現(xiàn)在無論國內(nèi)外均出現(xiàn)了移動(dòng)醫(yī)療熱，所有的創(chuàng)業(yè)團(tuán)隊(duì)和投資公司均把商業(yè)模式指向了最后的醫(yī)療大數(shù)據(jù)分析。但是可以很負(fù)責(zé)任的說，90%以上的人都不知道醫(yī)療大數(shù)據(jù)分析是什么東西，因此這是一篇掃盲貼，但是僅供專業(yè)人士。文中分析了醫(yī)療大數(shù)據(jù)、它的維度、方法和成本，以及需要的專業(yè)人才。本文無論是對創(chuàng)業(yè)團(tuán)隊(duì)還是投資機(jī)構(gòu)都是非常有指導(dǎo)意義的。
大數(shù)據(jù)定義及其特征
大數(shù)據(jù)顧名思義就是數(shù)量極其龐大的數(shù)據(jù)資料。從上世紀(jì)80年代開始，每隔40個(gè)月世界上儲存的人均科技信息量就會翻倍 （Hibert & Lopez, 2011）。2012年，每天會有2.5EB量的數(shù)據(jù)產(chǎn)生（Andrew & Erik, 2012）。現(xiàn)在2014年，每天會有 2.3ZB 量的數(shù)據(jù)產(chǎn)生（IBM, 2015）。這是一個(gè)什么概念？ 現(xiàn)在一般我們電腦的硬盤大小都以GB，或者TB為單位了。1GB的容量可以儲存約5.4億的漢字，或者170張普通數(shù)碼相機(jī)拍攝的高精度照片，或者300-350首長度為5-6分鐘的MP3歌曲。 那GB和TB, EB，ZB 的關(guān)系又是怎樣？
1ZB=1024EB=10242PB=10243TB=10244GB。如果你有一臺1TB硬盤容量的電腦，那1ZB就是大致等于10億臺電腦的容量， 遠(yuǎn)遠(yuǎn)超出了我們一般的想象。
早期，IBM定義了大數(shù)據(jù)的特性有3個(gè)：大量性（ Volume）， 多樣性（Variety）， 快速性（Velocity） （Zikopoulos, Eaton, deRooos, Deutsch, & Lapis, 2012）。后來又有學(xué)者把價(jià)值（Value）加到大數(shù)據(jù)的特性里。隨著時(shí)間的推移和人們思考的進(jìn)一步完善，又有三個(gè)大數(shù)據(jù)的特性被提出： 易變性（Variability），準(zhǔn)確性（Veracity）和復(fù)雜性（Complexity）。
作者認(rèn)為價(jià)值本質(zhì)上是數(shù)據(jù)被分析后體現(xiàn)出來的有用信息知識的程度，和其他幾個(gè)特性有根本區(qū)別。其他幾個(gè)特性可以說是數(shù)據(jù)工作者具體實(shí)踐中面臨的挑戰(zhàn)，而價(jià)值則是征服這些挑戰(zhàn)后獲得的回報(bào)。
大數(shù)據(jù)的6個(gè)特性描述如下：
大量性：一般在大數(shù)據(jù)里，單個(gè)文件大量性的級別至少為幾十，幾百GB以上，一調(diào)查（Russom, 2013）顯示相當(dāng)多的機(jī)構(gòu)擁有的數(shù)據(jù)總量在10到99TB之間。用我們傳統(tǒng)的數(shù)據(jù)庫軟件，1GB已經(jīng)可以儲存千萬條有著幾百個(gè)變量的數(shù)據(jù)記錄了。
多樣性：泛指數(shù)據(jù)類型及其來源的多樣化 （Troester, 2012），進(jìn)一步可以把數(shù)據(jù)結(jié)構(gòu)歸納為結(jié)構(gòu)化（structured），半結(jié)構(gòu)化（semi-structured），和非結(jié)構(gòu)化（unstructured）（SAS, 2014） 。
快速性：反映在數(shù)據(jù)的快速產(chǎn)生及數(shù)據(jù)變更的頻率上。比如一份哈佛商學(xué)院的研究報(bào)告稱在2012年時(shí)，谷歌每天就需要要處理20PB的數(shù)據(jù)（Harvard Business Review, 2012）。
易變性：伴隨數(shù)據(jù)快速性的特征，數(shù)據(jù)流還呈現(xiàn)一種波動(dòng)的特征。不穩(wěn)定的數(shù)據(jù)流會隨著日，季節(jié)，特定事件的觸發(fā)出現(xiàn)周期性峰值 （Troester, 2012）。
