1.1.4 医药大数据
1.数据
数据(Data)是事实或观察的结果,是对客观事物的逻辑归纳,是用于表示客观事物的未经加工的原始素材。数据可以是连续的值,比如声音、图像,称为模拟数据,也可以是离散的,如符号、文字,称为数字数据。
数据是为反映客观世界而记录下来可以鉴别的物理符号。数据的含义包含了两个方面:客观性是对客观事物的描述,反映了某一客观实体的属性,这种属性是通过属性名和属性值来表达的。可鉴别性是对客观事实的记录,这种记录是通过一些特定的符号来表现的,而且这些特定的符号是可以鉴别的。
数据处理的发展:第一阶段(公元前4000—1900年),数据由人工处理;第二阶段(1900—1955年),应用打孔卡设备和电子机械型机器;第三阶段(1955—1965年),存储在磁带,存储程序型计算机批处理顺序文件;第四阶段(1965—1980年),数据库轮廓的概念以及数据的在线导航访问;第五阶段(1980—1995年),关系数据库的自动访问以及分布式和客户机/服务器处理的加入;第六阶段(1996—2010年),通过采用多媒体和互联网技术,信息系统可存储更加丰富的数据类型,如文档、图像、声音、视频数据和网络日志等;第七阶段(2011年至今),数据管理日益进入大数据(Big Data)时代。
2.大数据
大数据目前还没有公认的定义。麦肯锡研究院对大数据的定义为:所涉及的数据集规模已经超过了传统数据库软件获取、存储、管理和分析的能力。维基百科给出的大数据定义为:数据量规模巨大到无法通过人工在合理时间内达到截取、管理、处理并整理成为人类所能解读的信息。
数据增长速度与IT界的摩尔定律很类似,即社交网络、物联网、电子商务,35ZB的数据全部刻录到容量为9GB的光盘上,其叠加的长度将达到233万千米,相当于在地球与月球之间往返3次。我们正处于大数据时代的边缘,85%的数据属于广泛存在于社交网络、物联网、电子商务等之中的非结构化数据。因为如今的数据类型早已不是单一的文本形式,如订单、日志、音频,所以对数据处理能力提出了更高的要求。
1TB=2的40次方Byte=1099511627776 Byte
1PB=2的50次方Byte=1125899906842624Byte
1EB=2的60次方Byte=1152921504606846976 Byte
1ZB=2的70次方Byte=1180591620717411303424 Byte
1YB=2的80次方Byte=1208925819614629174706176 Byte
1DB=2的90次方Byte=1237940039285380274899124224 Byte
1NB=2的100次方Byte=1267650600228229401496703205376 Byte
大数据层次观:从微观层次看大数据是在新一代信息基础设施支撑下,物理空间运动过程加速向网络空间映射的结果,表现为规模巨大、种类多样、内在关联的数据集,趋向于无限接近真实世界;从中观层次看大数据是信息经济时代主要的生产要素,是改造“生产力”和“生产关系”的基础性力量,个人角色、企业组织结构与战略、国家治理方式、国家之间竞争方式,将在数字空间中被重新构建;从宏观层次看大数据是认识论的变革,大量对象从不可知到可知,从不确定到精确预测,从小样本近似到全样本把握,是认识世界和改造世界能力的升华。
大数据的表现形态。大数据在当今社会非常时髦,大数据的信息量是海量的,这个海量并不是某个时间端点的量级总结,而是持续更新,持续增量。大数据产生的过程中诸多的不确定性,使得大数据的表现形态多种多样。多源性:大数据来源的复杂性。网络技术的迅猛发展使得数据产生的途径多样化。大数据结构的复杂性:非结构化数据的格式多样化,而这些非结构化数据中可能蕴藏着非常有价值的信息。实时性:大数据的实时性,体现在数据更新的实时性。如何及时、有效、全面地捕获到互联网、物联网、云计算上产生的大量的不同来源的数据是会直接影响数据价值体现的关键因素。不确定性:体现的是数据的不确定性。原始数据的不准确以及数据采集处理粒度、应用需求与数据集成和展示等因素使得数据在不同尺度、不同维度上都有不同程度的不确定性。
