学技术部（简称科技部）、卫生计生委的引导下，北京、上海、浙江、广东等省市都在努力开展区域医疗建设，并取得了显著成效，实现了区域内医疗机构信息的互联互通和医疗数据共享，这对提高区域医疗卫生服务水平和工作效率，促进区域医疗卫生资源的合理配置和有效利用，支持区域临床科研、教学及流行病学分析，提升区域卫生宏观调控和科学决策能力等都发挥了积极的作用。
然而，这种围绕医疗卫生服务的提供方、接受方、支付方、管理方以及产品供应商，提供医疗数据的采集、传输、存储、处理、分析层面的共享还远远不够。除了个体所形成的数据资源外，群体层面进行医疗诊断、大规模筛查等数据资源也需要进行共享。融合人类各种数据收集手段形成的数据资源，包括无线生理监控、基因组学、社交网络和互联网，从而使各利益相关方以此形成更大的机会和经济效益。
2.数据资产界定(https://www.daowen.com)
数据是具备资产属性的，如电子化有价证券、虚拟货币等都是数据。根据现行会计制度的规定，资产的会计核算标准有时间和价值两大内容，例如不属于生产经营主要设备的物品，单位价值在2 000元人民币以上，并且使用期限超过2年的，也作为资产。借鉴此项标准，就可以从数据资源的分布、赋存、开发和资源利用等方面进行资产界定。
正确对数据资产进行界定，有助于盘活这部分资产。数据类型多和价值密度低是大数据的重要特征。医疗领域，只有数据的所有者们围绕核心业务构建起数据间的关联关系，如从数据中了解疾病、药物、医生和患者，提高不同来源获取的结构化与非结构化数据的活性，才能让数据资产保值增值。
3.数据真假判断
在日常生活中，“眼见为实”是最基本的生存判断；在网络空间内，这种基本判断往往会失真。所以，需要有一种技术来判断哪些数据真实或者准确可靠、又或是将会被人引为误判，并提供相应证据。不幸的是，以当前技术条件来看，完全实现这一目标还有待时日。
然而，利用大数据这种数据集的大规模和数据来源的多元化等特征，使用挖掘交叉验证，能为数据真假判断提供帮助。这里举两个例子：微软研究院米歇尔·班科（MicheleBanko）等人在2000年的一篇论文“Mitigating the Paucity—of－Data Problem：Exploring theEffect of Training Corpus Size on Classifier Performance”和斯坦福大学阿南德·拉贾拉曼（Anand Rajaraman）Netflix竞赛获胜队，都证明了在大数据集上差的算法效率几乎等同于小数据集上好的算法！
需要说明的是，尽管新技术会带来威胁和挑战，同样更大的发展机遇也正等着人们，相信医疗领域的大数据变革无论在健康还是在产业契机上都能使更多的人获益。