準(zhǔn)確性：又稱為數(shù)據(jù)保證（data assurance）。不同方式，渠道收集到的數(shù)據(jù)在質(zhì)量上會有很大差異。數(shù)據(jù)分析和輸出結(jié)果的錯(cuò)誤程度和可信度在很大程度上取決于收集到的數(shù)據(jù)質(zhì)量的高低（W.Raghupathi & Raghupathi, 2014）。所謂“垃圾進(jìn)，垃圾出”。沒有數(shù)據(jù)保證，大數(shù)據(jù)分析就毫無意義。
復(fù)雜性：復(fù)雜性體現(xiàn)在數(shù)據(jù)的管理和操作上。IT 時(shí)代，隨著數(shù)據(jù)來源及數(shù)據(jù)量的爆發(fā)，各種不同渠道數(shù)據(jù)的大量涌現(xiàn)，數(shù)據(jù)的管理和操作已經(jīng)變得原來越復(fù)雜。如何抽取，轉(zhuǎn)換，加載，連接，關(guān)聯(lián)以把握數(shù)據(jù)內(nèi)蘊(yùn)的有用信息已經(jīng)變得越來越有挑戰(zhàn)性。
醫(yī)療大數(shù)據(jù)的爆發(fā)
早期，大部分醫(yī)療相關(guān)數(shù)據(jù)是紙張化的形式存在，而非電子數(shù)據(jù)化存儲， 比如官方的醫(yī)藥記錄，收費(fèi)記錄，護(hù)士醫(yī)生手寫的病例記錄，處方藥記錄，X 光片記錄，磁共振成像（MRI）記錄，CT 影像記錄等等。
隨著強(qiáng)大的數(shù)據(jù)存儲，計(jì)算平臺，及移動(dòng)互聯(lián)網(wǎng)的發(fā)展，現(xiàn)在的趨勢是醫(yī)療數(shù)據(jù)的大量爆發(fā)及快速的電子數(shù)字化。以上提到的醫(yī)療數(shù)據(jù)都在不同程度上向數(shù)字化轉(zhuǎn)化。
有報(bào)告顯示，2011年，單單美國的醫(yī)療健康系統(tǒng)數(shù)據(jù)量就達(dá)到了150EB。照目前的增長速度，ZB（約 1021GB）和 YB（約 1021GB） 的級別也會很快達(dá)到 （IHTT, 2013）。Kaiser Permanente，一個(gè)在加州發(fā)展起來的醫(yī)療健康網(wǎng)絡(luò)系統(tǒng)， 就有9百萬的會員，被認(rèn)為擁有26.5到44PB的電子健康記錄（IHTT, 2013）。
IT 時(shí)代涌現(xiàn)的還有各種網(wǎng)絡(luò)社交媒體數(shù)據(jù)，比如曾經(jīng) Google 用來預(yù)測流感的數(shù)據(jù)。基因數(shù)據(jù)也是非常龐大的存在，一次全面的基因測序，產(chǎn)生的個(gè)人數(shù)據(jù)則達(dá)到300GB（Leah, 2014）。公開發(fā)布的基因 DNA 微陣列達(dá)到50萬之多，每一陣列包含數(shù)萬的分子表達(dá)值。在生物醫(yī)藥方面，功能性磁共振影像的數(shù)據(jù)量也達(dá)到了數(shù)萬TB級別，每一幅影像包含有5萬像素值（Fan, Han, & Liu, 2014）。
此外，各種健身，健康可穿戴設(shè)備的出現(xiàn)，使得血壓、心率、體重，血糖，心電圖（EKG）等的監(jiān)測都變?yōu)楝F(xiàn)實(shí)和可能，信息的獲取和分析的速度已經(jīng)從原來的按“天”計(jì)算，發(fā)展到了按“小時(shí)”，按“秒”計(jì)算。比如，一家名為 Blue Spark 的科技公司已經(jīng)生產(chǎn)出能24小時(shí)實(shí)時(shí)監(jiān)測體溫的新型溫度計(jì)貼片 temptraq。
這種數(shù)據(jù)的擴(kuò)展速度和覆蓋范圍是前所未有的，數(shù)據(jù)的格式也五花八門，可能是無格式文件（flat file），CSV，關(guān)系表，ASCII/ 純文本文件等等。
同時(shí)，數(shù)據(jù)的來源也紛繁復(fù)雜，可能來自不同的地區(qū)，不同的醫(yī)療機(jī)構(gòu)，不同的軟件應(yīng)用。不可否認(rèn)，一旦理順了多格式，多源頭，呈爆炸性成長的大數(shù)據(jù)的整合和分析，醫(yī)療大數(shù)據(jù)將對提高醫(yī)療質(zhì)量，強(qiáng)化患者安全，降低風(fēng)險(xiǎn)，降低醫(yī)療成本等方面發(fā)揮無與倫比的巨大作用。