怎么理解“大”?字面理解Large、Vast和Big都可以用于形容大小。Big更强调的是相对大小的大,是抽象意义上的大。大数据是抽象的大,是思维方式上的转变。量变带来质变,思维方式、方法论都应该和以往不同。计算机并不能很好地解决人工智能中的诸多问题,而利用大数据突破性地解决了,其核心问题就变成了数据问题。
重新定义大数据的本质特征。多维度:特征维度多;完备性:全面性,全局数据;关联性:数据间的关联性;不确定性:数据的真实性难以确定,噪音。
IBM则用4个特征相结合来定义大数据:数量(Volume)、种类多样(Variety)、速度(Velocity)和真实(Veracity)。互动百科和国家数据公司IDC也提出4个特征来定义大数据,但与IBM定义不同的地方,是将第4个特征由真实(Veracity)替换为价值(Value)。
大数据特点。Big Data:大数据,海量数据;Volume:TB级数据;Velocity:流数据;Variety:时间空间变化;Value:巨大的商业与社会价值;Complexity:复杂系统,复杂语义关系。
大数据的其他特征。体量大:4V中的Volume;类型多:结构化、半结构化和非结构化;来源广:数据来源广泛;及时性:4V中的Velocity;积累久:长期积累与存储;在线性:随时能调用和计算;价值密度低:大量的数据中真正有价值的少;最终价值大:最终带来的价值大。
3.数据科学
数据科学是一门将“现实世界”映射到“数据世界”之后,在“数据层次”上研究“现实世界”的问题,根据“数据世界”洞见现实解释或决策的新兴科学。
数据科学是一门以“数据”,尤其是“大数据”为研究对象,并以数据统计、机器学习、数据可视化等为理论基础,主要研究数据预处理、数据管理、数据计算、数据产品开发等活动的交叉性学科。
数据科学是一门以实现“从数据到信息”“从数据到知识”和(或)“从数据到智慧”的转化为主要研究目的,以“数据驱动”“数据业务化”“数据洞见”“数据产品研发”和(或)“数据生态系统的建设”为主要内容的独立学科。
数据科学是一门以“数据时代”,尤其是“大数据时代”面临的新挑战、新机会、新思维和新方法为核心内容的,包括新的理论、方法、模型、技术、平台、工具、应用和最佳实践在内的一整套知识体系。(https://www.daowen.com)
数据科学的知识体系。大数据基础:基本概念、数据洞察、技术架构、应用场景;大数据技术原理:感知采集、存储、管理、计算、分析、可视化;大数据创新实践:创新方法、数据工程、开放数据、行业实践。
数据科学的理论基础。大数据表达理论方面,包括大数据的生命周期、演化与传播规律,数据科学与社会学、经济学等之间的互动机制以及大数据的结构与效能的规律性。大数据计算理论方面,研究大数据的表示以及大数据的计算模型及其复杂性。大数据应用基础理论方面,研究大数据与知识发现、大数据环境下的实验与验证方法以及大数据的安全与隐私。
数据科学=思维+计算机科学+统计+应用。首先,建立大数据思维方式,学习怎样利用数据。其次,应该了解数据清理、集成、探索等相关技术。最后,洞见和商业意识也至关重要。
4.医药大数据来源
全球医疗数据量2013年已达到153 EB,2017年超过了600EB,预计2020年将达到2.314PB。在各医院的信息系统中也积累了大量的、宝贵的临床信息,尤其是结构化的电子病历系统更是产生了大量的、临床科研所必需的临床病例信息,这些数据又是分散地存储于电子病历、收费、医嘱、药品、检验、PACS、手术等业务系统中。
医院信息系统是医疗数据的重要来源。医院信息系统包括:电子病例系统(EMRS)、实验室信息系统(LIS)、医学影像存档与通信系统、放射信息管理系统(RIS)、临床决策支持系统(CDSS)等。除此之外,各种健康设备可以帮助收集用户的生命体征信息,比如心电数据、血氧浓度、呼吸、血压、体温、脉搏、运动量等。社交网络和搜索引擎也包含了潜在的人口健康信息。
5.医药大数据类型及特点
电子病历里的数据包括影像资料数据、电子处方数据、化验结果数据、病案首页数据、病程记录、诊断信息、护理病历记录、手术麻醉记录等各种不同类型的数据。其中包含结构化的数据,如病人的基本资料、所开医嘱等数据。同时还包含大多数非结构化数据或半结构化数据,如病人的主述、诊断信息等数据,虽然是以结构化保存在表中的,但是其构成的语言是自然语言,往往带有一定的主观性。还包含了一些特定格式的数据,如各类检查信息,如血管造影、彩色多普勒等图片和检查报告。
医疗卫生数据特点如下:
异构性:医疗数据类型的多样化。包括数值型数据、类别型数据、图像、文字、信号、语音、视频。医疗数据的异构性增大了知识发现的难度,使开发基于医疗数据库的通用软件系统较为复杂。
海量性:医疗工作自身的特点,如病情观察的不可间断、各种医疗检查结果纷繁复杂以及存有大量的医学文献专著等。高科技的医学检查设备[如单光子发射型计算机断层或像(SPEC)、MRI、PET等]每天都会产生数千兆字节数据。
数学特征不显著:医疗数据混合了文字、图形等非数值型数据,使得数据挖掘人员并不能很好地找到可以反映数据间联系的模型。
难以发掘知识:主观性试验和诊断会带有主观性,难以发掘知识。同一个领域的顶尖专家往往会对对方的诊断带有异议,这就会难以整合。
标准化危机:在医学界,很多概念都没有规范,例如一个简单的概念“结肠腺癌,转移到肝”,有很多的表达形式,再如有的中药有很多别名。
伦理性、社会性、法律性:数据归属权问题、数据安全问题、法律诉讼问题等。
现有医疗信息化体系面向业务需求,缺乏面向医疗大数据有效利用的技术体系;数据可及性差,例如数据不开放、信息碎片化、新数据不断产生;数据可用性低,数据不准确、数据不完备、结构化程度低。绝大多数的医疗数据是处于归档状态的,检索是十分复杂的。缺乏数据标准,导致无法统一。未来的数据利用前景是十分广阔的,不仅用于临床诊断、临床科研,而且对政府公共卫生决策及个人管理健康都会发挥积极的作用。
6.大数据在医疗行业的应用
2016年,国务院办公厅印发《关于促进和规范健康医疗大数据应用发展的指导意见》,部署通过“互联网+健康医疗”探索服务新模式、培育发展新业态,努力建设人民满意的医疗卫生事业,为打造健康中国提供有力支撑。《意见》指出,要坚持以人为本、创新驱动,规范有序、安全可控,开放融合、共建共享的原则,以保障全体人民健康为出发点,大力推动政府健康医疗信息系统和公众健康医疗数据互联融合、开放共享,积极营造促进健康医疗大数据安全规范、创新应用的发展环境。到2017年年底,实现国家和省级人口健康信息平台以及全国各级药品招标采购业务应用平台互联互通,基本形成跨部门健康医疗数据资源共享共用格局。到2020年,建成国家医疗卫生信息分级开放应用平台,依托现有资源,建成100个区域临床医学数据示范中心,基本实现城乡居民拥有规范化的电子健康档案和功能完备的健康卡。适应国情的健康医疗大数据应用发展模式基本建立,健康医疗大数据产业体系初步形成,人民群众得到更多实惠。
近年来,“云大物移智”等新兴技术与健康医疗加速融合,健康医疗大数据蓬勃发展,带来健康医疗模式的深刻变化,有利于激发深化医药卫生体制改革的动力和活力,提升健康医疗服务效率和质量,扩大资源供给,不断满足人民群众多层次、多样化的健康需求;有利于培育新的业态和经济增长点,正在成为国家重要的基础性战略资源。但健康医疗大数据作为新兴事物,也遇到一些新情况、新问题,需要及时加以引导规范。2018年7月12日,国家卫生健康委员会印发《国家健康医疗大数据标准、安全和服务管理办法(试行)》(国卫规划发〔2018〕23号),以加强健康医疗大数据服务管理,促进“互联网+医疗健康”发展,充分发挥健康医疗大数据作为国家重要基础性战略资源的作用。在推动健康医疗大数据应用发展的过程中,严格遵守相关法律法规和文件规定,在强化标准管理和安全管理的基础上,寓管理于服务之中,为提升健康医疗大数据的服务能力和管理水平奠定基础。在数据采集方面,责任单位要严格执行国家和行业相关标准和程序,要做到标准统一、术语规范、内容准确,并严格实行信息复核终审程序,确保数据质量。在数据存储方面,健康医疗大数据应当存储在境内,因业务需要向境外提供时,应按相关法律法规和要求进行安全评估审核。在服务提供方面,要确保服务提供商具备履行相关法规制度、落实相关标准和确保数据安全的能力,并建有安全管理、隐私保护等管理制度。在数据利用方面,责任单位应坚持包容审慎的态度,加强数据的规范应用和服务,推动部分健康医疗大数据在线查询。同时,不得泄露国家秘密、商业秘密和个人隐私,切实保障各相关方合法权益。在数据共享方面,国家卫生健康委负责建立健康医疗大数据开放共享机制,统筹建设资源目录体系和数据共享交换体系,强化对健康医疗大数据全生命周期的服务与管理。
健康医疗大数据的典型应用。医疗行业拥有大量的病例、病理报告、治愈方案、药物报告等,通过对这些数据进行整理和分析将会极大地辅助医生制订治疗方案,帮助病人早日康复。可以构建大数据平台来收集不同病例和治疗方案,以及病人的基本特征,建立针对疾病特点的数据库,帮助医生进行疾病诊断。医疗行业的大数据应用一直在进行,但是数据并没有完全打通,基本都是孤岛数据,没办法进行大规模的应用。未来可以将这些数据统一采集起来,纳入统一的大数据平台,为人类健康造福。
健康医疗大数据在医疗行业治理的典型应用:(1)卫生体制改革评估监测。对分级诊疗效果进行监测评估,对医院进行风险监控管理,对居民健康状况等重要数据进行精准统计和预测评价。(2)医院精细化运营管理。利用医疗成本大数据促进医疗资源运营管理提升,基于DRGS的医疗服务能力分析,评价体系真实反映医院实际运营水平,通过大数据供应链开放平台,助力医疗机构上下联动、公开透明,对采购全过程综合监督。(3)医疗保险控费。实现医疗保险由事后监控为主,逐步向事前提示、事中监控的立体化监管模式过渡,实现商业保险基于数据的保障设计与精准定价、理赔运营、市场和销售推广,通过系统实时监控,审核刷卡行为,对比医疗行为审查违规现象。(4)在数据的初步探索及应用方面。主要包括预约、现场患者与门诊/住院的指标分析,病人类别与是否门诊转住院的关联,门诊病人类别与住院总费用的关联,病人类别与年龄的关联,普通、专家、特需门诊的费用指标分析,患者年龄与费用的关联分析,每日门诊预测模型,等等。
健康医疗大数据在数据惠民服务的典型应用:(1)通过互联网模式,不断增强“自主健康”服务体验,让健康数据“多跑路”,让人民群众“少跑腿”,在互联网健康咨询、预约就诊、预约挂号、诊间结算、医保联网异地结算、移动支付等方面,给百姓带来更加便捷的应用服务。(2)大数据技术与健康医疗服务的深度融合应用,能够使优势资源“下得去”,更好地推动分级诊疗落地,加快远程医疗普及,推动精准医疗发展。(3)通过大数据分析应用,推动覆盖全生命周期的预防、治疗、康复和健康管理的一体化的健康服务。
大数据疾病预测中作用。2009年H1N1甲型流感造成全球20万人死亡。谷歌的“流行感冒预测”把5000万条美国人最频繁检索的词条和美国疾控中心在2003年至2008年间季节性流感传播时期的数据进行了比较。通过数学模型,构成了预测系统,在2009年发布了冬季流行感冒预测结果,与官方数据的相关性高达97%,但提早了两周。
在中文电子病历文本信息处理方面。电子病历文本包含大量医疗信息,属于高度非结构化数据。非结构化数据,如患者昨日有低热,今早暂无发热,无明显头痛、头晕,左侧胸痛较前好转,活动后稍感气促,偶感腹痛不适,伴双膝关节肿痛,双下肢及臀部可见红色皮疹,无瘙痒。
大数据在临床业务、付款和定价、研发、大数据基因等方面的应用。在临床业务方面,开展比较效果研究,临床决策支持系统、医疗数据透明度、远程病人监控、对病人档案的分析。在付款和定价方面,开展药品定价、检测医疗欺诈。在研发方面的应用:建立预测建模,提高临床试验设计的统计工具和算法、临床实验数据的分析、个性化治疗、疾病模式分析的水平。在新的商业模式方面,汇总患者的临床记录和医疗保险数据集,扩展网络平台和社区。在大数据基因方面,人类可以将自身和生物体基因分析的结果进行记录和存储,建立基于大数据技术的基因数据库。人类蛋白质组计划的主要目标是以我国重大疾病的防治需求为牵引,发展蛋白质组研究相关设备及关键技术,绘制人类蛋白质组生理和病理精细图谱,构建人类蛋白质组“百科全书”,全景式揭示生命奥秘,为提高重大疾病预防诊治水平提供有效手段,为我国生物医药产业发展提供原动力。